CN111934903A - 一种基于时序演化基因的Docker容器故障智能预测方法 - Google Patents

一种基于时序演化基因的Docker容器故障智能预测方法 Download PDF

Info

Publication number
CN111934903A
CN111934903A CN202010599003.7A CN202010599003A CN111934903A CN 111934903 A CN111934903 A CN 111934903A CN 202010599003 A CN202010599003 A CN 202010599003A CN 111934903 A CN111934903 A CN 111934903A
Authority
CN
China
Prior art keywords
docker container
time
docker
time sequence
hour
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010599003.7A
Other languages
English (en)
Other versions
CN111934903B (zh
Inventor
沙泉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Gala Information Technology Co ltd
Original Assignee
Shanghai Gala Information Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Gala Information Technology Co ltd filed Critical Shanghai Gala Information Technology Co ltd
Priority to CN202010599003.7A priority Critical patent/CN111934903B/zh
Publication of CN111934903A publication Critical patent/CN111934903A/zh
Application granted granted Critical
Publication of CN111934903B publication Critical patent/CN111934903B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/142—Network analysis or design using statistical or mathematical methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/06—Management of faults, events, alarms or notifications
    • H04L41/0631—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/147—Network analysis or design for predicting network behaviour
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Algebra (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Debugging And Monitoring (AREA)

Abstract

一种基于时序演化基因的Docker容器故障智能预测方法，包括：对多维的时序进行切分，划分为很多片段；对片段进行聚类，发现典型的模式；对不同的模式，采用条件对抗网络(CVAE‑GAN)捕捉其分布特征；组合分布特征随时间的变化，预测即将发生的异常。有效提升云平台Docker的维护水平。

Description

一种基于时序演化基因的Docker容器故障智能预测方法
技术领域
本发明涉及一种基于时序演化基因的Docker容器故障智能预测方法，具体涉及一种面向PaaS平台运维提出一种基于时序演化基因的Docker容器故障智能预测方法，本发明属于通信领域。
背景技术
PaaS平台的传统运维模式是网管***发现设备告警后，通知维护人员进行维修，属于事后的人工修复，故障响应时间长，不能满足实时性高的业务需求。***运维人员处于大部分时间和精力都是处理一些简单重复的问题，体力劳动偏大，工作效率低，需要投入大量的维护资源。
PaaS平台通常有以下缺点：
(1)PaaS平台的网管***不具备智能故障分析功能，业务异常时需要维护人员耗费大量的人力来进行故障查证，寻找故障原因，***维护效率低。
(2)PaaS平台的网管***不具备智能故障预警功能，一旦出现严重故障还会影响***的正常运行，***维护较为被动。
发明内容
本发明的目的在于，提供一种基于时序演化基因的Docker容器故障智能预测方法，以克服现有技术所存在的上述缺点和不足。本发明利用时序演化基因深度学习方法构建Docker容器故障智能预测模型，通过离线训练和在线训练相结合，准确预测Docker容器可能发生的未来故障。
本发明的目的是提升PaaS平台的智能化运维能力，实现PaaS平台运维从“事后”向“事前”发展，真正实现PaaS平台运维的“防患于未然”。
本发明所需要解决的技术问题，可以通过以下技术方案来实现：
作为本发明的第一方面，一种基于时序演化基因的Docker容器故障智能预测方法，其特征在于，包括：
对多维的时序进行切分，划分为很多片段；
对片段进行聚类，发现典型的模式；
对不同的模式，采用条件对抗网络(CVAE-GAN)捕捉其分布特征；
组合分布特征随时间的变化，预测即将发生的异常。
进一步，包括以下步骤：
步骤1：采集K8S组件日志和K8S组件状态，K8S是一个Docker容器管理工具；
步骤2：分析K8S组件日志和K8S组件状态，提取Docker容器特征指标；
步骤3：构建时序演化基因深度学习训练模型，进行历史数据的离线训练和实时数据的在线训练；
步骤四：输出Docker容器故障智能预警信息，并评估模型预测效果。
其中，步骤3还包括：
步骤3.1：在一条完成的时间序列上，对于每一时间分段
Figure BDA0002557914280000021
训练一个分类器C区分出每一时间窗口内Docker采集数据所属的类型i，
步骤3.2：之后通过变分自编码机(VAE)(包涵编码器网络E，解码器网络G)对每一个
Figure BDA0002557914280000022
进行特征抽取；
具体来说，编码器E将
Figure BDA0002557914280000023
编码出包涵多维混合高斯分布的均值，方差组合的特征隐层
Figure BDA0002557914280000024
然后解码器G通过采样这个多维混合分布还原样本；
步骤3.3：通过KL散度来减少编码与采样之间的误差；
步骤3.4：生成器网络G在再采样的
Figure BDA0002557914280000025
上进行反编码，还原出真实样本，然后使得判别器识别不出尽可能犯错误，其目标函数为：
Figure BDA0002557914280000026
步骤3.5：判别器网络D目标将真实样本和生成样本进行区分，其目标函数为：
Figure BDA0002557914280000031
步骤3.6：完成上述训练之后，模型组合每一时段的隐变量
Figure BDA0002557914280000032
与真实样本
Figure BDA0002557914280000033
通过循环神经网络
Figure BDA0002557914280000034
对整体的演化过程进行挖掘分析，输出Docker下一个时段发生异常的概率P和特征估计值
Figure BDA0002557914280000035
Figure BDA0002557914280000036
Figure BDA0002557914280000037
进一步，Docker容器特征指标如下：
前24小时日志数；
每个小时的日志数；
每个小时component Name均值方差最大值最小值；
每个小时host均值方差最大值最小值；
每个小时severity中info、error、warning的占比及数量。
作为本发明的第二方面，一种基于时序演化基因的Docker容器故障智能预测模型图谱。
其中，模型组合每一时段的隐变量
Figure BDA0002557914280000038
与真实样本
Figure BDA0002557914280000039
通过循环神经网络
Figure BDA00025579142800000310
对整体的演化过程进行挖掘分析，输出Docker下一个时段发生异常的概率P和特征估计值
Figure BDA00025579142800000311
Figure BDA00025579142800000312
Figure BDA00025579142800000313
其中，Docker容器特征指标如下：
前24小时日志数；
每个小时的日志数；
每个小时component Name均值方差最大值最小值；
每个小时host均值方差最大值最小值；
每个小时severity中info、error、warning的占比及数量。
本发明的有益效果：
1、本发明通过Docker容器的历史时序数据训练，获得了Docker容器的故障预测模型，通过基因演化模型可以准确预测Docker容器的运行故障，有效提升云平台Docker的维护水平。
2、本发明同时通过在线时序数据的输入，可以不断更新Docker容器的算法，为Docker容器的运行基因演化模型提供更多的最新特征序列，从而保证Docker容器故障算法的时效性和精确度。
附图说明
图1为深度学习数据处理流程图。
图2为本发明的原理示意图。
图3为故障特征1的折线图。
图4为故障特征2的折线图。
图5为故障特征3的折线图。
图6为故障特征4的折线图。
具体实施方式
以下结合具体实施例，对本发明作进一步说明。应理解，以下实施例仅用于说明本发明而非用于限定本发明的范围。
实施例1
图1为深度学习数据处理流程图，图2为本发明的原理示意图，如图1-图2所示。一种基于时序演化基因的Docker容器故障智能预测方法，包括：
本发明的深度学习数据处理流程如下：
本发明的一种基于时序演化基因的Docker容器故障智能预测方法，如下：
(1)、对多维的时序进行切分，划分为很多片段；
(2)、对片段进行聚类，发现典型的模式；
(3)、对不同的模式，采用条件对抗网络(CVAE-GAN)捕捉其分布特征；
(4)、组合分布特征随时间的变化，预测即将发生的异常。
进一步，包括以下步骤：
步骤1：采集K8S组件日志和K8S组件状态，K8S是一个Docker容器管理工具；
步骤2：分析K8S组件日志和K8S组件状态，提取Docker容器特征指标；
步骤3：构建时序演化基因深度学习训练模型，进行历史数据的离线训练和实时数据的在线训练；
步骤四：输出Docker容器故障智能预警信息，并评估模型预测效果。
其中，步骤3还包括：
步骤3.1：在一条完成的时间序列上，对于每一时间分段
Figure BDA0002557914280000051
训练一个分类器C区分出每一时间窗口内Docker采集数据所属的类型i，
步骤3.2：之后通过变分自编码机(VAE)(包涵编码器网络E，解码器网络G)对每一个
Figure BDA0002557914280000052
进行特征抽取；
具体来说，编码器E将
Figure BDA0002557914280000053
编码出包涵多维混合高斯分布的均值，方差组合的特征隐层
Figure BDA0002557914280000054
然后解码器G通过采样这个多维混合分布还原样本；
步骤3.3：通过KL散度来减少编码与采样之间的误差；
步骤3.4：生成器网络G在再采样的
Figure BDA0002557914280000055
上进行反编码，还原出真实样本，然后使得判别器识别不出尽可能犯错误，其目标函数为：
Figure BDA0002557914280000061
步骤3.5：判别器网络D目标将真实样本和生成样本进行区分，其目标函数为：
Figure BDA0002557914280000062
步骤3.6：完成上述训练之后，模型组合每一时段的隐变量
Figure BDA0002557914280000063
与真实样本
Figure BDA0002557914280000064
通过循环神经网络
Figure BDA0002557914280000065
对整体的演化过程进行挖掘分析，输出Docker下一个时段发生异常的概率P和特征估计值
Figure BDA0002557914280000066
Figure BDA0002557914280000067
Figure BDA0002557914280000068
实验结果：
1、故障特征1：某些之前一直访问量很低的host访问突然变多。
图3为故障特征1的折线图，如图3所示，上面的图是8月每分钟出现日志条数的折线图，下面的图是8月每分钟故障特征1的某个值出现的条数的折线图。黑线代表发生异常的时间。
2、故障特征2：某个host访问变多，出现上升沿。
图4为故障特征2的折线图，如图4所示，上面的图是8月每分钟出现日志条数的折线图，下面的图是8月每分钟故障特征2的某个值出现的条数的折线图。黑线代表发生异常的时间。
3、故障特征3：日志数量变多、Warning和Error个数变多。
图5为故障特征3的折线图，如图5所示，上面的图是8月每分钟出现日志条数的折线图，下面的图是8月每分钟故障特征3的某个值出现的条数的折线图。黑线代表发生异常的时间。
4、故障特征4：某个服务的调用量突增。
图6为故障特征4的折线图，如图6所示，上面的图是8月每分钟出现日志条数的折线图，下面的图是8月每分钟故障特征4的某个值出现的条数的折线图。黑线代表发生异常的时间。
以上对本发明的具体实施方式进行了说明，但本发明并不以此为限，只要不脱离本发明的宗旨，本发明还可以有各种变化。

Claims (7)

1.一种基于时序演化基因的Docker容器故障智能预测方法，其特征在于，包括：
对多维的时序进行切分，划分为很多片段；
对片段进行聚类，发现典型的模式；
对不同的模式，采用条件对抗网络(CVAE-GAN)捕捉其分布特征；
组合分布特征随时间的变化，预测即将发生的异常。
2.根据权利要求1所述的一种基于时序演化基因的Docker容器故障智能预测方法，其特征在于，包括以下步骤：
步骤1：采集K8S组件日志和K8S组件状态，K8S是一个Docker容器管理工具；
步骤2：分析K8S组件日志和K8S组件状态，提取Docker容器特征指标；
步骤3：构建时序演化基因深度学习训练模型，进行历史数据的离线训练和实时数据的在线训练；
步骤四：输出Docker容器故障智能预警信息，并评估模型预测效果。
3.根据权利要求2所述的一种基于时序演化基因的Docker容器故障智能预测方法，其特征在于，步骤3还包括：
步骤3.1：在一条完成的时间序列上，对于每一时间分段
Figure FDA0002557914270000011
训练一个分类器C区分出每一时间窗口内Docker采集数据所属的类型i，
步骤3.2：之后通过变分自编码机(VAE)(包涵编码器网络E，解码器网络G)对每一个
Figure FDA0002557914270000012
进行特征抽取；
具体来说，编码器E将
Figure FDA0002557914270000013
编码出包涵多维混合高斯分布的均值，方差组合的特征隐层
Figure FDA0002557914270000016
然后解码器G通过采样这个多维混合分布还原样本；
步骤3.3：通过KL散度来减少编码与采样之间的误差；
步骤3.4：生成器网络G在再采样的
Figure FDA0002557914270000015
上进行反编码，还原出真实样本，然后使得判别器识别不出尽可能犯错误，其目标函数为：
Figure FDA0002557914270000021
步骤3.5：判别器网络D目标将真实样本和生成样本进行区分，其目标函数为：
Figure FDA0002557914270000022
步骤3.6：完成上述训练之后，模型组合每一时段的隐变量
Figure FDA0002557914270000023
与真实样本
Figure FDA0002557914270000024
通过循环神经网络
Figure FDA0002557914270000025
对整体的演化过程进行挖掘分析，输出Docker下一个时段发生异常的概率P和特征估计值
Figure FDA0002557914270000026
Figure FDA0002557914270000027
Figure FDA0002557914270000028
4.根据权利要求3所述的一种基于时序演化基因的Docker容器故障智能预测方法，其特征在于，Docker容器特征指标如下：
前24小时日志数；
每个小时的日志数；
每个小时component Name均值方差最大值最小值；
每个小时host均值方差最大值最小值；
每个小时severity中info、error、warning的占比及数量。
5.一种如权利要求1-4任一项所述的方法建立的基于时序演化基因的Docker容器故障智能预测模型图谱。
6.根据权利要求5所述的基于时序演化基因的Docker容器故障智能预测模型图谱，其特征在于，其中，模型组合每一时段的隐变量
Figure FDA0002557914270000029
与真实样本
Figure FDA00025579142700000210
通过循环神经网络
Figure FDA00025579142700000214
对整体的演化过程进行挖掘分析，输出Docker下一个时段发生异常的概率P和特征估计值
Figure FDA00025579142700000211
Figure FDA00025579142700000212
Figure FDA00025579142700000213
7.根据权利要求6所述的基于时序演化基因的Docker容器故障智能预测模型图谱，其特征在于，所述Docker容器特征指标如下：
前24小时日志数；
每个小时的日志数；
每个小时component Name均值方差最大值最小值；
每个小时host均值方差最大值最小值；
每个小时severity中info、error、warning的占比及数量。
CN202010599003.7A 2020-06-28 2020-06-28 一种基于时序演化基因的Docker容器故障智能预测方法 Active CN111934903B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010599003.7A CN111934903B (zh) 2020-06-28 2020-06-28 一种基于时序演化基因的Docker容器故障智能预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010599003.7A CN111934903B (zh) 2020-06-28 2020-06-28 一种基于时序演化基因的Docker容器故障智能预测方法

Publications (2)

Publication Number Publication Date
CN111934903A true CN111934903A (zh) 2020-11-13
CN111934903B CN111934903B (zh) 2023-12-12

Family

ID=73317242

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010599003.7A Active CN111934903B (zh) 2020-06-28 2020-06-28 一种基于时序演化基因的Docker容器故障智能预测方法

Country Status (1)

Country Link
CN (1) CN111934903B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113205856A (zh) * 2021-06-22 2021-08-03 南开大学 一种微生物宏基因组分箱方法及***
CN117034020A (zh) * 2023-10-09 2023-11-10 贵州大学 一种基于cvae-gan模型的无人机传感器零样本故障检测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080154808A1 (en) * 2006-10-20 2008-06-26 Genalytics, Inc. Use and construction of time series interactions in a predictive model
CN101425066A (zh) * 2007-11-02 2009-05-06 日电（中国）有限公司 基于时序关系图的实体分类设备和方法
JP2016007169A (ja) * 2014-06-25 2016-01-18 大日本印刷株式会社 異常判定装置及びプログラム
CN110059845A (zh) * 2019-02-01 2019-07-26 国网浙江省电力有限公司温州供电公司 基于时序演化基因模型的计量装置时钟误差趋势预测方法
CN110572288A (zh) * 2019-11-04 2019-12-13 河南戎磐网络科技有限公司 一种基于可信容器的数据交换方法
CN110825589A (zh) * 2019-11-07 2020-02-21 字节跳动有限公司 用于微服务***的异常检测方法及其装置和电子设备
CN111198808A (zh) * 2019-12-25 2020-05-26 东软集团股份有限公司 预测性能指标的方法、装置、存储介质及电子设备

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080154808A1 (en) * 2006-10-20 2008-06-26 Genalytics, Inc. Use and construction of time series interactions in a predictive model
CN101425066A (zh) * 2007-11-02 2009-05-06 日电（中国）有限公司 基于时序关系图的实体分类设备和方法
JP2016007169A (ja) * 2014-06-25 2016-01-18 大日本印刷株式会社 異常判定装置及びプログラム
CN110059845A (zh) * 2019-02-01 2019-07-26 国网浙江省电力有限公司温州供电公司 基于时序演化基因模型的计量装置时钟误差趋势预测方法
CN110572288A (zh) * 2019-11-04 2019-12-13 河南戎磐网络科技有限公司 一种基于可信容器的数据交换方法
CN110825589A (zh) * 2019-11-07 2020-02-21 字节跳动有限公司 用于微服务***的异常检测方法及其装置和电子设备
CN111198808A (zh) * 2019-12-25 2020-05-26 东软集团股份有限公司 预测性能指标的方法、装置、存储介质及电子设备

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
SHAIFU GUPTA.ETC: ""A Supervised Deep Learning Framework for Proactive Anomaly Detection in Cloud Workloads"", 《2017 14TH IEEE INDIA COUNCIL INTERNATIONAL CONFERENCE (INDICON)》 *
张硕: ""面向Docker容错的性能监控和自适应预复制检查点技术研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
王帅: ""基于日志的微服务化***监测与故障预测的研究与实现"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113205856A (zh) * 2021-06-22 2021-08-03 南开大学 一种微生物宏基因组分箱方法及***
CN113205856B (zh) * 2021-06-22 2022-07-12 南开大学 一种微生物宏基因组分箱方法及***
CN117034020A (zh) * 2023-10-09 2023-11-10 贵州大学 一种基于cvae-gan模型的无人机传感器零样本故障检测方法
CN117034020B (zh) * 2023-10-09 2024-01-09 贵州大学 一种基于cvae-gan模型的无人机传感器零样本故障检测方法

Also Published As

Publication number Publication date
CN111934903B (zh) 2023-12-12

Similar Documents

Publication Publication Date Title
CN109492193B (zh) 基于深度机器学习模型的异常网络数据生成与预测方法
CN106888205B (zh) 一种非侵入式基于功耗分析的plc异常检测方法
CN115578015B (zh) 基于物联网的污水处理全过程监管方法、***及存储介质
CN109489977B (zh) 基于KNN-AdaBoost的轴承故障诊断方法
CN111506478A (zh) 基于人工智能实现告警管理控制的方法
CN111614491B (zh) 一种面向电力监控***安全态势评估指标选取方法及***
CN111563524A (zh) 一种多站融合***运行态势异常监测和告警合并方法
CN109544399B (zh) 基于多源异构数据的输电设备状态评价方法及装置
CN114723285B (zh) 一种电网设备安全性评估预测方法
CN109784668B (zh) 一种用于电力监控***异常行为检测的样本特征降维处理方法
CN116227745B (zh) 一种基于大数据的涉渔船舶调查分析方法及***
CN111934903B (zh) 一种基于时序演化基因的Docker容器故障智能预测方法
CN111881594B (zh) 一种核动力设备的非平稳信号状态监测方法及***
CN114201374A (zh) 基于混合机器学习的运维时序数据异常检测方法及***
CN112241606A (zh) 基于cps决策模块的船舶智能设备运维的协同决策方法
CN116739829B (zh) 一种基于大数据的电力数据分析方法、***及介质
CN111275136B (zh) 基于小样本下的故障预测***及其预警方法
CN111666978B (zh) 一种it***运维大数据的智能故障预警***
CN112816898B (zh) 电瓶故障预测方法、装置、电子设备和存储介质
CN113673600A (zh) 一种工业信号异常预警方法、***、存储介质及计算设备
CN111273635B (zh) 一种工控设备未知异常检测方法
CN116720983A (zh) 一种基于大数据分析的供电设备异常检测方法及***
CN111209955A (zh) 基于深度神经网络和随机森林的飞机电源***故障识别方法
CN115169650B (zh) 一种大数据分析的装备健康预测方法
CN116467592A (zh) 一种基于深度学习的生产设备故障智能监测方法及***

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant