CN115174405A - 一种基于arima统计模型的带宽分配方法 - Google Patents
一种基于arima统计模型的带宽分配方法 Download PDFInfo
- Publication number
- CN115174405A CN115174405A CN202210644023.0A CN202210644023A CN115174405A CN 115174405 A CN115174405 A CN 115174405A CN 202210644023 A CN202210644023 A CN 202210644023A CN 115174405 A CN115174405 A CN 115174405A
- Authority
- CN
- China
- Prior art keywords
- bandwidth
- coefficient
- statistical model
- arima
- packet loss
- 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.)
- Pending
Links
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000013179 statistical model Methods 0.000 title claims abstract description 15
- 230000005540 biological transmission Effects 0.000 claims abstract description 9
- 238000002474 experimental method Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 5
- 238000007476 Maximum Likelihood Methods 0.000 claims description 4
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 claims description 2
- 238000000926 separation method Methods 0.000 abstract 1
- 230000003068 static effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
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
- H04L41/08—Configuration management of networks or network elements
- H04L41/0896—Bandwidth or capacity management, i.e. automatically increasing or decreasing capacities
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0823—Errors, e.g. transmission errors
- H04L43/0829—Packet loss
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0876—Network utilisation, e.g. volume of load or congestion level
- H04L43/0882—Utilisation of link capacity
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Environmental & Geological Engineering (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开一种基于ARIMA统计模型的带宽分配方法,基于SDN的网络架构,利用控制平面和数据转发平面相分离的特点,通过控制平面灵活地控制数据平面的带宽使用。从Github上获取ABR视频流的带宽数据集Oboe,搭建SDN网络实验平台,模拟实际的带宽使用情况,测量带宽的使用情况。根据测量的历史带宽,使用ARIMA统计模型预测未来带宽的使用需求,设置调整系数以调整带宽利用率和丢包率,根据调整结果分配带宽。根据ARIMA统计模型的预测,该方法可以在保证传输质量的情况下,提升带宽利用率。
Description
技术领域
本发明属于计算机网络领域,具体涉及一种基于ARIMA统计模型的带宽分配方法。
背景技术
随着互联网的发展,面向终端用户的新型网络应用和服务(例如网上冲浪、音频、视频会议和流媒体、在线游戏、电子商务等)已经出现。这些应用程序和服务会生成它们自己的特征流,这些流需要通过网络交付。然而,所有这些应用程序都需要对它们自己的流进行不同的处理,以使通过网络成功交付。例如,视频会议等一些应用程序需要一定的带宽来传输流量,并且对于丢包敏感。传统网络中静态带宽分配的方法,在保证传输质量的情况下,对于带宽的利用率比较低。
发明内容
针对上述现有技术中存在的缺陷或不足,本发明的目的在于,提供一种基于ARIMA模型的带宽分配方法。
为了实现上述目的,本发明采用如下技术方案:
一种基于ARIMA模型的带宽分配方法,其特征在于,包括如下步骤:
步骤1:从Github上获取ABR视频流的带宽数据集Oboe,将数据集划分为训练集和测试集,从训练集上确定ARIMA模型的参数;
步骤2:搭建SDN网络实验平台,连接数据平面中的交换机和控制平面中的控制器。控制器向交换机发送端口状态请求消息,交换机收到端口状态请求消息后向控制器发送端口状态消息。
步骤3:利用步骤2获得的端口状态消息计算端口的使用带宽。
步骤4:以连接用户主机的交换机端口为对象,记录使用带宽,使用ARIMA模型预测下一个时间周期的带宽使用需求。设置调整系数,对ARIMA模型预测值的带宽利用率和丢包率进行调整,按照调整后的最终值分配带宽。
根据本发明,步骤4的设置调整系数调整带宽利用率和丢包率,若需要提高带宽利用率,则系数应小于1,系数越小带宽利用率越高,但是丢包率会增加;若需要降低丢包率,则系数应大于1,系数越大丢包率越低,但是带宽利用率会降低。
具体的,所述的交换机为OpenFlow交换机,预测对象是ABR视频流的带宽使用需求。
进一步的,使用ARIMA模型进行预测,具体包括:
从VBR视频流带宽数据集的训练集中寻找使得AIC=-2ln(L)+2k(赤池信息量)中最小的参数p,d,q,n;其中,p为自相关系数,d为差分系数,q为偏相关系数,n为带宽时间序列的长度,k是模型中未知参数个数,L是模型中极大似然函数值似然函数;
在控制器上运行确定参数的ARIMA模型,记录使用带宽数据,当记录的带宽数据等于n时,使用ARIMA模型预测下一个周期的带宽。
优选的,预测过程的局部迭代。在预测过程中开始时记录n个连续周期的使用带宽{b1,b2,b3,...,bn},之后调用ARIMA模型预测下一个周期的使用带宽需求bn+1;然后用{b2,b3,b4,...,bn+1}代替{b1,b2,b3,...,bn},预测接下来一个周期的使用带宽需求bn+2。重复上述过程,进行局部迭代,直至完成传输任务。
进一步优选地,所述的SDN网络的拓扑结构包括1台RYU控制器、5台OpenFlow交换机和5台主机。
本发明的基于ARIMA模型的带宽分配方法,利用控制平面和数据转发平面相分离的特点,通过控制平面灵活地控制数据平面的带宽使用,在记录n个周期的使用带宽后,使用ARIMA模型对下一个周期的使用带宽需求进行预测,在对预测值进行带宽利用率和丢包率的调整后,最后按照调整的最终值分配带宽,在保证传输质量的前提下提升了带宽的利用率。
附图说明
图1为实施例给出的SDN网络架构下带宽预测和分配的示意图;
图2为SDN网络拓扑结构示意图;
图3为ARIMA模型的预测结果图;
图4为经过调整系数调整后的预测结果图;
图5为调整系数说明图;
图6为根据ARIMA模型预测的带宽分配和静态带宽分配的结果对比图。
下面结合附图和实施例对本发明的作进一步详细地解释和说明。
具体实施方式
近些年来提出的SDN网络架构,通过将控制平面与数据平面解耦,克服了传统网络架构的局限性,极大地提高了网络的可管理性、可扩展性、可控性,动态性和灵活性。申请人在总结了SDN网络的架构与工作原理的基础上,提出了一种基于ARIMA统计模型的带宽分配方法。该方法使用ARIMA统计模型对未来的使用带宽需求进行预测,对预测结果进行带宽利用率和丢包率的调整,之后按照调整结果给应用分配带宽。除此之外,在使用OpenFlow交换机搭建的实际SDN网络实验平台上,验证了它的可行性。
本实施例给出一种基于ARIMA模型的带宽分配方法,包括如下步骤:
步骤1:获取ABR视频流的带宽数据集Oboe,将数据集划分为测试集和训练集,在训练集中确定ARIMA模型的参数,即,使得AIC=-2ln(L)+2k中最小的参数,所述最小的参数包括p(自相关系数),d(差分系数),q(偏相关系数),n(带宽时间序列的长度),k是模型中未知参数个数,L是模型中极大似然函数值似然函数;
步骤2,搭建SDN网络拓扑结构,分别有1台RYU控制器、5台OpenFlow交换机和5台主机;
步骤3,运行RYU控制器,用步骤2搭建的SDN网络拓扑结构中的交换机连接远程控制器,然后在数据平面使用端口状态请求消息对交换机端口的状态进行采集,收集带宽的使用情况。端口状态包含许多的条目,包括,收到包的数量,已传送包的数量,收到的字节数,传送的字节数,被RX丢弃的包数,被TX丢弃的包数,接受到错误的数量,传送错误的数量等等。本发明中关注的是收到的字节数和传送的字节数,用一个周期结束时传送的字节数减去这个周期开始时传送的字节数,得到的就是这个周期传送的字节数,再经过变换就可以得到这个周期的使用带宽。
步骤4:在步骤3采集的带宽时间序列等于n时,将这个时间带宽序列输入到确定好参数的ARIMA模型中,预测得到下一个周期的使用带宽需求。
步骤5:对于在步骤4中得到的预测结果,经过带宽利用率和丢包率系数的调整,得到最终的预测结果。
步骤6:根据步骤5得到的最终预测结果分配下一个周期的使用带宽。
以下是发明人给出的具体实验例。
实验例:
如图1所示,SDN网络架构下,实现了一种基于ARIMA模型的带宽分配方法,包括如下步骤:
步骤1:获取ABR视频流的带宽数据集Oboe,将数据集划分为测试集和训练集,在训练集中确定ARIMA模型的参数,即AIC=-2ln(L)+2k中最小的参数,这些参数包括p(自相关系数),d(差分系数),q(偏相关系数),n(带宽时间序列的长度),k是模型中未知参数个数,L是模型中极大似然函数值似然函数。
步骤2,搭建SDN网络,在1台安装有Ubuntu 18.04.5LTS***,CPU为Intel XexonE3-1231 [email protected]的电脑上运行RYU控制器,电脑ip为192.168.1.224,OpenFlow交换机为5台盛科Hybrid V530-48T4X,主机为5台安装有Ubuntu 18.04.5LTS***,CPU为Intel [email protected]的电脑;
步骤3,运行RYU控制器,在步骤2中的盛科Hybrid V530-48T4X上设置交换机控制器的ip为192.168.1.224,端口号为6653,连接方式为TCP连接,设置使用的OpenFlow协议为OpenFlow1.3,之后连接RYU控制器。
步骤4:在一台安装有Ubuntu 18.04.5LTS***,CPU为Intel i5 [email protected]的电脑上以服务器模式运行iperf程序,在另一台安装有Ubuntu 18.04.5LTS***,CPU为Intel i5 [email protected]的电脑上以客户端的模式运行iperf程序。在iperf的客户端上以步骤1中测试集中的带宽数据向iperf服务器端传输数据。
步骤5:控制器发送端口状态请求消息对交换机端口的状态进行采集。记录周期开始时收到的字节数和传送的字节数,记录周期结束时传送的字节数和收到的字节数,计算一个周期的使用带宽,按照时间顺序记录一个个周期的使用带宽。
步骤6:在步骤3中采集的使用带宽数据等于n,即带宽数据为{b1,b2,b3,...,bn}时,将这个时间带宽序列输入到确定好参数的ARIMA模型中,预测得到下一个周期的使用带宽需求。
步骤7:对于在步骤6中得到的预测结果,经过带宽利用率和丢包率系数的调节,得到最终的预测结果。如图5所示,调整系数调整带宽利用率和丢包率,若需要提高带宽利用率,则系数应小于1,系数越小带宽利用率越高,但是丢包率会增加;若需要降低丢包率,则系数应大于1,系数越大丢包率越低,但是带宽利用率会降低。根据多次实验测得的数据可以发现,预测误差在5%左右波动,但在10%以内,为了保证传输质量,本次实验中调整系数取1.1,也就是将分配带宽在ARIMA模型的预测结果上增加10%。
步骤8:根据步骤7得到的最终预测结果分配下一个周期的使用带宽。
步骤9:记录下一个周期的使用带宽bn+1,用{b2,b3,b4,...,bn+1}代替步骤6中的{b1,b2,b3,...,bn},预测接下来一个周期的使用带宽bn+2,然后重复步骤6至步骤9。
重复上述过程,直至完成步骤4的传输任务。
记录ARIMA模型的带宽预测值和实际带宽使用值,绘制成图,如图3所示,1号折线为带宽使用值,2号折线为ARIMA模型的带宽预测值。
记录经过调整系数调整后的带宽预测值和实际带宽使用值,绘制成图,如图4所示,1号折线为带宽使用值,2号折线为经过调整系数调整后的带宽预测值。正如步骤7所描述的,本次实验中调整系数取1.1,大于1,丢包率得到了降低,传输质量的到了保证,但是带宽利用率也被降低。
图6为根据ARIMA模型预测的带宽分配和静态带宽分配的结果对比图,如图所示,在相同丢包率,也就是传输质量相同的情况下,本实施例的ARIMA模型预测的带宽分配比静态带宽分配的带宽利用率高了10.7%。
以上结合附图详细描述了优选实施方式,但是,本发明并不限于上述实施方式中的具体细节,在本发明的技术构思范围内,可以对本公开的技术方案进行多种简单变型,这些简单变型均属于本公开的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合,为了避免不必要的重复,对各种可能的组合方式不再另行说明。
Claims (6)
1.一种基于ARIMA统计模型的带宽分配方法,其特征在于,包括如下步骤:
步骤1:从Github上获取ABR视频流的带宽数据集Oboe,将数据集划分为训练集和测试集,从训练集上确定ARIMA统计模型的参数;
步骤2:搭建SDN网络实验平台,连接数据平面中的交换机和控制平面中的控制器;控制器向交换机发送端口状态请求消息,交换机收到端口状态请求消息后向控制器发送端口状态消息;
步骤3:利用步骤2获得的端口状态消息计算端口的使用带宽;
步骤4:以连接用户主机的交换机端口为对象,记录使用带宽,使用ARIMA统计模型预测下一个时间周期的带宽使用需求;设置调整系数,对ARIMA统计模型预测值的带宽利用率和丢包率进行调整,按照调整后的最终值分配带宽。
2.如权利要求1所述的方法,其特征在于,步骤4的设置调整系数中所述的调整带宽利用率和丢包率,若需要提高带宽利用率,则系数应小于1,系数越小带宽利用率越高,但是丢包率会增加;若需要降低丢包率,则系数应大于1,系数越大丢包率越低,但是带宽利用率会降低。
3.如权利要求1所述的方法,其特征在于,所述的交换机为OpenFlow交换机,预测对象是ABR视频流的带宽使用需求。
4.如权利要求1或2所述的方法,其特征在于,所述使用ARIMA统计模型进行预测,具体包括:
从VBR视频流带宽数据集的训练集中寻找使得AIC=-2ln(L)+2k中最小的参数p,d,q,n;其中,p为自相关系数,d为差分系数,q为偏相关系数,n带宽时间序列的长度,k是模型中未知参数个数,L是模型中极大似然函数值似然函数;
在控制器上运行确定参数的ARIMA统计模型,记录使用带宽数据,当记录的带宽数据等于n时,使用ARIMA模型预测下一个周期的带宽。
5.如权利要求1所述的方法,其特征在于,所述预测过程选择局部迭代,即在预测过程中开始时记录n个连续周期的使用带宽{b1,b2,b3,...,bn},之后调用ARIMA统计模型预测下一个周期的使用带宽需求bn+1;然后用{b2,b3,b4,...,bn+1}代替{b1,b2,b3,...,bn},预测接下来一个周期的使用带宽需求bn+2;重复上述过程,进行局部迭代,直至完成传输任务。
6.根据权利要求1所述的方法,其特征在于,所述的SDN网络的拓扑结构包括1台RYU控制器、5台OpenFlow交换机和5台主机。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210644023.0A CN115174405A (zh) | 2022-06-08 | 2022-06-08 | 一种基于arima统计模型的带宽分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210644023.0A CN115174405A (zh) | 2022-06-08 | 2022-06-08 | 一种基于arima统计模型的带宽分配方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115174405A true CN115174405A (zh) | 2022-10-11 |
Family
ID=83484604
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210644023.0A Pending CN115174405A (zh) | 2022-06-08 | 2022-06-08 | 一种基于arima统计模型的带宽分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115174405A (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103281569A (zh) * | 2013-04-10 | 2013-09-04 | 深圳康佳通信科技有限公司 | 一种面向视频传输的网络带宽检测及预测方法及*** |
CN103368811A (zh) * | 2012-04-06 | 2013-10-23 | 华为终端有限公司 | 带宽分配方法和设备 |
CN105897506A (zh) * | 2016-03-31 | 2016-08-24 | 乐视控股(北京)有限公司 | 一种带宽估计方法及装置 |
CN106529145A (zh) * | 2016-10-27 | 2017-03-22 | 浙江工业大学 | 一种基于arima‑bp神经网络的桥梁监测数据预测方法 |
CN108347579A (zh) * | 2017-01-23 | 2018-07-31 | 北京中创视讯科技有限公司 | 带宽控制方法和装置 |
CN109921950A (zh) * | 2019-03-28 | 2019-06-21 | 北京奇艺世纪科技有限公司 | 一种网络带宽需求预测方法、装置及电子设备 |
CN110365518A (zh) * | 2019-06-05 | 2019-10-22 | 华南理工大学 | OpenStack基于应用服务的虚拟机带宽分配方法 |
CN112491658A (zh) * | 2020-12-02 | 2021-03-12 | 广州虎牙科技有限公司 | 带宽估计方法、装置、电子设备及计算机可读存储介质 |
CN112488427A (zh) * | 2020-12-21 | 2021-03-12 | 新疆工程学院 | 基于arima模型的中长期光伏可用电量预测方法 |
CN114423020A (zh) * | 2022-01-21 | 2022-04-29 | 温州大学乐清工业研究院 | 一种LoRaWAN网络下行路由控制方法及*** |
CN114422443A (zh) * | 2022-01-24 | 2022-04-29 | 西安电子科技大学 | 基于带宽估计和拥塞预测的卫星网络tcp拥塞控制方法 |
-
2022
- 2022-06-08 CN CN202210644023.0A patent/CN115174405A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103368811A (zh) * | 2012-04-06 | 2013-10-23 | 华为终端有限公司 | 带宽分配方法和设备 |
CN103281569A (zh) * | 2013-04-10 | 2013-09-04 | 深圳康佳通信科技有限公司 | 一种面向视频传输的网络带宽检测及预测方法及*** |
CN105897506A (zh) * | 2016-03-31 | 2016-08-24 | 乐视控股(北京)有限公司 | 一种带宽估计方法及装置 |
CN106529145A (zh) * | 2016-10-27 | 2017-03-22 | 浙江工业大学 | 一种基于arima‑bp神经网络的桥梁监测数据预测方法 |
CN108347579A (zh) * | 2017-01-23 | 2018-07-31 | 北京中创视讯科技有限公司 | 带宽控制方法和装置 |
CN109921950A (zh) * | 2019-03-28 | 2019-06-21 | 北京奇艺世纪科技有限公司 | 一种网络带宽需求预测方法、装置及电子设备 |
CN110365518A (zh) * | 2019-06-05 | 2019-10-22 | 华南理工大学 | OpenStack基于应用服务的虚拟机带宽分配方法 |
CN112491658A (zh) * | 2020-12-02 | 2021-03-12 | 广州虎牙科技有限公司 | 带宽估计方法、装置、电子设备及计算机可读存储介质 |
CN112488427A (zh) * | 2020-12-21 | 2021-03-12 | 新疆工程学院 | 基于arima模型的中长期光伏可用电量预测方法 |
CN114423020A (zh) * | 2022-01-21 | 2022-04-29 | 温州大学乐清工业研究院 | 一种LoRaWAN网络下行路由控制方法及*** |
CN114422443A (zh) * | 2022-01-24 | 2022-04-29 | 西安电子科技大学 | 基于带宽估计和拥塞预测的卫星网络tcp拥塞控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Said et al. | IoT-RTP and IoT-RTCP: Adaptive protocols for multimedia transmission over internet of things environments | |
US7058048B2 (en) | Per-call quality of service monitor for multimedia communications system | |
JP3851097B2 (ja) | エンド・ツー・エンド特性の測定方法及び装置 | |
US10091675B2 (en) | System and method for estimating an effective bandwidth | |
JP2003249960A (ja) | サービス品質のプロービングと解析を行うピアツーピアの方法およびこの方法を使用する基盤 | |
EP1089503A2 (en) | Method of obtaining optimum use of a shared transmission medium for multimedia traffic | |
US11888703B1 (en) | Machine learning algorithms for quality of service assurance in network traffic | |
KR102428093B1 (ko) | 데이터 처리 방법, 서버 및 데이터 수집 장치 | |
US20200036639A1 (en) | Methods for predicting future network traffic | |
WO2024012065A1 (zh) | 数据传输控制方法、装置、计算机可读存储介质、计算机设备及计算机程序产品 | |
CN109302578A (zh) | 一种登录会议终端以及视频会议的方法和*** | |
CN114640636A (zh) | 一种云视频管理方法及*** | |
Naresh et al. | Sac-abr: Soft actor-critic based deep reinforcement learning for adaptive bitrate streaming | |
D'Aronco et al. | Price-based controller for utility-aware HTTP adaptive streaming | |
Kesidis et al. | Extremal shape-controlled traffic patterns in high-speed networks | |
JP2004128977A (ja) | ネットワーク計測設定装置 | |
CN115174405A (zh) | 一种基于arima统计模型的带宽分配方法 | |
US7839861B2 (en) | Method and apparatus for calculating bandwidth requirements | |
CN114448838B (zh) | ***可靠度评估方法 | |
Liebeherr et al. | Traffic characterization algorithms for VBR video in multimedia networks | |
Izquierdo et al. | Statistical characterization of MPEG VBR video at the slice layer | |
Qian et al. | A new traffic model and statistical admission control algorithm for providing QoS guarantees to on-line traffic | |
WO2022179352A1 (zh) | 采集周期确定方法、装置、***、设备以及存储介质 | |
Chen et al. | DeeProphet: Improving HTTP Adaptive Streaming for Low Latency Live Video by Meticulous Bandwidth Prediction | |
Ge et al. | A SDN-based QoE-aware routing algorithm on video |
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 |