JP6858798B2 - 特徴量生成装置、特徴量生成方法及びプログラム - Google Patents
特徴量生成装置、特徴量生成方法及びプログラム Download PDFInfo
- Publication number
- JP6858798B2 JP6858798B2 JP2018565935A JP2018565935A JP6858798B2 JP 6858798 B2 JP6858798 B2 JP 6858798B2 JP 2018565935 A JP2018565935 A JP 2018565935A JP 2018565935 A JP2018565935 A JP 2018565935A JP 6858798 B2 JP6858798 B2 JP 6858798B2
- Authority
- JP
- Japan
- Prior art keywords
- text data
- numerical
- learning
- vector
- numeric
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Debugging And Monitoring (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Description
前記学習結果は、前記学習期間において異常の検知対象から複数のタイミングで収集される非数値のテキストデータを数値化し、当該数値化されたデータに応じた特徴量を要素とする数値ベクトルを生成し、当該数値ベクトルを学習することにより生成されたものであり、
前記生成部は、前記非数値のテキストデータ又は前記非数値のテキストデータの単語にIDを付与し、前記学習期間において付与されたIDの総数に所定数のIDの個数を追加した数を次元数として各IDの出現回数に応じた特徴量を要素とする数値ベクトルを生成し、
前記テスト期間における非数値のテキストデータ又は非数値のテキストデータの単語が、前記学習期間においてIDが付与されていない未知のテキストデータ又は未知の単語である場合、当該非数値のテキストデータ又は当該非数値のテキストデータの単語に前記所定数のIDのいずれかを付与して数値ベクトルを生成する。
また、特徴量生成装置は、異常の検知対象から複数のタイミングで収集される非数値のテキストデータを数値化し、当該数値化されたデータに応じた特徴量を要素とする数値ベクトルを生成する生成部と、テスト期間において、前記生成部によって生成された数値ベクトルごとに、当該数値ベクトルと、学習期間において出力された学習結果とに基づいて異常を検知する検知部とを有し、
前記学習結果は、前記学習期間において異常の検知対象から複数のタイミングで収集される非数値のテキストデータを数値化し、当該数値化されたデータに応じた特徴量を要素とする数値ベクトルを生成し、当該数値ベクトルを学習することにより生成されたものであり、
前記生成部は、前記非数値のテキストデータ又は前記非数値のテキストデータの単語にIDを付与し、前記学習期間において付与されたIDの総数を次元数として各IDの出現回数に応じた特徴量を要素とする数値ベクトルを生成し、
前記学習期間において付与されなかったIDが前記テスト期間における非数値のテキストデータ又は非数値のテキストデータの単語で出現した場合、当該非数値のテキストデータ又は当該非数値のテキストデータの単語を無視する。
タイムスタンプ テキスト
12:00:00 I have a pen
12:00:03 I have an apple
・・・
前処理部13は、教師データの各テキストltrain_1,ltrain_2,...ltrain_Dに対して、何らかの方法で各テキストに対応したIDを付与することによってテキストデータを数値化する(S103)。IDが付与された教師データは下記のような「タイムスタンプ」「ID」の属性を持ったフォーマットを取る。
タイムスタンプ ID
12:00:00 0
12:00:03 1
・・・
ここで、0は「I have a pen」に、1は「I have an apple」に与えられたIDである。テキストに対してIDを付与する方法としては、テキストの集合を与えることで、テキストに対する事前知識を要すること無く、同内容のテキストに同じIDを割り当てることができる技術等が考えられる(例えば、非特許文献3参照)。
時間 ID_0 ID_1 ID_2
12:00 2 1 0
12:01 1 2 3
12:02 0 3 3
・・・
12:59 3 0 1
なお、ここで付与された全ID(ここでは{0,1,2})については、パラメータ記憶部122に記憶される。
時間 ID_0 ID_1 ID_2
12:00 0.66 0.33 0
12:01 0.33 0.66 1
12:02 0 1 1
・・・
12:59 1 0 0.33
続いて、学習部14は、当該数値ベクトルについて学習器を利用して学習する(S107)。学習結果は、学習結果記憶部124に記憶される。
時間 ID_0 ID_1 ID_2 ID_*
12:00 2 1 0 0
12:01 1 2 3 0
12:02 0 3 3 0
・・・
12:59 3 0 1 0
また、図5のステップS204において、教師データに付与されなかったIDが観測データで出現した場合、「ID_*」の要素で表現を行う。表現方法としては、教師データには付与されなかったIDの出現回数を要素とする方法や、教師データには付与されなかったIDが存在した場合に1とし、そうでない場合に0とする方法が考えられる。後者の例は、教師データに付与されなかったIDの出現回数が1以上である場合に1とし、そうでない場合に0とすると表現されてもよい。また、K>1の場合、複数の未知のIDが出現した場合に、それらをK種類に分類して、M+1〜M+Kの次元でそれぞれ表現する場合が考えられる。例えば、n番目に出現した未知のIDについては,M+mod(n,K)番目の次元で表現するとした場合、1番目に出現した未知のIDについてはM+1番目の次元で表現し、2番目に出現した未知のIDについてはM+2番目の次元で表現し、・・・、K番目に出現した未知のIDについてはM+K番目の次元で表現し、K+1番目に出現した未知のIDについてはM+1番目の次元で表現し、・・・といったように振り分けられる。
タイムスタンプ 出現ID
12:00:00 {0,1,2,3}
12:00:03 {0,1,4,5}
・・・
ここで付与された全ID(ここでは{0,1,2,3,4,5})については、パラメータ記憶部122に記憶される。
タイムスタンプ 数値ベクトル
12:00:00 {1,1,1,1,0,0}
12:00:03 {1,1,0,0,1,1}
・・・
また、出現回数を要素の値とする方法も考えられる。例えば、テキスト内に「pen」が2回出現する場合、その単語の数値ベクトルを2とする。前処理部13は、上記のデータに基づいて、単位時間毎の数値ベクトルの時系列データを生成する。タイムスタンプ毎の数値ベクトルを単位時間あたりの数値ベクトルへと集約する方法としては、例えば重心を取る方法等が考えられる。上記の例で、12:00:00〜12:00:59までに出現したテキストが上記の2件だけである場合、重心を取ることで下記のような時系列データが生成される。
時間 数値ベクトル
12:00 {1,1,0.5,0.5,0.5,0.5}
図5のステップS203においても同様に、観測データのテキスト内の単語にIDを付与する。図5のステップS204において、パラメータ記憶部122に記憶されている、教師データに付与された全IDを参照し、教師データに付与されなかったIDが観測データの単語で出現した場合、出現回数をカウントせず、その単語を無視する。そのため、ID_0〜ID_5の6個のIDを用いる例では、6次元の数値ベクトルが生成される。
時間 数値ベクトル
12:00 {1,1,0.5,0.5,0.5,0.5,0}
また、図5のステップS204において、教師データに付与されなかったIDが観測データの単語で出現した場合、N+1〜N+K番目の要素で表現を行う。表現方法としては、教師データには付与されなかったIDの出現回数を要素とする方法や、教師データには付与されなかったIDが存在した場合に1とし、そうでない場合に0とする方法が考えられる。後者の例は、教師データに付与されなかったIDの出現回数が1以上である場合に1とし、そうでない場合に0とすると表現されてもよい。また、K>1の場合、複数の未知のIDが出現した場合に、それらをK種類に分類して、M+1〜M+Kの次元でそれぞれ表現する場合が考えられる。例えば、n番目に出現した未知のIDについては,M+mod(n,K)番目の次元で表現するとした場合、1番目に出現した未知のIDについてはM+1番目の次元で表現し、2番目に出現した未知のIDについてはM+2番目の次元で表現し、・・・、K番目に出現した未知のIDについてはM+K番目の次元で表現し、K+1番目に出現した未知のIDについてはM+1番目の次元で表現し、・・・といったように振り分けられる。
11 受信部
12 学習処理制御部
13 前処理部
14 学習部
15 検知処理制御部
16 検知部
20 測定装置
100 ドライブ装置
101 記録媒体
102 補助記憶装置
103 メモリ装置
104 CPU
105 インタフェース装置
121 教師データ記憶部
122 パラメータ記憶部
123 観測データ記憶部
124 学習結果記憶部
125 学習データ記憶部
B バス
N1 ネットワーク
Claims (7)
- 異常の検知対象から複数のタイミングで収集される非数値のテキストデータを数値化し、当該数値化されたデータに応じた特徴量を要素とする数値ベクトルを生成する生成部と、
テスト期間において、前記生成部によって生成された数値ベクトルごとに、当該数値ベクトルと、学習期間において出力された学習結果とに基づいて異常を検知する検知部と、
を有し、
前記学習結果は、前記学習期間において異常の検知対象から複数のタイミングで収集される非数値のテキストデータを数値化し、当該数値化されたデータに応じた特徴量を要素とする数値ベクトルを生成し、当該数値ベクトルを学習することにより生成されたものであり、
前記生成部は、前記非数値のテキストデータ又は前記非数値のテキストデータの単語にIDを付与し、前記学習期間において付与されたIDの総数に所定数のIDの個数を追加した数を次元数として各IDの出現回数に応じた特徴量を要素とする数値ベクトルを生成し、
前記テスト期間における非数値のテキストデータ又は非数値のテキストデータの単語が、前記学習期間においてIDが付与されていない未知のテキストデータ又は未知の単語である場合、当該非数値のテキストデータ又は当該非数値のテキストデータの単語に前記所定数のIDのいずれかを付与して数値ベクトルを生成する、特徴量生成装置。 - 前記学習期間において付与されたIDの総数をMとし、前記所定数のIDの個数をKとするとき、
前記生成部は、前記未知のテキストデータ又は前記未知の単語がn番目に出現した場合、前記非数値のテキストデータ又は前記未知の単語を、前記数値ベクトルのM+mod(n,K)番目の次元で表現する、請求項1に記載の特徴量生成装置。 - 異常の検知対象から複数のタイミングで収集される非数値のテキストデータを数値化し、当該数値化されたデータに応じた特徴量を要素とする数値ベクトルを生成する生成部と、
テスト期間において、前記生成部によって生成された数値ベクトルごとに、当該数値ベクトルと、学習期間において出力された学習結果とに基づいて異常を検知する検知部と、
を有し、
前記学習結果は、前記学習期間において異常の検知対象から複数のタイミングで収集される非数値のテキストデータを数値化し、当該数値化されたデータに応じた特徴量を要素とする数値ベクトルを生成し、当該数値ベクトルを学習することにより生成されたものであり、
前記生成部は、前記非数値のテキストデータ又は前記非数値のテキストデータの単語にIDを付与し、前記学習期間において付与されたIDの総数を次元数として各IDの出現回数に応じた特徴量を要素とする数値ベクトルを生成し、
前記学習期間において付与されなかったIDが前記テスト期間における非数値のテキストデータ又は非数値のテキストデータの単語で出現した場合、当該非数値のテキストデータ又は当該非数値のテキストデータの単語を無視する、特徴量生成装置。 - コンピュータが実行する特徴量生成方法であって、
異常の検知対象から複数のタイミングで収集される非数値のテキストデータを数値化し、当該数値化されたデータに応じた特徴量を要素とする数値ベクトルを生成する生成手順と、
テスト期間において、前記生成手順において生成された数値ベクトルごとに、当該数値ベクトルと、学習期間において出力された学習結果とに基づいて異常を検知する検知手順と、
を有し、
前記学習結果は、前記学習期間において異常の検知対象から複数のタイミングで収集される非数値のテキストデータを数値化し、当該数値化されたデータに応じた特徴量を要素とする数値ベクトルを生成し、当該数値ベクトルを学習することにより生成されたものであり、
前記生成手順において、前記非数値のテキストデータ又は前記非数値のテキストデータの単語にIDを付与し、前記学習期間において付与されたIDの総数に所定数のIDの個数を追加した数を次元数として各IDの出現回数に応じた特徴量を要素とする数値ベクトルを生成し、
前記テスト期間における非数値のテキストデータ又は非数値のテキストデータの単語が、前記学習期間においてIDが付与されていない未知のテキストデータ又は未知の単語である場合、当該非数値のテキストデータ又は当該非数値のテキストデータの単語に前記所定数のIDのいずれかを付与して数値ベクトルを生成する、特徴量生成方法。 - コンピュータが実行する特徴量生成方法であって、
異常の検知対象から複数のタイミングで収集される非数値のテキストデータを数値化し、当該数値化されたデータに応じた特徴量を要素とする数値ベクトルを生成する生成手順と、
テスト期間において、前記生成手順において生成された数値ベクトルごとに、当該数値ベクトルと、学習期間において出力された学習結果とに基づいて異常を検知する検知手順と、
を有し、
前記学習結果は、前記学習期間において異常の検知対象から複数のタイミングで収集される非数値のテキストデータを数値化し、当該数値化されたデータに応じた特徴量を要素とする数値ベクトルを生成し、当該数値ベクトルを学習することにより生成されたものであり、
前記生成手順において、前記非数値のテキストデータ又は前記非数値のテキストデータの単語にIDを付与し、前記学習期間において付与されたIDの総数を次元数として各IDの出現回数に応じた特徴量を要素とする数値ベクトルを生成し、
前記学習期間において付与されなかったIDが前記テスト期間における非数値のテキストデータ又は非数値のテキストデータの単語で出現した場合、当該非数値のテキストデータ又は当該非数値のテキストデータの単語を無視する、特徴量生成方法。 - 請求項1又は2に記載の各部としてコンピュータを機能させるためのプログラム。
- 請求項3に記載の各部としてコンピュータを機能させるためのプログラム。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017017921 | 2017-02-02 | ||
JP2017017921 | 2017-02-02 | ||
PCT/JP2017/039336 WO2018142694A1 (ja) | 2017-02-02 | 2017-10-31 | 特徴量生成装置、特徴量生成方法及びプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2018142694A1 JPWO2018142694A1 (ja) | 2019-12-12 |
JP6858798B2 true JP6858798B2 (ja) | 2021-04-14 |
Family
ID=63039493
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018565935A Active JP6858798B2 (ja) | 2017-02-02 | 2017-10-31 | 特徴量生成装置、特徴量生成方法及びプログラム |
Country Status (3)
Country | Link |
---|---|
US (1) | US11829868B2 (ja) |
JP (1) | JP6858798B2 (ja) |
WO (1) | WO2018142694A1 (ja) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6883561B2 (ja) * | 2018-09-27 | 2021-06-09 | Kddi株式会社 | 脆弱性推定装置及び脆弱性推定方法 |
JPWO2022195890A1 (ja) * | 2021-03-19 | 2022-09-22 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6633819B2 (en) * | 1999-04-15 | 2003-10-14 | The Trustees Of Columbia University In The City Of New York | Gene discovery through comparisons of networks of structural and functional relationships among known genes and proteins |
JP4073734B2 (ja) | 2002-08-19 | 2008-04-09 | 日本電信電話株式会社 | 入力単語候補を推薦する情報検索システム |
US20060224579A1 (en) * | 2005-03-31 | 2006-10-05 | Microsoft Corporation | Data mining techniques for improving search engine relevance |
US20090132506A1 (en) * | 2007-11-20 | 2009-05-21 | International Business Machines Corporation | Methods and apparatus for integration of visual and natural language query interfaces for context-sensitive data exploration |
WO2009145636A2 (en) * | 2008-05-26 | 2009-12-03 | Norwegian Em Technology As | A survey system for locating geophysical anomalies |
DE112012003110T5 (de) * | 2011-07-25 | 2014-04-10 | International Business Machines Corp. | Verfahren, Programmprodukt und System zur Datenidentifizierung |
US10678815B2 (en) * | 2012-10-02 | 2020-06-09 | Banjo, Inc. | Dynamic event detection system and method |
JPWO2015072085A1 (ja) * | 2013-11-12 | 2017-03-16 | 日本電気株式会社 | ログ分析システム、ログ分析方法、および、プログラム |
US10887786B2 (en) * | 2016-10-25 | 2021-01-05 | Extreme Networks, Inc. | Near-uniform load balancing in a visibility network via usage prediction |
US10685293B1 (en) * | 2017-01-20 | 2020-06-16 | Cybraics, Inc. | Methods and systems for analyzing cybersecurity threats |
CN110226140B (zh) * | 2017-01-25 | 2023-04-11 | Ntn株式会社 | 状态监视方法及状态监视装置 |
-
2017
- 2017-10-31 WO PCT/JP2017/039336 patent/WO2018142694A1/ja active Application Filing
- 2017-10-31 US US16/480,024 patent/US11829868B2/en active Active
- 2017-10-31 JP JP2018565935A patent/JP6858798B2/ja active Active
Also Published As
Publication number | Publication date |
---|---|
US20190392317A1 (en) | 2019-12-26 |
US11829868B2 (en) | 2023-11-28 |
WO2018142694A1 (ja) | 2018-08-09 |
JPWO2018142694A1 (ja) | 2019-12-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6823501B2 (ja) | 異常検知装置、異常検知方法及びプログラム | |
US11294754B2 (en) | System and method for contextual event sequence analysis | |
US8630962B2 (en) | Error detection method and its system for early detection of errors in a planar or facilities | |
US10373065B2 (en) | Generating database cluster health alerts using machine learning | |
US9612898B2 (en) | Fault analysis apparatus, fault analysis method, and recording medium | |
JP6183450B2 (ja) | システム分析装置、及び、システム分析方法 | |
US20170132523A1 (en) | Periodicity Analysis on Heterogeneous Logs | |
CN103023927B (zh) | 一种稀疏表达下的基于非负矩阵分解的入侵检测方法及*** | |
CN105786702B (zh) | 计算机软件分析*** | |
CN107003992B (zh) | 用于神经语言行为识别***的感知联想记忆 | |
CN112182219A (zh) | 一种基于日志语义分析的在线服务异常检测方法 | |
CN114785666B (zh) | 一种网络故障排查方法与*** | |
US20240070388A1 (en) | Lexical analyzer for a neuro-linguistic behavior recognition system | |
JP6183449B2 (ja) | システム分析装置、及び、システム分析方法 | |
JP2018148350A (ja) | 閾値決定装置、閾値決定方法及びプログラム | |
US11520981B2 (en) | Complex system anomaly detection based on discrete event sequences | |
JP6858798B2 (ja) | 特徴量生成装置、特徴量生成方法及びプログラム | |
CN114325405A (zh) | 电池组一致性分析方法、建模方法、装置、设备及介质 | |
US11297142B2 (en) | Temporal discrete event analytics system | |
WO2016084326A1 (ja) | 情報処理システム、情報処理方法、及び、記録媒体 | |
JP2007243459A (ja) | トラヒック状態抽出装置及び方法ならびにコンピュータプログラム | |
JP2019105871A (ja) | 異常候補抽出プログラム、異常候補抽出方法および異常候補抽出装置 | |
US10157113B2 (en) | Information processing device, analysis method, and recording medium | |
CN116307787A (zh) | 一种基于指纹的服务器运维故障识别方法、定位方法 | |
JP6781776B2 (ja) | 特徴量生成装置、特徴量生成方法及びプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20190626 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20200818 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20201012 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20210323 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210324 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6858798 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |