一种视频业务播放卡顿的识别方法和装置
阅读：361发布：2020-05-08
专利汇可以提供一种视频业务播放卡顿的识别方法和装置专利检索，专利查询，专利分析的服务。并且本 发明 实施例 提供一种视频业务播放卡顿的识别方法和装置，通过XDR中与用户体验或业务行为相关的指标与卡顿行为的关联关系，准确识别播放过程中的卡顿行为，通过指标间数学关系的提取，实现多维度多指标的关联映射表达，通过构建 深度神经网络 模型，只需少量新的特征样本即能完成新业务的卡顿识别，降低了本提案部署实施的难度和成本，解决了传统业务拨测方法下卡顿样本少， 覆盖 面不全的问题。，下面是一种视频业务播放卡顿的识别方法和装置专利的具体信息内容。
1.一种视频业务播放卡顿的识别方法，其特征在于，包括：
提取视频业务的事务详细单据XDR中与用户体验或业务行为相关的指标，并基于预先得到的所述指标与卡顿行为的关联关系，识别所述XDR中是否存在卡顿行为。
2.根据权利要求1所述的视频业务播放卡顿的识别方法，其特征在于，并基于预先得到的所述指标与卡顿行为的关联关系，识别所述XDR中是否存在卡顿行为具体包括：
基于已训练的深度神经网络模型，对所述指标进识别处理，判断所述XDR中是否存在卡顿行为。
3.根据权利要求2所述的视频业务播放卡顿的识别方法，其特征在于，基于已训练的深度神经网络模型前，还包括：
获取视频业务中含卡顿行为的XDR和不含卡顿行为的XDR，将含卡顿行为的XDR标记为卡顿单据，将不含卡顿行为的XDR标记为正常单据；
提取视频业务的XDR中与用户体验或业务行为相关的指标，所述XDR包括卡顿单据和正常单据；
以所述指标为深度神经网络DNN输入层的节点，以卡顿标签为对应输出层的节点，进行训练学习，得到用于识别XDR中是否存在卡顿行为的深度神经网络模型。
4.根据权利要求1或3所述的视频业务播放卡顿的识别方法，其特征在于，提取视频业务的事务详细单据XDR中与用户体验或业务行为相关的指标，具体包括：
提取所述XDR中与用户体验或业务行为相关的指标字段，基于所述指标字段提取相应的指标数据，并组建初始指标集合；
对所述初始指标集合中的缺失值进行零值填充预处理，并以各个指标为维度进行数据归一化处理，得到指标数据集合。
5.根据权利要求3所述的视频业务播放卡顿的识别方法，其特征在于，获取视频业务中含卡顿行为的XDR和不含卡顿行为的XDR，包括：
对于自有视频业务，通过内嵌视频质量采集工具包SDK采集播放指标，若所述SDK采集到卡顿行为，则向设定的统一资源定位符URL发送一次无效的业务请求；
网络侧S1-U口的深度分组检测DPI探针采集并解析到所述业务请求后即认为发生了卡顿行为，在对应的XDR中添加卡顿标签，否则认为未发生卡顿行为，在对应的XDR中添加正常标签。
6.根据权利要求5所述的视频业务播放卡顿的识别方法，其特征在于，获取视频业务中含卡顿行为的XDR和不含卡顿行为的XDR，还包括：
对于非自有视频业务，通过拨测方法记录卡顿行为发生的时间方式，并在网络大数据后台提取相应的XDR，并添加卡顿标签或正常标签。
7.根据权利要求6所述的视频业务播放卡顿的识别方法，其特征在于，进行训练学习具体包括：
以自由视频业务中的XDR为样本进行训练学习，得到初始深度神经网络模型；
以非自有视频业务中的XDR为样本，通过迁移学习方法，对所述初始深度神经网络模型进行进一步训练，得到对应非自有视频业务的深度神经网络模型。
8.一种视频业务播放卡顿的识别装置，其特征在于，包括：
提取模块，用于提取视频业务的事务详细单据XDR中与用户体验或业务行为相关的指标；
识别模块，用于基于预先得到的所述指标与卡顿行为的关联关系，识别所述XDR中是否存在卡顿行为。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述的视频业务播放卡顿的识别方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的视频业务播放卡顿的识别方法的步骤。
一种视频业务播放卡顿的识别方法和装置
技术领域
背景技术
[0002] 目前，移动网络下视频业务流量的占比已经超过网页浏览类，业务的重要性日益凸显。为保障客户感知，提升网络优化与管控的能力，运营商迫切需要建立起精准的视频业务感知评价手段。而卡顿作为视频播放过程中最重要的评价指标，如何利用运营商的管道数据对其准确建模具有重要的意义。
[0003] 在现有的技术方案中，运营商主要通过利用DPI采集S1-U口的用户面XDR单据，对XDR中的下载速率、播放码率、视频初缓时长、TCP握手时延、GET响应时延等指标近似评估视频业务质量，主要针对的是播放准备阶段或总体播放质量的指标评价，如播放成功率、初缓时延、平均下载速率等。
[0004] 现有的技术方案通对S1-U口的用户面XDR解析虽具备下载速率、时延等KQI指标和播放码率等用户行为分析的能力，但并不具备准确评估播放过程中是否发生卡顿行为的能力。如视频播放下载速率同片源码率相关外，还受到终端存储空间，服务器步进管控策略等影响。初缓时长指标评价的主要是播放准备阶段等待时长的问题。即现有通过DPI的XDR网络大数据进行视频业务质量评价的方法中缺乏对播放卡顿行为的识别能力，无法对用户视频播放过程中发生是质差行为进行准确洞察。
发明内容
[0005] 本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的一种视频业务播放卡顿的识别方法和装置。
[0006] 第一方面，本发明实施例提供了一种视频业务播放卡顿的识别方法，包括：
[0007] 提取视频业务的事务详细单据XDR中与用户体验或业务行为相关的指标，并基于预先得到的所述指标与卡顿行为的关联关系，识别所述XDR中是否存在卡顿行为。
[0008] 第二方面，本发明实施例提供了一种视频业务播放卡顿的识别装置，包括：
[0009] 提取模块，用于提取视频业务的事务详细单据XDR中与用户体验或业务行为相关的指标；
[0010] 识别模块，用于基于预先得到的所述指标与卡顿行为的关联关系，识别所述XDR中是否存在卡顿行为。
[0011] 第三方面，本发明实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所提供的视频业务播放卡顿的识别方法的步骤。
[0012] 第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所提供的视频业务播放卡顿的识别方法的步骤。
[0013] 本发明实施例提出了一种视频业务播放卡顿的识别方法和装置，通过XDR中与用户体验或业务行为相关的指标与卡顿行为的关联关系，准确识别播放过程中的卡顿行为，通过指标间数学关系的提取，实现多维度多指标的关联映射表达，通过构建深度神经网络模型，只需少量新的特征样本即能完成新业务的卡顿识别，降低了本提案部署实施的难度和成本，解决了传统业务拨测方法下卡顿样本少，覆盖面不全的问题。附图说明
[0014] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0015] 图1为根据本发明实施例的视频业务播放卡顿的识别方法示意图；
[0016] 图2为根据本发明实施例的DNN训练学习方法示意图；
[0017] 图3为根据本发明实施例的DNN网络拓扑示意图；
[0018] 图4为根据本发明实施例的DNN网络迁移学习示意图
[0019] 图5为根据本发明实施例的视频业务播放卡顿的识别装置示意图；
[0020] 图6为根据本发明实施例的电子设备的实体结构示意图。
具体实施方式
[0021] 为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0022] 视频业务作为一种具有高码流、高并发性的移动业务，业务质量要求较高，视频业务感知成为客户感知的重要评价维度。当前，移动运营商基本都是采用流媒体方式实现视频点播业务，国内主流视频类APP均是基于TCP/HTTP协议来递送媒体数据。当用户手机终端在线播放视频，手机终端会向服务器请求相应的视频信息，服务器响应请求下发视频的相关信息，用户侧根据获得的视频下载地址发起资源请求，服务器响应资源请求消息即发送相应的视频数据。客户端在开始播放之前仅需等待一段较短的时间用于下载和缓冲该媒体文件最前面的一部分数据，当客户端收到的视频数据超过初始缓冲门限后便可一边下载一边播放。在视频业务播放阶段，卡顿是影响用户感知的主要因素。视频业务卡顿定义为因网络吞吐量低引起的画面冻结，与用户暂停操作引起的画面停止无关。当传输速率小于播放速率，并且缓冲区已清空的情况下，就会发生卡顿。
[0023] 现有卡顿监控技术方案主要是针对播放准备阶段或总体播放质量的指标评价，如播放成功率、初缓时延、平均下载速率等，通过利用DPI采集S1-U口的用户面XDR单据，对XDR中的下载速率、播放码率、视频初缓时长、TCP握手时延、GET响应时延等指标近似评估视频业务质量；缺乏对播放卡顿行为的识别能力，无法对用户视频播放过程中发生是质差行为进行准确洞察。
[0024] 由于现有技术中的卡顿监控方法缺乏对播放卡顿行为的识别能力，无法对用户视频播放过程中发生是质差行为进行准确洞察，因此本发明各实施例通过网络大数据和人工智能算法结合，可利用网络信令数据识别视频播放过程中发生卡顿行为。以下将通过多个实施例进行展开说明和介绍。
[0025] 图1为本发明实施例提供的一种视频业务播放卡顿的识别方法，包括：
[0026] S1、提取视频业务的事务详细单据XDR中与用户体验或业务行为相关的指标；
[0027] S2、基于预先得到的上述指标与卡顿行为的关联关系，识别上述XDR中是否存在卡顿行为。
[0028] 在本实施例中，上述中的视频业务播放过程中的视频业务，进而本实施例能够识别视频播放过程中发生卡顿行为，通过获取移动互联网视频业务中的事务详细单据XDR，提取XDR中与用户体验或业务行为相关的指标，实现挖掘XDR中与卡顿行为相关的各指标同卡顿行为的关联关系，对视频播放过程中发生卡顿行为进行识别，上述事务详细单据(Call/Transaction Detail Record，XDR)为播放过程中的基于全量数据进行处理后，生成的供信令检测平台和信令类应用使用的信令及业务的详细记录。
[0029] 在上述实施例的基础上，并基于预先得到的上述指标与卡顿行为的关联关系，识别上述XDR中是否存在卡顿行为具体包括：
[0030] 基于已训练的深度神经网络模型，对上述指标进识别处理，判断上述XDR中是否存在卡顿行为。
[0031] 在本实施例中，在挖掘XDR过程中，通过引入深度神经网络(Deep Neural Network,DNN)，通过指标间数学关系的提取，实现多维度多指标的关联映射表达，预先构建可以识别各指标与卡顿行为的关联关系的深度神经网络模型，在识别过程中，只需要获取视频业务的事务详细单据XDR中与用户体验或业务行为相关的各指标，通过深度神经网络模型进行直接识别，即可对视频播放过程中发生卡顿行为进行识别，解决了传统单一指标评价模式下无法准确洞察播放过程中发生卡顿行为的问题。
[0032] 在上述各实施例的基础上，如图2所示，基于已训练的深度神经网络模型前，即步骤S1前还包括S0：
[0033] S01、获取视频业务中含卡顿行为的XDR和不含卡顿行为的XDR，将含卡顿行为的XDR标记为卡顿单据，将不含卡顿行为的XDR标记为正常单据；
[0034] S02、提取视频业务的XDR中与用户体验或业务行为相关的指标，上述XDR包括卡顿单据和正常单据；
[0036] 在本实施例中，在深度神经网络模型的训练学习前，还需要采集视频播放过程中的卡顿状况及对应的XDR，具体的，在本实施例中，包括获取视频业务中含卡顿行为的XDR和不含卡顿行为的XDR，将含卡顿行为的XDR标记为卡顿单据，将不含卡顿行为的XDR标记为正常单据。
[0037] 以上述XDR(包括正常单据和卡顿单据)为样本，指定其中与用户体验或业务行为相关的字段，在本实施例中，包括网络接入类型、上下行流量、失败原因码、时延、抖动、丢包等，并提取相应的指标数据；在本实施例中，上述指标包括63个，具体如下表1所示：
[0038] 表1 XDR样本提取字段
[0039]
[0040] 构建了DNN深度学习模型，通过速率、码率、丢包、乱序等多维度60余个指标同卡顿行为之前的关联关系表达，使得卡顿行为可以进行量化评估，解决传统方法下单一指标评价缺乏卡顿指标，分析准确率低下的问题。
[0041] 在上述各实施例的基础上，提取视频业务的事务详细单据XDR中与用户体验或业务行为相关的指标，具体包括：
[0042] 提取上述XDR中与用户体验或业务行为相关的指标字段，基于上述指标字段提取相应的指标数据，并组建初始指标集合；
[0043] 对上述初始指标集合中的缺失值进行零值填充预处理，并以各个指标为维度进行数据归一化处理，得到指标数据集合。
[0044] 在本实施例中，如表1所示，共计63个指标组建初始指标集合，然后对初始指标集合中的缺失值通过“零值填充”方式进行预处理。最后再以各个指标为维度进行数据的归一化处理，卡顿标签通过one-hot编码，1表示卡顿，最终得到初始化处理后的指标数据集合。
[0045] 在上述各实施例的基础上，获取视频业务中含卡顿行为的XDR和不含卡顿行为的XDR，包括：
[0046] 对于自有视频业务，通过内嵌视频质量采集工具包SDK采集播放指标，若上述SDK采集到卡顿行为，则向设定的统一资源定位符URL发送一次无效的业务请求；
[0047] 网络侧S1-U口的深度分组检测DPI探针采集并解析到上述业务请求后即认为发生了卡顿行为，在对应的XDR中添加卡顿标签，否则认为未发生卡顿行为，在对应的XDR中添加正常标签。
[0048] 各运营商在核心网接口都布置有DPI信令采集系统，通过全网全信令采集、解析和汇总即可得到用户级、小区/基站级、OTT级视频业务用户感知。利用XDR信令可直接对全网的视频业务进行解剖，得到全量的用户视频记录日志。
[0049] 在本实施例中，针对自有视频业务，包括自有视频APP，通过通过内嵌视频质量采集工具包SDK(Software Development Kit，软件开发工具包)采集播放器指标，在监测到卡顿行为后向设定URL(Uniform Resource Locator，统一资源定位符)(原请求URL后添加32bit的识别字段)发送一次无效的业务请求，相应的在网络侧S1-U口的DPI(Deep Packet Inspection，深度分组检测)探针采集并解析到该URL请求后即认为该次播放过程中发生了卡顿行为，在合成的XDR中添加标签，将其标记为卡顿单据，否则标记为正常单据。使得视频播放过程能被运营商DPI设备监测解析并获取卡顿单据，通过上述自动化的采集解析方法，解决了传统业务拨测方法下卡顿样本少，覆盖面不全的缺点。
[0050] 通过制定自有视频APP发生卡顿行为后发送特定URL无效请求的规则，使得网络管道侧DPI可以解析获取标注样本的方法，解决了传统通过人工拨测获取视频卡顿样本成本高、覆盖面差的难点。使得可以更全面、更高效的分析卡顿业务行为发生后管道数据的特征。
[0051] 在上述各实施例的基础上，获取视频业务中含卡顿行为的XDR和不含卡顿行为的XDR，还包括：
[0052] 对于非自有视频业务，通过拨测方法记录卡顿行为发生的时间方式，并在网络大数据后台提取相应的XDR，并添加卡顿标签或正常标签。
[0053] 在本实施例中，针对非自有视频，无法采用上述自动化的采集解析方法，因此，采用拨测方法，模拟视频业务的播放过程，获取视频业务播放过程的中的卡顿单据，在网络大数据后台提取相应拨测号码的XDR记录做标记。
[0054] 通过上述实施例中的两种方式，获取训练样本集合，其中自有视频样本规模大用于后续基础模型的训练，非自有视频的拨测样本则用于迁移学习训练，只需少量样本即可。
[0055] 在本实施例中，通过引入人工智能算法，以自有视频APP上报的卡顿单据为样本，并将XDR中的上下行流量、失败原因码、码率、RTT时延、TCP时延、丢包等指标为输入，卡顿状态为输出，构建DNN深度学习网络，挖掘XDR信令中，速率、码率、时延、丢包、乱序等同卡顿行为的关联关系，构建卡顿行为的评估模型。并通过迁移学习，针对热点视频APP拨测方式获取少量卡顿样本即可完成模型训练。进而达到通过运营商的网络XDR大数据评估全网视频业务卡顿行为的目的。通过本实施例中的方法，卡顿行为总体识别准确率达到了82％，构建了基于网络信令数据的视频卡顿行为识别方法，凸显网络运维支撑的价值。
[0056] 在上述各实施例的基础上，获取对应的XDR样本，并进行预处理，得到指标数据集合后，将指标数据集合中的各指标作为DNN学习网络输入层的节点，卡顿标签对应输出层的节点。进而定义包含输入层、两个隐含层及输出层的63*100*50*2维度的DNN深度神经网络，并定义线性整流函数(Rectified Linear Unit，ReLU)为激活函数，完成XDR中记录指标到播放卡顿的多维度关联映射模型。DNN网络的拓扑示意如图3所示。
[0057] 具体的，为训练学习模型，通过将上述各实施例中预处理后的N条视频业务记录，组成训练样本集合。将交叉熵定义为损失函数，通过梯度下降算法调整模型更新权重和偏差参数，当损失函数不再下降或判断准确性达到目标时结束训练，获取DNN网络的模型参数，最终得到用于判断所述XDR中是否存在卡顿行为的深度神经网络模型。
[0058] 在本实施例中，基于DNN深度学习网络挖掘运营商网络信令数据中速率、码率、时延、丢包、乱序等指标同播放卡顿间关联关系的方法，并定义了网络接入类型等在内的完整指标体系，通过指标间数学关系的提取，实现多维度多指标的关联映射表达，解决了传统单一指标评价模式下无法准确洞察播放过程中发生卡顿行为的问题。
[0059] 在上述各实施例的基础上，如图4所示，进行训练学习具体包括：
[0060] S031、以自由视频业务中的XDR为样本进行训练学习，得到初始深度神经网络模型；
[0061] S032、以非自有视频业务中的XDR为样本，通过迁移学习方法，对上述初始深度神经网络模型进行进一步训练，得到对应非自有视频业务的深度神经网络模型。
[0062] 在本实施例中，针对一些热门视频业务APP或者目标APP，通过上述各实施例步骤中获取拨测样本，并进行预处理后构建新的训练样本；并利用上述各实施例中构建的网络结构，并继承自有视频卡顿评估所学习获取的模型参数，将新的训练样本分APP输入DNN网络模型进一步训练，逐个完成热点APP的参数模型调优。
[0063] 本实施例充分利用自有视频卡顿样本获取便利的特点，完成基础模型训练，获取卡顿和业务指标的基础关联关系，并通过迁移学习，实现只需少量非自有视频APP样本即能完成模型优化的目的。
[0064] 在视频业务质量分析时，提取对应视频业务的XDR，按上述各实施例中的指标字段提取方法提取指标数据，并进行预处理，输入到步对应的训练好的DNN深度神经网络模型中，即能够对每条XDR是否发生卡顿进行识别判断。
[0065] 本实施例中还提供了一种视频业务播放卡顿的识别装置，基于上述各实施例中所述的视频业务播放卡顿的识别方法，如图5所示，包括提取模块40和识别模块50，其中：
[0066] 提取模块40提取视频业务的事务详细单据XDR中与用户体验或业务行为相关的指标；通过速率、码率、丢包、乱序等多维度60余个指标同卡顿行为之前的关联关系表达，使得卡顿行为可以进行量化评估，解决传统方法下单一指标评价缺乏卡顿指标，分析准确率低下的问题。
[0067] 识别模块50基于预先得到的上述指标与卡顿行为的关联关系，识别上述XDR中是否存在卡顿行为，基于已训练的深度神经网络模型，对上述指标进识别处理，判断上述XDR中是否存在卡顿行为。通过引入深度神经网络(Deep Neural Network,DNN)，通过指标间数学关系的提取，实现多维度多指标的关联映射表达，预先构建可以识别各指标与卡顿行为的关联关系的深度神经网络模型，在识别过程中，只需要获取视频业务的事务详细单据XDR中与用户体验或业务行为相关的各指标，通过深度神经网络模型进行直接识别，即可对视频播放过程中发生卡顿行为进行识别，解决了传统单一指标评价模式下无法准确洞察播放过程中发生卡顿行为的问题。
[0068] 图6为本发明实施例提供的电子设备的实体结构示意图，如图6所示，该电子设备可以包括：处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840，其中，处理器810，通信接口820，存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储在存储器830上并可在处理器810上运行的计算机程序，以执行上述各实施例提供的视频业务播放卡顿的识别方法，例如包括：
[0069] S1、提取视频业务的事务详细单据XDR中与用户体验或业务行为相关的指标；
[0070] S2、基于预先得到的上述指标与卡顿行为的关联关系，识别上述XDR中是否存在卡顿行为。
[0071] 此外，上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0072] 本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的视频业务播放卡顿的识别方法，例如包括：
[0073] S1、提取视频业务的事务详细单据XDR中与用户体验或业务行为相关的指标；
[0074] S2、基于预先得到的上述指标与卡顿行为的关联关系，识别上述XDR中是否存在卡顿行为。
[0075] 本发明实施例还提供本实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行如上述的视频业务播放卡顿的识别方法，例如包括：
[0076] S1、提取视频业务的事务详细单据XDR中与用户体验或业务行为相关的指标；
[0077] S2、基于预先得到的上述指标与卡顿行为的关联关系，识别上述XDR中是否存在卡顿行为。
[0078] 综上所述，本发明实施例提供的一种视频业务播放卡顿的识别方法和装置，通过XDR中与用户体验或业务行为相关的指标与卡顿行为的关联关系，准确识别播放过程中的卡顿行为，通过指标间数学关系的提取，实现多维度多指标的关联映射表达，通过构建深度神经网络模型，只需少量新的特征样本即能完成新业务的卡顿识别，降低了本提案部署实施的难度和成本，解决了传统业务拨测方法下卡顿样本少，覆盖面不全的问题。
[0079] 以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0080] 通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
[0081] 最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 马达以及减速装置 | 2020-05-11 | 440 |
| 火焰探测装置 | 2020-05-08 | 595 |
| 热头 | 2020-05-08 | 501 |
| 一种发声装置以及电子终端 | 2020-05-08 | 705 |
| 具有热加工部件的高能量密度多层电池单元及其制造方法 | 2020-05-11 | 694 |
| 一种HUD投影图像显示方法和装置 | 2020-05-08 | 45 |
| 一种触摸屏组件和移动终端 | 2020-05-11 | 402 |
| 一种移动终端 | 2020-05-11 | 462 |
| 由包含铼和/或钌的超合金制成的涡轮部件以及相关制造方法 | 2020-05-08 | 191 |
| 将异丁烷脱氢为异丁烯的系统和方法 | 2020-05-08 | 648 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
覆盖热门专利
QQ群二维码
意见反馈
意见反馈