CN104461711A - 计算设备的自适应优化方法及装置 - Google Patents
计算设备的自适应优化方法及装置 Download PDFInfo
- Publication number
- CN104461711A CN104461711A CN201410778561.4A CN201410778561A CN104461711A CN 104461711 A CN104461711 A CN 104461711A CN 201410778561 A CN201410778561 A CN 201410778561A CN 104461711 A CN104461711 A CN 104461711A
- Authority
- CN
- China
- Prior art keywords
- equipment
- use scenes
- current
- progress information
- optimisation strategy
- 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
Links
Abstract
本发明公开了一种计算设备的自适应优化方法及装置，其中，方法包括：获取设备中的进程信息，所述进程信息包括当前所有运行的进程信息和用户当前正在使用的进程的信息；根据所述进程信息，确定所述设备的当前使用场景；获取与当前使用场景匹配的优化策略；采用所述优化策略对所述设备中运行的进程进行优化。上述方法能够结合用户当前的使用场景给出优化策略，进而对设备进行优化，由此，提高设备的运行速度，且提升用户体验。
Description
技术领域
本发明涉及互联网技术，具体涉及一种计算设备的自适应优化方法及装置。
背景技术
目前，计算机等设备在使用过程中往往会出现运行速度越来越慢的情况，这时，为了提高运行速度，就需要对其进行系统优化。现有的优化方法一般是通过文件清理或垃圾清理的方法，例如，清理系统中无用的缓存文件，查找并移动占用磁盘空间的文件等，以便释放空间，让系统保持清洁，使整体运行更加流畅。
另外，现有技术的另一种优化方案可为：查找当前设备中运行的所有进程的进程信息，进而查看进程信息中每一进程的系统资源信息，例如内存占用率等信息，进而根据预设的内存使用率阈值对每一进程所占用的内存使用率进行评价，如果多个进程的内存使用率大于阈值预设的内存使用率阈值，则可将该些多个内存使用率高的进程全部结束，实现对设备的优化。
然而，上述优化方案将设备中所有占用内存高的进程进行清理，可能出现结束用户当前操作的一个或多个进程，导致用户使用非常不便，即无法根据用户当前的使用场景给出不同的优化方法，破坏用户体验。
鉴于此，如何根据用户当前的使用场景给出设备的优化方案成为当前亟需解决的技术问题。
发明内容
针对现有技术中的缺陷，本发明提供了一种计算设备的自适应优化方法及装置，能够结合用户当前的使用场景给出优化策略，进而对设备进行优化，提高设备的运行速度，且提升用户体验。
第一方面，本发明提供一种自适应优化装置，包括：
进程信息获取单元，用于获取设备中的进程信息，所述进程信息包括当前所有运行的进程信息和用户当前正在使用的进程的信息；
优化策略获取单元，用于根据所述进程信息，确定所述设备的当前使用场景，获取与当前使用场景匹配的优化策略；
优化单元，用于采用所述优化策略对所述设备中运行的进程进行优化。
可选地，所述优化策略获取单元，具体用于
将所述进程信息发送服务器，以使所述服务器根据所述进程信息确定设备的当前使用场景，以及与该当前使用场景匹配的优化策略；
接收所述服务器发送的所述设备的当前使用场景的标识，以及与该当前使用场景匹配的优化策略；
其中，所述优化策略为所述服务器根据多个设备的使用场景统计的优化策略。
可选地，所述优化策略获取单元，具体用于
将所述进程信息作为预设场景模型的输入，根据所述场景模型的输出信息识别所述设备当前的使用场景；
将所述设备当前的使用场景的标识发送服务器，以使服务器查找与当前的使用场景的标识匹配的优化策略；
接收所述服务器发送的与当前的使用场景匹配的优化策略；
所述场景模型为服务器根据预先收集多个设备的进程信息训练形成的发送至所述设备的模型。
可选地，所述装置还包括：
场景模型获取单元，用于针对不同的使用场景，分别收集各个设备的进程信息，所述收集的多个进程信息及其对应使用场景的标识形成训练集合；
从所述训练集合中选取多个训练子集，利用所述训练子集进行训练获得分类器，所述训练子集包括：从所述训练集合中选取的多个进程信息；
重复所述训练获得多个分类器；
根据输入各分类器的进程信息，以及各分类器对输入的进程信息的场景识别结果，将多个分类器融合为场景模型；
其中，所述场景模型用于识别设备当前的使用场景。
可选地，所述优化单元，具体用于
结束所述设备中除用户当前正在使用的进程之外的内存使用率达到预设阈值的进程，并清理缓存数据和/或临时数据；或者，
结束所述设备中除用户当前正在使用的进程之外的CPU占用率达到预设阈值的进程，并清理缓存数据和/或临时数据；或者，
结束所述设备中除用户当前正在使用的进程之外的磁盘IO吞吐量达到预设阈值的进程，并清理缓存数据和/或临时数据。
第二方面，本发明提供一种计算设备的自适应优化方法，包括：
获取设备中的进程信息，所述进程信息包括当前所有运行的进程信息和用户当前正在使用的进程的信息；
根据所述进程信息，确定所述设备的当前使用场景；
获取与当前使用场景匹配的优化策略；
采用所述优化策略对所述设备中运行的进程进行优化。
可选地，根据所述进程信息，确定所述设备的当前使用场景，获取与当前使用场景匹配的优化策略，包括：
将所述进程信息发送服务器，以使所述服务器根据所述进程信息确定设备的当前使用场景，以及与该当前使用场景匹配的优化策略；
接收所述服务器发送的所述设备的当前使用场景的标识，以及与该当前使用场景匹配的优化策略；
其中，所述优化策略为所述服务器根据多个设备的使用场景统计的优化策略。
可选地，根据所述进程信息，确定所述设备的当前使用场景，获取与当前使用场景匹配的优化策略，包括：
将所述进程信息作为预设场景模型的输入，根据所述场景模型的输出信息识别所述设备当前的使用场景；
将所述设备当前的使用场景的标识发送服务器，以使服务器查找与当前的使用场景的标识匹配的优化策略；
接收所述服务器发送的与当前的使用场景匹配的优化策略；
所述场景模型为服务器根据预先收集多个设备的进程信息训练形成的发送至所述设备的模型。
可选地，所述场景模型的获取方式，包括：
针对不同的使用场景，分别收集各个设备的进程信息，所述收集的多个进程信息及其对应使用场景的标识形成训练集合；
训练步骤：从所述训练集合中选取多个训练子集，利用所述训练子集进行训练获得分类器，所述训练子集包括：从所述训练集合中选取的多个进程信息；
重复所述训练步骤获得多个分类器；
根据输入各分类器的进程信息，以及各分类器对输入的进程信息的场景识别结果，将多个分类器融合为场景模型；
其中，所述场景模型用于识别设备当前的使用场景。
可选地，采用所述优化策略对所述设备中运行的进程进行优化，包括：
结束所述设备中除用户当前正在使用的进程之外的内存使用率达到预设阈值的进程，并清理缓存数据和/或临时数据；或者，
结束所述设备中除用户当前正在使用的进程之外的CPU占用率达到预设阈值的进程，并清理缓存数据和/或临时数据；或者，
结束所述设备中除用户当前正在使用的进程之外的磁盘IO吞吐量达到预设阈值的进程，并清理缓存数据和/或临时数据。
由上述技术方案可知，本发明的计算设备的自适应优化方法及装置，通过获取设备的进程信息，并根据进程信息确定设备的当前使用场景，获取与该使用场景匹配的优化策略，进而采用该优化策略对设备进行优化，由此，提高设备的运行速度，且提升用户体验。
附图说明
图1A为本发明一实施例提供的计算设备的自适应优化方法的流程示意图；
图1B为本发明一实施例提供的计算设备的自适应优化方法的流程示意图；
图2为本发明一实施例提供的进程列表的示意图；
图3A为本发明另一实施例提供的计算设备的自适应优化方法的流程示意图；
图3B为本发明一实施例提供的用户当前的使用场景的示意图；
图4为本发明一实施例提供的自适应优化装置的结构示意图。
具体实施方式
下面结合附图，对发明的具体实施方式作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
图1A示出了本发明一实施例提供的计算设备的自适应优化方法的流程示意图，如图1A所示，本实施例的计算设备的自适应优化方法如下所述。
101、获取设备中的进程信息，所述进程信息包括当前所有运行的进程信息和用户当前正在使用的进程的信息。
举例来说，所述进程信息可包括：每一进程的内存使用率、CPU占用率、磁盘IO吞吐量、用户使用该进程的时间戳信息、用户使用该进程的使用记录。
用户当前正在使用的进程的信息可为该用户当前正在使用的进程的标识，如进程的名称等信息。
102、根据所述进程信息，确定所述设备的当前使用场景。
103、获取与当前使用场景匹配的优化策略。
举例来说，将所述进程信息发送服务器，以使所述服务器根据所述进程信息确定设备的当前使用场景，以及与该当前使用场景匹配的优化策略；
设备可接收所述服务器发送的所述设备的当前使用场景的标识，以及与该当前使用场景匹配的优化策略；
其中，所述优化策略为所述服务器根据多个设备的使用场景统计的优化策略。
104、采用所述优化策略对所述设备中运行的进程进行优化。
举例来说，步骤104可为：结束所述设备中除用户当前正在使用的进程之外的内存使用率达到预设阈值的进程，并清理缓存数据和/或临时数据；
或者，结束所述设备中除用户当前正在使用的进程之外的CPU占用率达到预设阈值的进程，并清理缓存数据和/或临时数据；
或者，结束所述设备中除用户当前正在使用的进程之外的磁盘IO吞吐量达到预设阈值的进程，并清理缓存数据和/或临时数据。
本实施例中的计算设备的自适应优化方法，通过获取设备的进程信息，并根据进程信息确定设备的当前使用场景，获取与该使用场景匹配的优化策略，进而采用该优化策略对设备进行优化，由此，提高设备的运行速度，提升用户体验。
在另一具体的例子中，前述的步骤102可举例说明如下：
将所述进程信息作为预设场景模型的输入，根据所述场景模型的输出信息识别所述设备当前的使用场景；
所述场景模型为服务器根据预先收集多个设备的进程信息训练形成的发送至所述设备的模型。
举例来说，所述场景模型的获取方式可包括下述的步骤A01和步骤A04：
A01、针对不同的使用场景，分别收集各个设备的进程信息，所述收集的多个进程信息及其对应使用场景的标识形成训练集合；
A02、训练步骤：从所述训练集合中选取多个训练子集，利用所述训练子集进行训练获得分类器，所述训练子集包括：从所述训练集合中选取的多个进程信息；
A03、重复所述训练步骤获得多个分类器；
A04、根据输入各分类器的进程信息，以及各分类器对输入的进程信息的场景识别结果，将多个分类器融合为场景模型；
其中，所述场景模型用于识别设备当前的使用场景。
相应地，步骤103中可具体实现如下：将所述设备当前的使用场景的标识发送服务器，以使服务器查找与当前的使用场景的标识匹配的优化策略；接收所述服务器发送的与当前的使用场景匹配的优化策略。
图1B示出了本发明一实施例提供的计算设备的自适应优化方法的流程示意图，如图1B所示，本实施例的计算设备的自适应优化方法如下所述。
201、获取设备中的进程信息，所述进程信息包括：设备中运行的每一进程的标识以及每一进程所占用的系统资源信息、用户当前使用的进程的信息。
可理解的是，设备中运行的所有进程不一定都是用户真正使用的，为此，本实施例中需要获知用户当前使用的进程的信息，该用户当前使用的进程的信息可理解为用户当前真正使用的进程的相关信息，该信息可表示用户正在使用区分标识。
在实际应用中，进程信息还可包括：每一进程的时间戳信息。本实施例仅为举例说明进程信息的内容。也就是说，进程信息可包括用户当前使用的至少一个进程的时间点，由此，可较好的确定用户当前场景。
可理解的是，设备中的进程是指设备中正在运行的程序。如图2所示的进程列表的示意图。在实际应用中，可以通过使用应用程序接口Activity Manager获取设备中运行的所有进程(即包括活跃进程和非活跃进程)，以及获取所有进程中每一进程当前所占系统资源的信息、进程标识，以及用户当前使用的进程标识。
例如，在图2中，进程标识可为图2左侧的映像名称，还可为其他标识该进程的名称，本实施例不对其进行限定。或者进程的标识可为选取的用于区分不同进程的表示符等等。图2右侧不同列分别对应每一进程当前所占系统资源的信息。
举例来说，图2中所示的进程当前所占系统资源的类型可为：该进程的内存使用率、CPU占用率/使用率、磁盘I/O吞吐量、网络吞吐量等类型。
在具体应用中，如果进程当前占用系统资源的信息为多项(如上多种类型图2所示的多种类型)，则可根据多项信息加权处理得到该进程当前占用系统资源的信息。例如，每一进程当前占用系统资源的信息根据如下的一项或多项信息计算得到：该进程的内存使用率，CPU占用率，磁盘IO吞吐量、网络吞吐量等等。
当然，也可以将进程当前占用系统资源的信息单独列出。
202、根据所述进程信息和所述设备的操作系统环境信息，确定所述设备的当前使用场景，以及获取与当前使用场景匹配的优化策略；
举例来说，本实施例中，优化装置可将所述进程信息和所述设备的操作系统环境信息发送云服务器，以使云服务器根据所述进程信息和所述系统环境信息，确定所述设备的当前使用场景，以及获取与该当前使用场景匹配的优化策略；
接收所述云服务器发送的所述设备的当前使用场景，以及与该当前使用场景匹配的优化策略；
其中，所述优化策略为所述云服务器根据多个设备的使用场景统计的策略。
本实施例中云服务器可根据预先训练的场景模型确定设备的当前使用场景，进而获取与当前使用场景匹配的优化策略。
同一使用场景在设备中不同的操作系统环境信息下对应有不同的优化策略。例如，同一设备，同一系统环境信息下，白天上班时间的使用场景，和晚上休息时间的使用场景对应的优化策略可不相同。
203、采用所述优化策略对所述设备中运行的进程进行优化。
例如，若所述设备当前的使用场景为浏览网页/玩游戏/看视频，则对所述浏览器/玩游戏/看视频的网速、内存使用率和CPU占用率进行保护；举例来说，关闭所述设备中占用网速超过预设带宽的其它进程或程序；关闭占用内存超过预设值的其他进程或程序，以及清理与该些其他进程、程序对应的垃圾文件；关闭占用CPU资源超过预设值的其他进程或程序。
若所述设备当前的使用场景为文档作业，则对所述文档作业的内存使用率、CPU占用率、磁盘IO吞吐量进行保护；举例来说，关闭设备中使用网速的所有进程或程序，关闭占用内存超过预设值的其他进程或程序，以及清理与该些其他进程、程序对应的垃圾文件等等。
本实施例的计算设备的自适应优化方法，通过获取设备的进程信息，并根据进程信息和设备的系统环境信息确定设备的当前使用场景，进而能够结合用户当前使用场景的优化策略，以采用该优化策略对设备进行优化处理，由此，提高设备的运行速度，且提升用户体验。
图3A示出了本发明一实施例提供的计算设备的自适应优化方法的流程示意图，如图3A所示，本实施例的计算设备的自适应优化方法如下所述。
301、获取设备中的进程信息，所述进程信息包括：设备中的每一进程的标识以及每一进程所占用的系统资源信息、用户当前使用的进程的信息。
通常，进程信息还可包括：用户当前使用的进程的信息、以及用户当前使用的至少一个进程的时间戳信息、每一进程的使用记录、设备中所有运行的进程信息等。
302、将所述进程信息和所述系统环境信息作为预设场景模型的输入，根据所述场景模型的输出信息识别所述设备当前的使用场景。
本实施例中，所述场景模型可为云服务器预先收集多个设备的进程信息和系统环境信息训练形成的发送所述设备的模型。该处的场景模型用于识别设备当前的使用场景。
设备当前的使用场景可以是，用户通过浏览器正在看视频，同时任务栏中排列有多个word文档和pdf文件；另一当前使用的场景可以如图3B所示，用户正在使用设备中的协同软件，同时打开有PDF文档、浏览器、绘图软件等。
举例来说，该步骤中的场景模型的获取方式可包括下述的步骤A01至步骤A04：
A01、针对不同的使用场景，分别收集各个设备的进程信息、系统环境信息，所述收集的多个进程信息、系统环境信息及其对应使用场景标识形成训练集合。
本实施例中的系统环境信息可为该设备实际的硬件环境(如CPU信息、内存信息和硬盘信息)和软件环境如操作系统的版本信息、操作系统自带的软件信息、以及注册表信息或接口函数信息等。
通常，自适应优化装置可以使用函数GetVersionEx获取关于操作系统版本的信息OSVersionInfo等，在根据不同操作系统的OSVersionInfo对照表，判定当前操作系统是XP还是Win7等，并且可以通过IsWow64Process判断当前操作系统是64位版本还是32位版本的操作系统。
A02、训练步骤：从所述训练集合中选取多个训练子集，利用所述训练子集进行训练获得分类器，所述训练子集包括：从所述训练集合中选取的多个进程信息、系统环境信息。
A03、重复所述训练步骤获得多个分类器。
也就是说，训练步骤每被执行一次可以获得一个分类器，训练步骤的多次执行会获得多个不同的分类器，在每次执行训练步骤时，均会从训练集合中选取多个进程信息、系统环境信息及其对应使用场景标识等形成训练子集，正常情况下，任意次执行训练步骤所形成的两个训练子集应该是不相同的。
本实施例可以根据预先设置的选取策略来从训练集合中选取多个进程信息及对应的系统环境信息形成训练子集，该选取策略可以根据实际需求来设置；一个具体的例子，可根据训练集合中各个进程信息的权重值大小来选取，也可通过其它随机选取等形成训练子集。
A04、根据输入各分类器的进程信息、系统环境信息以及各分类器对输入的进程信息、系统环境信息的场景识别结果，将多个分类器融合为场景模型。
可理解的是，场景模型的获取方式可离线获取。
303、将所述设备当前的使用场景的标识发送云服务器，以使云服务器查找与当前的使用场景匹配的优化策略。
也就是说，设备可将当前的使用场景的标识发送云服务器，以使云服务器查找与当前使用场景标识匹配的优化策略。
304、接收云服务器发送的与当前的使用场景匹配的优化策略。
305、采用所述优化策略对所述设备运行的进程进行优化。
例如，根据用户当前使用的进程的标识，在预设进程表中，确定所述当前使用的进程的标识的守护进程；
结束所述设备中除当前使用的进程和所述守护进程之外的内存使用率达到预设阈值的进程，并清理垃圾数据；或者，
结束所述设备中除当前使用的进程和所述守护进程之外的CPU占用率达到预设阈值的进程，并清理垃圾数据；或者，
结束所述设备中除当前使用的进程和所述守护进程之外的磁盘IO信息达到预设阈值的进程，并清理垃圾数据。
也就是说，同一使用场景在不同操作系统的设备中，可能优化策略不同。进一步地，不同的时间段例如上班时间和下班时间，同一设备中相同场景优化策略可能不同，进而可根据用户的使用场景具体进行优化，保证用户的正常使用，且保证设备的运行速度，提升用户体验。
本实施例的自适应优化方法，可以结合用户当前使用的场景对设备进行个性化的优化操作，由此，可提高设备的运行速率，同时提升用户体验。
以下举例说明形成场景模型的一个具体例子：
设定通过上述训练步骤获得L个分类器，即分类器h1、分类器h2，……，分类器hL，包含有将L个分类器融合为各场景的场景模型过程的一个具体例子为：
对于一个或者多个具有确定系统环境信息、使用场景的进程信息，将这样的进程信息作为L个分类器的输入，每个分类器都会输出其识别出的当前使用场景的信息(如该使用场景的概率等)，由于预先知道作为输入的进程信息的使用场景，因此，本具体例子可以针对预先知道的使用场景对各个分类器hi对进程信息的识别结果进行综合计算(如加权投票等)，以使综合计算结果所对应的场景与预先知道的使用场景相符；针对明确具有不同使用场景的进程信息，上述对各个分类器hi对进程信息的识别结果进行综合计算的计算方式即形成各使用场景的场景模型，如不同使用场景的场景模型具有不同的加权投票方式。
形成各场合的环境模型过程的一个具体例子为：
设定分类器一共有L个，即h1、h2，……，hL；
设定不同使用场景的场景模型一共有MODEL_NUM个，即M1、M2、……MMODEL_NUM；
其中：
M1＝f1(h1、h2，……，hL)；
M2＝f2(h1、h2，……，hL)；……
MMODEL_NUM＝fMODEL_NUM(h1、h2，……，hL)；
也就是说，每一个场景模型都是分类器的函数，例如：
M1＝ah1+bh2+……+chL；且其中的a、b、……和c为系数；
M2＝dh1+eh2+……+fhL；且其中的d、e、……和f为系数；
需要特别说明的是，上述各场景模型均是L个分类器的线性组合，然而在实际应用中，各场景模型不一定是L个分类器的线性组合，完全可以基于其他函数来使L个分类器形成场景模型，具体所采用的函数可以根据实际情况来设置，并可以随时调整更新。
图4示出了本发明一实施例提供的自适应优化装置的结构示意图，如图4所示，本实施例的自适应优化装置包括：进程信息获取单元41、优化策略获取单元42、优化单元43；
其中，进程信息获取单元41用于获取设备中的进程信息，所述进程信息包括当前所有运行的进程信息和用户当前正在使用的进程的信息；
优化策略获取单元42用于根据所述进程信息，确定所述设备的当前使用场景，获取与当前使用场景匹配的优化策略；
优化单元43用于采用所述优化策略对所述设备中运行的进程进行优化。
本实施例中，每一进程当前占用系统资源的信息根据如下一项或多项信息计算得到：该进程的内存使用率，中央处理器CPU占用率，磁盘输入输出IO吞吐量、网络吞吐量；
所述进程信息还包括：用户当前使用的至少一个进程的时间戳信息、每一进程的使用记录。
在一种可选的实现场景中，所述优化策略获取单元42可具体用于，将所述进程信息发送服务器，以使所述服务器根据所述进程信息确定设备的当前使用场景，以及与该当前使用场景匹配的优化策略；
接收所述服务器发送的所述设备的当前使用场景的标识，以及与该当前使用场景匹配的优化策略；
其中，所述优化策略为所述服务器根据多个设备的使用场景统计的优化策略。
在另一种可选的实现场景中，所述优化策略获取单元42具体用于，
将所述进程信息作为预设场景模型的输入，根据所述场景模型的输出信息识别所述设备当前的使用场景；
将所述设备当前的使用场景的标识发送服务器，以使服务器查找与当前的使用场景的标识匹配的优化策略；
接收所述服务器发送的与当前的使用场景匹配的优化策略；
所述场景模型为服务器根据预先收集多个设备的进程信息训练形成的发送至所述设备的模型。。
在第三种可选的实现场景中，所述优化单元43具体用于，若所述设备当前的使用场景为浏览网页/玩游戏/看视频，则对所述浏览器/玩游戏/看视频的网速、内存使用率和CPU占用率进行保护；
若所述设备当前的使用场景为文档作业，则对所述文档作业的内存使用率、CPU占用率、磁盘IO吞吐量进行保护。
在第四种可选的实现场景中，所述优化单元43具体用于
根据用户当前使用的进程的标识，在预设进程表中，确定所述当前使用的进程的标识的守护进程；
结束所述设备中除当前使用的进程和所述守护进程之外的内存使用率达到预设阈值的进程，并清理垃圾数据；或者，
结束所述设备中除当前使用的进程和所述守护进程之外的CPU占用率达到预设阈值的进程，并清理垃圾数据；或者，
结束所述设备中除当前使用的进程和所述守护进程之外的磁盘IO吞吐量达到预设阈值的进程，并清理垃圾数据。
或者，结束所述设备中除用户当前正在使用的进程之外的内存使用率达到预设阈值的进程，并清理缓存数据和/或临时数据；
或者，结束所述设备中除用户当前正在使用的进程之外的CPU占用率达到预设阈值的进程，并清理缓存数据和/或临时数据；
或者，结束所述设备中除用户当前正在使用的进程之外的磁盘IO吞吐量达到预设阈值的进程，并清理缓存数据和/或临时数据。
此外，本实施例的自适应优化装置还可包括图中未示出的场景模型获取单元44，该场景模型获取单元44用于针对不同的使用场景，分别收集各个设备的进程信息、系统环境信息，所述收集的多个进程信息、系统环境信息及其对应使用场景标识形成训练集合；
从所述训练集合中选取多个训练子集，利用所述训练子集进行训练获得分类器，所述训练子集包括：从所述训练集合中选取的多个进程信息、系统环境信息及其对应使用场景标识；
重复所述训练获得多个分类器；
根据输入各分类器的进程信息、系统环境信息、使用场景标识，以及各分类器对输入的进程信息、系统环境信息的场景识别结果，将多个分类器融合为场景模型；
其中，所述场景模型用于识别设备当前的使用场景。
或者，场景模型获取单元可用于针对不同的使用场景，分别收集各个设备的进程信息，所述收集的多个进程信息及其对应使用场景的标识形成训练集合；
从所述训练集合中选取多个训练子集，利用所述训练子集进行训练获得分类器，所述训练子集包括：从所述训练集合中选取的多个进程信息；
重复所述训练获得多个分类器；
根据输入各分类器的进程信息，以及各分类器对输入的进程信息的场景识别结果，将多个分类器融合为场景模型；
其中，所述场景模型用于识别设备当前的使用场景。
本实施例的自适应优化装置可执行前述的方法实施例的流程，可以结合用户当前使用的场景获取该场景的优化策略，进而采用该优化策略对设备进行个性化的优化操作，由此，可提高设备的运行速率，同时提升用户体验。
本发明的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本发明公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释呈反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在于该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是互相排斥之处，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的一种浏览器终端的设备中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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，或者对其中部分或者全部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范围，其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (10)
1.一种自适应优化装置，其特征在于，包括：
进程信息获取单元，用于获取设备中的进程信息，所述进程信息包括当前所有运行的进程信息和用户当前正在使用的进程的信息；
优化策略获取单元，用于根据所述进程信息，确定所述设备的当前使用场景，获取与当前使用场景匹配的优化策略；
优化单元，用于采用所述优化策略对所述设备中运行的进程进行优化。
2.根据权利要求1所述的装置，其特征在于，所述优化策略获取单元，具体用于
将所述进程信息发送服务器，以使所述服务器根据所述进程信息确定设备的当前使用场景，以及与该当前使用场景匹配的优化策略；
接收所述服务器发送的所述设备的当前使用场景的标识，以及与该当前使用场景匹配的优化策略；
其中，所述优化策略为所述服务器根据多个设备的使用场景统计的优化策略。
3.根据权利要求1所述的装置，其特征在于，所述优化策略获取单元，具体用于
将所述进程信息作为预设场景模型的输入，根据所述场景模型的输出信息识别所述设备当前的使用场景；
将所述设备当前的使用场景的标识发送服务器，以使服务器查找与当前的使用场景的标识匹配的优化策略；
接收所述服务器发送的与当前的使用场景匹配的优化策略；
所述场景模型为服务器根据预先收集多个设备的进程信息训练形成的发送至所述设备的模型。
4.根据权利要求3所述的装置，其特征在于，所述装置还包括：
场景模型获取单元，用于针对不同的使用场景，分别收集各个设备的进程信息，所述收集的多个进程信息及其对应使用场景的标识形成训练集合；
从所述训练集合中选取多个训练子集，利用所述训练子集进行训练获得分类器，所述训练子集包括：从所述训练集合中选取的多个进程信息；
重复所述训练获得多个分类器；
根据输入各分类器的进程信息，以及各分类器对输入的进程信息的场景识别结果，将多个分类器融合为场景模型；
其中，所述场景模型用于识别设备当前的使用场景。
5.根据权利要求1至4任一所述的装置，其特征在于，所述优化单元，具体用于
结束所述设备中除用户当前正在使用的进程之外的内存使用率达到预设阈值的进程，并清理缓存数据和/或临时数据；或者，
结束所述设备中除用户当前正在使用的进程之外的CPU占用率达到预设阈值的进程，并清理缓存数据和/或临时数据；或者，
结束所述设备中除用户当前正在使用的进程之外的磁盘IO吞吐量达到预设阈值的进程，并清理缓存数据和/或临时数据。
6.一种计算设备的自适应优化方法，其特征在于，包括：
获取设备中的进程信息，所述进程信息包括当前所有运行的进程信息和用户当前正在使用的进程的信息；
根据所述进程信息，确定所述设备的当前使用场景；
获取与当前使用场景匹配的优化策略；
采用所述优化策略对所述设备中运行的进程进行优化。
7.根据权利要求6所述的方法，其特征在于，根据所述进程信息，确定所述设备的当前使用场景，获取与当前使用场景匹配的优化策略，包括：
将所述进程信息发送服务器，以使所述服务器根据所述进程信息确定设备的当前使用场景，以及与该当前使用场景匹配的优化策略；
接收所述服务器发送的所述设备的当前使用场景的标识，以及与该当前使用场景匹配的优化策略；
其中，所述优化策略为所述服务器根据多个设备的使用场景统计的优化策略。
8.根据权利要求6所述的方法，其特征在于，根据所述进程信息，确定所述设备的当前使用场景，获取与当前使用场景匹配的优化策略，包括：
将所述进程信息作为预设场景模型的输入，根据所述场景模型的输出信息识别所述设备当前的使用场景；
将所述设备当前的使用场景的标识发送服务器，以使服务器查找与当前的使用场景的标识匹配的优化策略；
接收所述服务器发送的与当前的使用场景匹配的优化策略；
所述场景模型为服务器根据预先收集多个设备的进程信息训练形成的发送至所述设备的模型。
9.根据权利要求8所述的方法，其特征在于，所述场景模型的获取方式，包括：
针对不同的使用场景，分别收集各个设备的进程信息，所述收集的多个进程信息及其对应使用场景的标识形成训练集合；
训练步骤：从所述训练集合中选取多个训练子集，利用所述训练子集进行训练获得分类器，所述训练子集包括：从所述训练集合中选取的多个进程信息；
重复所述训练步骤获得多个分类器；
根据输入各分类器的进程信息，以及各分类器对输入的进程信息的场景识别结果，将多个分类器融合为场景模型；
其中，所述场景模型用于识别设备当前的使用场景。
10.根据权利要求6至9任一所述的方法，其特征在于，采用所述优化策略对所述设备中运行的进程进行优化，包括：
结束所述设备中除用户当前正在使用的进程之外的内存使用率达到预设阈值的进程，并清理缓存数据和/或临时数据；或者，
结束所述设备中除用户当前正在使用的进程之外的CPU占用率达到预设阈值的进程，并清理缓存数据和/或临时数据；或者，
结束所述设备中除用户当前正在使用的进程之外的磁盘IO吞吐量达到预设阈值的进程，并清理缓存数据和/或临时数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410778561.4A CN104461711B (zh) | 2014-12-15 | 2014-12-15 | 计算设备的自适应优化方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410778561.4A CN104461711B (zh) | 2014-12-15 | 2014-12-15 | 计算设备的自适应优化方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104461711A true CN104461711A (zh) | 2015-03-25 |
| CN104461711B CN104461711B (zh) | 2017-05-17 |
Family
ID=52907813
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410778561.4A Active CN104461711B (zh) | 2014-12-15 | 2014-12-15 | 计算设备的自适应优化方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104461711B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106250181A (zh) * | 2016-07-27 | 2016-12-21 | 浪潮(北京)电子信息产业有限公司 | 一种Linux操作系统的性能优化方法及框架 |
| CN106897141A (zh) * | 2015-12-21 | 2017-06-27 | 北京奇虎科技有限公司 | 信息的处理方法及装置 |
| CN107133094A (zh) * | 2017-06-05 | 2017-09-05 | 努比亚技术有限公司 | 应用管理方法、移动终端及计算机可读存储介质 |
| CN107273164A (zh) * | 2017-06-16 | 2017-10-20 | 郑州云海信息技术有限公司 | 一种实现Linux系统性能优化时自动匹配场景优化策略的方法 |
| CN107832848A (zh) * | 2017-10-31 | 2018-03-23 | 广东欧珀移动通信有限公司 | 应用管理方法、装置、存储介质及电子设备 |
| WO2019052389A1 (zh) * | 2017-09-13 | 2019-03-21 | 上海思岚科技有限公司 | 一种移动机器人中的任务优化方法及设备 |
| WO2019085840A1 (zh) * | 2017-10-31 | 2019-05-09 | Oppo广东移动通信有限公司 | 资源调整方法及装置 |
| CN109960397A (zh) * | 2019-03-28 | 2019-07-02 | 联想(北京)有限公司 | 控制方法、控制装置、电子设备和计算机可读存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120239453A1 (en) * | 2011-03-18 | 2012-09-20 | International Business Machines Corporation | Resource cost optimization system, method, and program |
| CN103136029A (zh) * | 2013-03-12 | 2013-06-05 | 无锡江南计算技术研究所 | 即时编译系统自适应调优方法 |
| CN103279353A (zh) * | 2013-05-31 | 2013-09-04 | 新浪网技术(中国)有限公司 | 一种应用优化策略确定方法、装置及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103955405B (zh) * | 2014-04-01 | 2017-10-24 | 珠海市君天电子科技有限公司 | 一种应用管理方法及其装置 |
-
2014
- 2014-12-15 CN CN201410778561.4A patent/CN104461711B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120239453A1 (en) * | 2011-03-18 | 2012-09-20 | International Business Machines Corporation | Resource cost optimization system, method, and program |
| CN103136029A (zh) * | 2013-03-12 | 2013-06-05 | 无锡江南计算技术研究所 | 即时编译系统自适应调优方法 |
| CN103279353A (zh) * | 2013-05-31 | 2013-09-04 | 新浪网技术(中国)有限公司 | 一种应用优化策略确定方法、装置及系统 |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106897141A (zh) * | 2015-12-21 | 2017-06-27 | 北京奇虎科技有限公司 | 信息的处理方法及装置 |
| CN106250181A (zh) * | 2016-07-27 | 2016-12-21 | 浪潮(北京)电子信息产业有限公司 | 一种Linux操作系统的性能优化方法及框架 |
| CN107133094A (zh) * | 2017-06-05 | 2017-09-05 | 努比亚技术有限公司 | 应用管理方法、移动终端及计算机可读存储介质 |
| CN107133094B (zh) * | 2017-06-05 | 2021-11-02 | 努比亚技术有限公司 | 应用管理方法、移动终端及计算机可读存储介质 |
| CN107273164A (zh) * | 2017-06-16 | 2017-10-20 | 郑州云海信息技术有限公司 | 一种实现Linux系统性能优化时自动匹配场景优化策略的方法 |
| WO2019052389A1 (zh) * | 2017-09-13 | 2019-03-21 | 上海思岚科技有限公司 | 一种移动机器人中的任务优化方法及设备 |
| US11561820B2 (en) | 2017-09-13 | 2023-01-24 | Shanghai Slamtec Co., Ltd. | Task optimization method and task optimization device in mobile robot |
| CN107832848A (zh) * | 2017-10-31 | 2018-03-23 | 广东欧珀移动通信有限公司 | 应用管理方法、装置、存储介质及电子设备 |
| WO2019085840A1 (zh) * | 2017-10-31 | 2019-05-09 | Oppo广东移动通信有限公司 | 资源调整方法及装置 |
| CN107832848B (zh) * | 2017-10-31 | 2019-09-24 | Oppo广东移动通信有限公司 | 应用管理方法、装置、存储介质及电子设备 |
| CN109960397A (zh) * | 2019-03-28 | 2019-07-02 | 联想(北京)有限公司 | 控制方法、控制装置、电子设备和计算机可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104461711B (zh) | 2017-05-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104461711A (zh) | 计算设备的自适应优化方法及装置 | |
| US10412170B2 (en) | Retention-based data management in a network-based data store | |
| US9344515B2 (en) | Social-driven precaching of accessible objects | |
| US8650144B2 (en) | Apparatus and methods for lossless compression of numerical attributes in rule based systems | |
| CN102148805B (zh) | 特征匹配方法和装置 | |
| CN105474200A (zh) | 具有占位符的水合和脱水 | |
| US10108501B2 (en) | Terminal backup and recovery method | |
| CN102567138A (zh) | 计算环境中按优先顺序排列要备份的数据项的方法和系统 | |
| CN106357789B (zh) | 一种信息访问控制方法、服务器及计算机可读存储介质 | |
| CN107958079A (zh) | 聚合文件删除方法、系统、装置及可读存储介质 | |
| US20120331085A1 (en) | Load balancing based upon data usage | |
| CN105493095A (zh) | 用于样本提交的自适应和递归过滤 | |
| KR102061466B1 (ko) | 메모리 관리를 위한 보존 가비지 콜렉팅 및 정수 태깅 기법 | |
| US20190056877A1 (en) | Storage domain growth management | |
| CN104903890A (zh) | 用于选择性地路由高速缓存的对象的系统和方法 | |
| CN104462096A (zh) | 舆情监测分析方法和装置 | |
| US11210183B2 (en) | Memory health tracking for differentiated data recovery configurations | |
| CN104965835A (zh) | 一种分布式文件系统的文件读写方法及装置 | |
| CN103595808A (zh) | 一种文件更新信息推送方法及装置 | |
| US8204964B2 (en) | Efficient size optimization of visual information or auditory information | |
| CN104090924B (zh) | 一种隐私数据的清理方法和装置 | |
| CN108363727A (zh) | 一种基于zfs文件系统的数据存储方法及装置 | |
| CN101799785A (zh) | 信息处理设备、信息处理方法和程序 | |
| EP2962201A1 (en) | Sending a request to a management service | |
| CN103942012A (zh) | 一种读取数据的方法、装置及设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20220726 Address after: Room 801, 8th floor, No. 104, floors 1-19, building 2, yard 6, Jiuxianqiao Road, Chaoyang District, Beijing 100015 Patentee after: BEIJING QIHOO TECHNOLOGY Co.,Ltd. Address before: 100088 room 112, block D, 28 new street, new street, Xicheng District, Beijing (Desheng Park) Patentee before: BEIJING QIHOO TECHNOLOGY Co.,Ltd. Patentee before: Qizhi software (Beijing) Co.,Ltd. |
|
| TR01 | Transfer of patent right |