CN107678803A - 应用管控方法、装置、存储介质及电子设备 - Google Patents
应用管控方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN107678803A CN107678803A CN201710940060.5A CN201710940060A CN107678803A CN 107678803 A CN107678803 A CN 107678803A CN 201710940060 A CN201710940060 A CN 201710940060A CN 107678803 A CN107678803 A CN 107678803A
- Authority
- CN
- China
- Prior art keywords
- application
- training
- preset
- sampling time
- connection state
- 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
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000012549 training Methods 0.000 claims abstract description 190
- 238000005070 sampling Methods 0.000 claims abstract description 129
- 238000007477 logistic regression Methods 0.000 claims description 50
- 238000007726 management method Methods 0.000 claims description 44
- 230000006870 function Effects 0.000 claims description 39
- 238000004140 cleaning Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000011478 gradient descent method Methods 0.000 claims description 8
- 235000009854 Cucurbita moschata Nutrition 0.000 claims 1
- 240000001980 Cucurbita pepo Species 0.000 claims 1
- 235000009852 Cucurbita pepo Nutrition 0.000 claims 1
- 238000009795 derivation Methods 0.000 claims 1
- 235000020354 squash Nutrition 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 13
- 230000008859 change Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 3
- 101150053844 APP1 gene Proteins 0.000 description 2
- 101100189105 Homo sapiens PABPC4 gene Proteins 0.000 description 2
- 102100039424 Polyadenylate-binding protein 4 Human genes 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 101100055496 Arabidopsis thaliana APP2 gene Proteins 0.000 description 1
- ODINCKMPIJJUCX-UHFFFAOYSA-N Calcium oxide Chemical compound [Ca]=O ODINCKMPIJJUCX-UHFFFAOYSA-N 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 101100016250 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) GYL1 gene Proteins 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 238000012905 input function Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000000060 site-specific infrared dichroism spectroscopy Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/445—Program loading or initiating
- G06F9/44594—Unloading
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
- G06F1/26—Power supply means, e.g. regulation thereof
- G06F1/32—Means for saving power
- G06F1/3203—Power management, i.e. event-based initiation of a power-saving mode
- G06F1/3234—Power saving characterised by the action undertaken
- G06F1/3246—Power saving characterised by the action undertaken by software initiated power-off
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Telephone Function (AREA)
Abstract
本申请公开了一种应用管控方法、装置、存储介质及电子设备。所述应用管控方法应用于电子设备,包括:获取历史时段内每一采样时间点所述电子设备的运行参数,所述运行参数包括前台应用、剩余电量、已亮屏时长、充电连接状态以及网络连接状态,根据所述采样时间点和运行参数生成训练样本,对所述训练样本进行训练得到逻辑回归模型,通过训练所述逻辑回归模型,对所述电子设备中的后台应用进行管控。本申请实施例通过采集电子设备的运行参数生成训练样本,并利用逻辑回归模型预测应用是否可清理,以提高对后台应用进行预测的准确性,从而提升对后台应用进行管控的智能化和准确性。
Description
技术领域
本申请涉及移动通信技术领域,尤其涉及移动设备技术领域,具体涉及一种应用控方法、装置、存储介质及电子设备。
背景技术
随着电子技术的发展,人们通常在电子设备上安装很多应用程序。当用户在电子设备中打开多个应用程序时,若用户退回电子设备的桌面或者停留在某一应用程序的应用界面或者管控电子设备屏幕,则用户打开的多个应用程序依然会在电子设备的后台运行。然而在后台运行的应用程序会严重地占用电子设备的内存,并且导致电子设备的耗电速度加快,而且还会降低电子设备的运行流畅度。
发明内容
本申请实施例提供一种应用管控方法、装置、存储介质及电子设备,能够提升对应用程序进行管控的智能化和准确性。
本申请实施例提供了一种应用管控方法,应用于电子设备,所述方法包括:
获取历史时段内每一采样时间点所述电子设备的运行参数,所述运行参数包括前台应用、剩余电量、已亮屏时长、充电连接状态以及网络连接状态;
根据所述采样时间点和运行参数生成训练样本;
对所述训练样本进行训练得到逻辑回归模型;
通过训练所述逻辑回归模型,对所述电子设备中的后台应用进行管控。
本申请实施例还提供了一种应用管控装置,所述装置包括:
获取模块,用于获取历史时段内每一采样时间点所述电子设备的运行参数,所述运行参数包括前台应用、剩余电量、已亮屏时长、充电连接状态以及网络连接状态;
生成模块,用于根据所述采样时间点和运行参数生成训练样本;
训练模块,用于对所述训练样本进行训练得到逻辑回归模型;
管控模块,用于通过训练所述逻辑回归模型,对所述电子设备中的后台应用进行管控。
本申请实施例还提供一种存储介质,其上存储有计算机程序,当所述计算机程序在计算机上运行时,使得所述计算机执行如上所述的应用管控方法。
本申请实施例还提供一种电子设备,包括存储器和处理器,其特征在于,所述处理器通过调用所述存储器中存储的计算机程序,用于执行如上所述的应用管控方法。
本申请实施例获取历史时段内每一采样时间点所述电子设备的运行参数,所述运行参数包括前台应用、剩余电量、已亮屏时长、充电连接状态以及网络连接状态,根据所述采样时间点和运行参数生成训练样本,对所述训练样本进行训练得到逻辑回归模型,通过训练所述逻辑回归模型,对所述电子设备中的后台应用进行管控。本申请实施例通过采集电子设备的运行参数生成训练样本,并利用逻辑回归模型预测应用是否可清理,以提高对后台应用进行预测的准确性,从而提升对后台应用进行管控的智能化和准确性。
附图说明
下面结合附图,通过对本申请的具体实施方式详细描述,将使本申请的技术方案及其它有益效果显而易见。
图1为本申请实施例提供的一种应用管控装置的系统示意图。
图2为本申请实施例提供的一种应用管控装置的应用场景示意图。
图3为本申请实施例提供的一种应用管控方法的流程示意图。
图4为本申请实施例提供的步骤12的流程示意图。
图5为本申请实施例提供的步骤123的流程示意图。
图6为本申请实施例提供的步骤1233的流程示意图。
图7为本申请实施例提供的步骤1234的流程示意图。
图8为本申请实施例提供的步骤14的流程示意图。
图9为本申请实施例提供的逻辑回归模型的框架示意图。
图10为本申请实施例提供的一种应用管控装置的结构示意图。
图11为本申请实施例提供的生成模块的结构示意图。
图12为本申请实施例提供的第二确定单元的结构示意图。
图13为本申请实施例提供的生成单元的结构示意图。
图14为本申请实施例提供的训练模块的结构示意图。
图15为本申请实施例提供的管控模块的结构示意图。
图16为本申请实施例提供的一种电子设备的结构示意图。
图17为本申请实施例提供的一种电子设备的另一结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。可以理解的是,此处所描述的具体实施例仅用于解释本申请,而非对本申请的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本申请相关的部分而非全部结构。基于本申请中的实施例,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,都属于本申请保护的范围。
本申请中的术语“第一”和“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或模块的过程、方法、系统、产品或设备没有限定于已列出的步骤或模块,而是可选地还包括没有列出的步骤或模块,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或模块。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现所述短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
在现有技术中,对后台的应用程序进行管控时,通常直接根据电子设备的内存占用情况以及各应用程序的优先级,对后台的部分应用程序进行清理,以释放内存。然而有些应用程序对用户很重要、或者用户在短时间内需要再次使用某些应用程序,若在对后进行清理时将这些应用程序清理掉,则用户再次使用这些应用程序时需要电子设备重新加载这些应用程序的进程,需要耗费大量时间及内存资源。其中,所述电子设备可以是智能手机、平板电脑、台式电脑、笔记本电脑、或者掌上电脑等设备。
请参阅图1,图1为本申请实施例提供的一种应用管控装置的系统示意图。所述应用管控装置主要用于:预先采集用户在使用电子设备过程中的行为数据,以提取包含有每一采用实际点所述电子设备运行参数的特征信息作为样本参数,并根据所述特征信息生成训练样本,并对所述训练样本进行标记,通过对所述训练样本进行训练得到逻辑回归模型,并利用所述逻辑回归模型进行预测,以生成预测结果,并根据所述预测结果对后台应用进行管控,例如关闭、或者冻结等。
具体的,请参阅图2,图2为本申请实施例提供的一种应用管控装置的应用场景示意图。比如,应用管控装置在接收到管控请求时,检测到在电子设备的后台运行的应用程序包括应用a、应用b以及应用c;然后将训练样本中的多个样本参数输入逻辑回归模型,分别获应用a的可清理概率a’、应用b的可清理概率b’以及应用c的可清理概率c’,根据概率a’、概率b’以及概率c’与预设阈值之间的大小关系,对后台运行的应序a、应用b以及应用c进行管控,例如将概率a’大于预设阈值的应用a进行关闭处理,以使得在后台运行的应用程序调整为应用b和应用c。
本申请实施例提供的一种应用管控方法的执行主体,可以为本申请实施例提供的一种应用管控装置,或者集成了所述应用管控装置的电子设备(譬如掌上电脑、平板电脑、智能手机等),所述应用管控装置可以采用硬件或者软件的方式实现。
请参阅图3至图9,图3至图8均为本申请实施例提供的一种应用管控方法的流程示意图,图9为本申请实施例提供的逻辑回归模型的框架示意图。所述方法应用于电子设备中,所述方法包括:
步骤11,获取历史时段内每一采样时间点所述电子设备的运行参数,所述运行参数包括前台应用、剩余电量、已亮屏时长、充电连接状态以及网络连接状态。
其中,所述历史时段可以人为设定,比如可以是前一个月或前两个月。所述采样时间点主要指采样频率,比如可以每分钟或者每两分钟采样一次,其可以表现为x年x月x日x时x分的形式。所述充电连接状态和网络连接状态均可以包括连接和未连接两种情况。
实际应用过程中,所述运行参数可以是实时获取的,比如到达采样时间点即进行对应数据的采集操作,也可以是一次性获取的,比如电子设备可以提前在本地数据库中记录历史时段内每一次亮灭屏变化数据、充电状态变化数据、网络状态变化数据、以及应用打开数据,之后,可以根据采样频率一次性提取出每一采样时间点的运行参数。
譬如,所述历史时段可以是过去一个月,所述采样时间点可以是过去一个月内每分钟。所述运行参数可以是从数据库中提取出来的,所述数据库内可以存储有过去一个月电子设备中应用的使用记录、屏幕的亮灭记录、充电记录以及WiFi连接记录,如下表1-4所示,根据这些记录可以提取出每一采样时间点的运行参数。
应用名 | 打开此应用的时间戳 |
com.tencent.mobileqq | 1497590695469 |
com.android.settings | 1497609107922 |
... | ... |
表1:应用使用记录
屏幕状态变化 | 时间戳 |
亮->灭 | 1497609131975 |
灭->亮 | 1497609191786 |
... | ... |
表2:亮屏灭屏记录
充电状态变化 | 电量 | 时间戳 |
进入充电 | 23% | 1497609131910 |
灭退出充电 | 80% | 1497609191786 |
... | ... |
表3:充电记录
Wifi状态变化 | SSID | BSSID | 时间戳 |
连接wifi | ... | ... | 1497609111510 |
断开wifi | ... | ... | 1497609131286 |
... | ... |
表4:Wifi记录
步骤12,根据所述采样时间点和运行参数生成训练样本。
在一些实施例中,如图4所示,所述步骤12可以通过步骤121至步骤123来实现,具体为:
步骤121,根据所述采样时间点确定采样日期类型和采样时段。
其中,所述采样日期类型是对每周进行划分,其可以包括工作日和周末。所述采样时段是对每天进行划分,其可以将一天分为48个时段。
譬如,若采样时间点为2012年10月17日10时55分,每天可以分为48个时段,则当天为周三,其采样日期类型为工作日,采样时段为第11个时段。
步骤122,确定所述剩余电量所属的预设电量范围,以及确定所述已亮屏时长所属的预设时长范围。
其中,所述预设电量范围和预设时长范围均可以人为设定,所述预设电量范围可以包括指示高电量、中电量和低电量的三个区间范围。比如高电量可以是70%-100%,中电量可以是40%-70%,低电量可以是0-40%等,所述预设时长范围可以包括指示短、中和长的三个区间范围,比如长可以是10min以上,中可以是5-10min,短可以是0-5min。
譬如,若剩余电量为80%,则所述剩余电量所属的预设电量范围可以为70%-100%所对应的高电量。若已亮屏时长为3min,则已所述已亮屏时长所属的预设时长范围可以为0-5min所对应的短时长。
步骤123,根据所述采样日期类型、采样时段、预设电量范围、预设时长范围、前台应用、充电连接状态和网络连接状态生成训练样本。
在一些实施例中,如图5所示,所述步骤123可以通过步骤1231至步骤1234来实现,具体为:
步骤1231,获取目标预测应用。
其中,所述目标预测应用可以是电子设备中所安装的全部应用,也可以是部分应用,当为部分应用时,其可以是近期出现频率最高的若干个应用,具体数量可以根据实际需求而定。
步骤1232,根据所述采样时间点从运行参数中确定所述前台应用的上一切换应用和下一切换应用。
其中,由于历史时段内每次采样获得的前台应用都是已知的,故对于任意一次采样获得的前台应用,在所述采样时间点之前获得的不同前台应用都可以认为是当前前台应用的上一切换应用,在所述采样时间点之后获得的不同前台应用都可以认为是当前前台应用的下一切换应用,通常,可以取离当前采样时间点最近的不同前台应用作为上一切换应用和下一切换应用。实际操作过程中,可以先根据采样时间点对所有前台应用进行排序,对于排序后的任意三个相邻的不同前台应用,前面的前台应用可以作为中间的前台应用的上一切换应用,后面的前台应用可以作为中间的前台应用的下一切换应用。
譬如,所述目标预测应用可以是近期出现频率最高的十个个应用APP1、APP2…APP10。可以先根据采样时间点对所有前台应用进行排序,对于排序后的任意三个相邻的不同前台应用,前面的前台应用可以作为中间的前台应用的上一切换应用,后面的前台应用可以作为中间的前台应用的下一切换应用,比如对于某个采样时间点,前台应用可以为APP10,上一切换应用可以为APP1,下一切换应用可以为APP5。
步骤1233,根据所述采样时间点、下一切换应用以及前台应用确定所述目标预测应用的预测值。
其中,所述预测值可以是人为设定的数值,比如0和1,其中,0可以表示所述目标预测应用不会在短时间内切换至前台使用,1可以表示所述目标预测应用会在短时间内切换至前台使用。由于在历史时段内采集的所有前台应用都是已知的,故可以根据已知前台应用、以及其采样时间点来确定目标预测应用的预测值。
在一些实施例中,如图6所示,所述步骤1233可以通过步骤12331至步骤12334来实现,具体为:
步骤12331,计算所述下一切换应用的采样时间点与前台应用的采样时间点之间的差值。
步骤12332,判断所述目标预测应用是否为所述下一切换应用,且所述差值是否不超过预设时长。若是,则执行步骤12323;若否,则执行步骤12324。
步骤12333,将所述目标预测应用的预测值确定为第一预设数值。
步骤12334,将所述目标预测应用的预测值确定为第二预设数值。
其中,所述预设时长、第一预设数值和第二预设数值均可以人为设定,所述预设时长主要用于界定时间长短,其可以是10min,所述第一预设数值可以是1,第二预设数值可以是0。对于每次采样,当需要预测的目标预测应用即为下一切换应用时,需要进一步分析从当前应用切换至下一切换应用所花的时长,只有当所述间隔时长在预设时长之内时,才可以将所述目标预测应用的预测值设为1,否则,全部设为0。
譬如,采样得到的前台应用可以为APP10,下一切换应用APP5与APP10的间隔时长为T1可以为5min,所述第一预设数值可以是1,第二预设数值可以是0,当目标预测应用为APP5,且所述预设时长为10min时,T1≤10,则可以将目标预测应用的预测值设定为1,否则,设定为0。
步骤1234,根据所述上一切换应用、前台应用、采样日期类型、采样时段、预设电量范围、预设时长范围、充电连接状态、网络连接状态、目标预测应用以及预测值生成训练样本。
其中,为从多个维度对用户行为进行分析,以使训练出的机器学习模型更拟人化,每一训练样本可以由多个已知特征项以及标记项的数据组成,所述已知特征项可以包括所述上一切换应用、前台应用、采样日期类型、采样时段、预设电量范围、预设时长范围、充电连接状态和网络连接状态等,所述标记项主要是用于标记应用是否可清理。
在一些实施例中,如图7所示,所述步骤1234可以通过步骤12341至步骤12342来实现,具体为:
步骤12341,分别获取所述上一切换应用、前台应用、采样日期类型、采样时段、预设电量范围、预设时长范围、充电连接状态、网络连接状态以及目标预测应用对应的特征值;
步骤12342,根据所述特征值和预测值生成训练样本。
其中,由于计算机程序一般以字符的形式编码运行,故所述特征值主要可以表现为阿拉伯数字或字母的形式,比如1-10,每一特征项也可以表现为字母的形式,比如前台应用为H,采样日期类型为B,等等。在生成训练样本时,可以直接将特征值作为先验条件,将每一目标预测应用的预测值作为后验结果,生成所述训练样本。
容易理解的是,每一特征项对应的特征值可以是预先设定好的,不同特征项的特征值可以相同,也可以不同,比如前台应用和采样时段的特征值都可以包括0~10,但是,每个数字在不同的特征项中指代的意义不同,比如对于前台应用,0可以指代美团,对于采样时段,0可以指代0:00-1:00这个时段。
譬如,所述特征值和特征项的对应关系可以为下表5:
表5
其中,可以以表5中的特征项及特征值作为输入对训练样本进行训练以得到表6所示的训练样本,表6中的训练样本新增了一栏标记项,用于标记目标预测应用是否可清理,所述标记值对应所述训练样本中的预测值y。比如,判断依据为所述所述目标预测应用会不会在10分钟内使用,不会使用则标记为可清理,对应标记值用True表示,对应的预测值y=1;会在10分钟内使用则标记为不可清理,对应标记值用False表示,对应的预测值y=0。
表6训练样本
在一些实施例中,所述根据所述特征值和预测值生成训练样本,包括:
将所述训练样本中的所述预测值为所述第一预设数值所对应的样本标记为正类子样本,将所述训练样本中的所述预测值为所述第二预设数值所对应的样本标记为负类子样本;
根据所述正类子样本与所述负类子样本生成训练样本。
步骤13,对所述训练样本进行训练得到逻辑回归模型。
在一些实施例中,所述对所述训练样本进行训练得到逻辑回归模型,包括:
(1)基于第一预设公式对所述训练样本进行训练,以生成损失函数,其中所述第一预设公式为:
其中,hθ(x(i))表示所述训练样本中的所述预测值确定为所述第一预设数值所对应的预测函数,x(i)表示所述训练样本中第i个样本对应的特征值,y(i)表示所述训练样本中第i个样本对应的预测值,m表示训练样本数目,θ表示回归参数。
其中,Cost(hθ(x(i)),y(i))=-y(i)loghθ(x(i))-(1-y(i))log(1-hθ(x(i)),则所述第一预设公式还可以表示为:
(2)根据梯度下降法对所述损失函数进行处理,以计算出回归参数θ。
在一些实施例中,所述(2)根据梯度下降法对所述损失函数进行处理以计算出回归参数θ,包括:
A、基于第三预设公式对所述第一预设公式求偏导处理,生成梯队下降函数,其中所述第三预设公式为:
其中表示所述训练样本中第i个训练样本的第j个特征值,θj表示第j个回归系数;
B、对所述梯队下降函数进行迭代计算,以计算出回归参数θ,具体为:
其中,j=[0,1,2,…,n],θ=[θ0,θ1,θ2,…,θn],α表示学习步长。
(1)譬如,首先,可以设定初始回归参数,然后在对所述梯队下降函数进行迭代计算,比如通过计算求出一组回归参数[θ0,θ1,...,θ18],以使得损失函数值J(θ)尽可能小,其中α是学习步长,是一个常数,比如α可以设置为0.5,具体计算过程如下:
(3)基于第二预设公式对所述回归参数以及所述训练样本进行训练,获得所述逻辑回归模型,其中所述第二预设公式为:
其中,hθ(x)表示预测函数。其中,0≤hθ(x)≤1。
步骤14,通过训练所述逻辑回归模型,对所述电子设备中的后台应用进行管控。
其中,当接收到后台应用清理指令时,所述逻辑回归模型根据所述当前运行参数以及所述训练样本进行预测,以生成预测结果,并根据所述预测结果对所述后台应用进行管控。
比如,生成的预设结果可以为所述后台应用即将不被使用,所述后台应用可清理;或者生成的预设结果为所述后台应用程序即将被使用,所述后台应用不可清理。
其中,可以在电子设备上训练所述逻辑回归模型,也可以将待训练的数据发送至服务器中,在服务器中训练所述逻辑回归模型,服务器再将训练后输出的预测结果发送至电子设备,以使电子设备根据所述预测结果对所述后台应用进行管控。
在一些实施例中,如图8所示,所述步骤14可以通过步骤141至步骤144来实现,具体为:
步骤141,获取后台应用清理指令。
其中,所述后台应用清理指令可以是电子设备自动生成的,比如内存占用量到达一定限度,或者电量不足,或者运行速度过慢,或者后台应用的数量达到预设数量时,生成所述后台应用清理指令,当然,所述后台应用清理指令也可以是用户手动操作生成的,比如用户可以通过点击指定清理图标来生成所述后台应用清理指令。
譬如,当检测到内存占用量到达一定限度,或者电量不足,或者运行速度过慢时,电子设备可以自动生成所述后台应用清理指令。
步骤142,根据所述后台应用清理指令获取所述电子设备的后台应用、以及当前的运行参数。
步骤143,将所述当前的运行参数以及所述训练样本输入所述逻辑回归模型进行训练,以获得所述后台应用的可清理率。
在一些实施例中,所述将所述当前的运行参数以及所述训练样本输入所述逻辑回归模型进行训练,以获得所述后台应用的可清理率,包括:
基于第四预设公式对所述当前的运行参数以及所述训练样本进行训练,以获得所述后台应用的可清理概率,其中所述第四预设公式为:
其中所述当前的运行参数对应的当前特征值x包括(x1,x2,…,x9),由所述训练样本训练得到的回归参数θ包括(θ0,θ1,θ2,…,θ18),P(y=1|x)表示所述后台应用的可清理概率,
例如,根据当前的运行参数确定当前特征值x,比如所述当前特征值x包括(x1,x2,…,x9);将所述训练样本输入逻辑回归模型中进行训练得到回归参数θ,比如所述回归参数θ包括(θ0,θ1,θ2,…,θ18),再将所述当前特征值x和所述回归参数θ输入所述第四预设公式中进行计算,得到所述后台应用的可清理概率。
其中,和训练过程类似,可以先根据当前的运行参数得到当前的采样日期类型、采样时段、预设电量范围、预设时长范围、前台应用、充电连接状态、网络连接状态以及当前需预测的后台应用这几个特征项,并获取这几个特征项对应的特征值(x1,x2,…,x9),之后利用公式:
来计算在当前特征值发生的前提下,y=1发生的概率(也即当前需预测的后台应用不会在短时间内切换至前台)的概率值,作为可清理概率率。
步骤144,根据所述可清理概率,对所述后台应用进行管控。
比如选取可清理概率不小于预设阈值的后台应用作为目标应用,或者,选取可清理概率最高的预设个数后台应用作为目标应用;
关闭所述目标应用。
其中,所述预设阈值和预设个数均可以人为设定,比如所述预设阈值可以为0.9,所述预设个数可以为4,也即当计算出的P(y=1|x)大于0.9时,可以认为后台应用x9短时间内不会切换至前台,进而可以作为清理对象进行清理。
上述所有的技术方案,可以采用任意结合形成本申请的可选实施例,在此不再一一赘述。
由上述可知,本实施例提供的应用管控方法,应用于电子设备,获取历史时段内每一采样时间点所述电子设备的运行参数,所述运行参数包括前台应用、剩余电量、已亮屏时长、充电连接状态以及网络连接状态,根据所述采样时间点和运行参数生成训练样本,对所述训练样本进行训练得到逻辑回归模型,通过训练所述逻辑回归模型,对所述电子设备中的后台应用进行管控。本申请实施例通过采集电子设备的运行参数生成训练样本,并利用逻辑回归模型预测应用是否可清理,以提高对后台应用进行预测的准确性,从而提升对后台应用进行管控的智能化和准确性,从而可以根据以往应用的使用情况较好地选出需要清理的后台应用,方法简单,灵活性高,节约了系统资源,提升用户体验感。
本申请实施例还提供一种应用管控装置,如图10至图15所示,图10至图15均为本申请实施例提供的一种应用管控装置的结构示意图。所述应用管控装置30包括获取模块31,生成块32,训练模块33,以及管控模块34。
其中,所述获取模块31,用于获取历史时段内每一采样时间点所述电子设备的运行参数,所述运行参数包括前台应用、剩余电量、已亮屏时长、充电连接状态以及网络连接状态。
所述生成模块32,用于根据所述采样时间点和运行参数生成训练样本。
所述训练模块33,用于对所述训练样本进行训练得到逻辑回归模型。
所述管控模块34,用于通过训练所述逻辑回归模型,对所述电子设备中的后台应用进行管控。
在一些实施例中,如图11所示,所述生成模块32还包括第一确定子模块321,第二确定子模块322和生成子模块323。
其中,所述第一确定子模块321,用于根据所述采样时间点确定采样日期类型和采样时段。
所述第二确定子模块322,用于确定所述剩余电量所属的预设电量范围,以及确定所述已亮屏时长所属的预设时长范围。
所述生成子模块323,用于根据所述采样日期类型、采样时段、预设电量范围、预设时长范围、前台应用、充电连接状态和网络连接状态生成训练样本。
在一些实施例中,所述生成子模块323还包括获取单元3231,第一确定单元3232,第二确定单元3233和生成单元3234。
其中,所述获取单元3231,用于获取目标预测应用。
所述第一确定单元3232,用于根据所述采样时间点从运行参数中确定所述前台应用的上一切换应用和下一切换应用。
所述第二确定单元3233,用于根据所述采样时间点、下一切换应用以及前台应用确定所述目标预测应用的预测值。
所述生成单元3234,用于根据所述上一切换应用、前台应用、采样日期类型、采样时段、预设电量范围、预设时长范围、充电连接状态、网络连接状态、目标预测应用以及预测值生成训练样本。
在一些实施例中,如图12所示,所述第二确定单元3233包括:
计算子单元32331,用于计算所述下一切换应用的采样时间点与前台应用的采样时间点之间的差值;
判断子单元32332,判断所述目标预测应用是否为所述下一切换应用,且所述差值是否不超过预设时长;
确定子单元32333,用于若所述目标预测应用为所述下一切换应用,且所述差值不超过预设时长,则将所述目标预测应用的预测值确定为第一预设数值;若所述目标预测应用不为所述下一切换应用,则将所述目标预测应用的预测值确定为第二预设数值。
在一些实施例中,如图13所示,所述生成单元3234包括:
获取子单元32341,用于分别获取所述上一切换应用、前台应用、采样日期类型、采样时段、预设电量范围、预设时长范围、充电连接状态、网络连接状态以及目标预测应用对应的特征值;
生成子单元32342,用于根据所述特征值和预测值生成训练样本。
在一些实施例中,如图14所示,所述训练模块33还包括第一训练子模块331,计算子模块332和第二训练子模块333。
其中,所述第一训练子模块331,用于基于第一预设公式对所述训练样本进行训练,以生成损失函数,其中所述第一预设公式为:
其中,hθ(x(i))表示所述训练样本中的所述预测值确定为所述第一预设数值所对应的预测函数,x(i)表示所述训练样本中第i个样本对应的特征值,y(i)表示所述训练样本中第i个样本对应的预测值,m表示训练样本数目,θ表示回归参数。
所述计算子模块332,用于根据梯度下降法对所述损失函数进行处理,以计算出回归参数θ。
在一些实施例中,所述计算子模块332,包括:
处理单元3321,用于基于第三预设公式对所述第一预设公式求偏导处理,生成梯队下降函数,其中所述第三预设公式为:
其中表示所述训练样本中第i个训练样本的第j个特征值,θj表示第j个回归系数;
计算单元,用于对所述梯队下降函数进行迭代计算,以计算出回归参数θ,具体为:
其中,j=[0,1,2,…,n],θ=[θ0,θ1,θ2,…,θn],α表示学习步长。
所述第二训练子模块333,用于基于第二预设公式对所述回归参数以及所述训练样本进行训练,获得所述逻辑回归模型,其中所述第二预设公式为:其中,hθ(x)表示预测函数。
在一些实施例中,如图15所示,所述管控模块34包括第一获取子模块341,第二获取子模块342,第三训练子模块343和管控子模块344。
其中,所述第一获取子模块341,用于获取后台应用清理指令。
所述第二获取子模块342,用于根据所述后台应用清理指令获取所述电子设备的后台应用、以及当前的运行参数。
所述第三训练子模块343,用于将所述当前的运行参数以及所述训练样本输入所述逻辑回归模型进行训练,以获得所述后台应用的可清理率。
在一些实施例中,所述第三训练子模块343,用于基于第四预设公式对所述当前的运行参数以及所述训练样本进行训练,以获得所述后台应用的可清理概率,其中所述第四预设公式为:
其中所述当前的运行参数对应的当前特征值x包括(x1,x2,…,x9),由所述训练样本训练得到的回归参数θ包括(θ0,θ1,θ2,…,θ18),P(y=1|x)表示所述后台应用的可清理概率,
管控子模块344,用于根据所述可清理概率,对所述后台应用进行管控。
上述所有的技术方案,可以采用任意结合形成本申请的可选实施例,在此不再一一赘述。
本申请实施例通过获取模块31获取历史时段内每一采样时间点所述电子设备的运行参数,所述运行参数包括前台应用、剩余电量、已亮屏时长、充电连接状态以及网络连接状态,生成模块32根据所述采样时间点和运行参数生成训练样本,训练模块33对所述训练样本进行训练得到逻辑回归模型,管控模块34通过训练所述逻辑回归模型,对所述电子设备中的后台应用进行管控。本申请实施例通过应用管控装置30采集电子设备的运行参数生成训练样本,并利用逻辑回归模型预测应用是否可清理,以提高对后台应用进行预测的准确性,从而提升对后台应用进行管控的智能化和准确性,从而可以根据以往应用的使用情况较好地选出需要清理的后台应用,方法简单,灵活性高,节约了系统资源,提升用户体验感。
本申请实施例还提供一种电子设备,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,所述处理器调用所述存储器中存储的所述计算机程序,执行本申请任一实施例所述的应用管控方法。
该电子设备可以是智能手机、平板电脑、掌上电脑等设备。如图16所示,电子设备400包括有一个或者一个以上处理核心的处理器401、有一个或一个以上计算机可读存储介质的存储器402及存储在存储器上并可在处理器上运行的计算机程序。其中,处理器401与存储器402电性连接。本领域技术人员可以理解,图中示出的电子设备结构并不构成对电子设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
处理器401是电子设备400的控制中心,利用各种接口和线路连接整个电子设备的各个部分,通过运行或加载存储在存储器402内的应用程序,以及调用存储在存储器402内的数据,执行电子设备的各种功能和处理数据,从而对电子设备进行整体监控。
在本申请实施例中,电子设备400中的处理器401会按照如下的步骤,将一个或一个以上的应用程序的进程对应的指令加载到存储器402中,并由处理器401来运行存储在存储器402中的应用程序,从而实现各种功能:
获取历史时段内每一采样时间点所述电子设备的运行参数,所述运行参数包括前台应用、剩余电量、已亮屏时长、充电连接状态以及网络连接状态;
根据所述采样时间点和运行参数生成训练样本;
对所述训练样本进行训练得到逻辑回归模型;
通过训练所述逻辑回归模型,对所述电子设备中的后台应用进行管控。
在一些实施例中,处理器401用于所述根据所述采样时间点和运行参数生成训练样本,包括:
根据所述采样时间点确定采样日期类型和采样时段;
确定所述剩余电量所属的预设电量范围,以及确定所述已亮屏时长所属的预设时长范围;
根据所述采样日期类型、采样时段、预设电量范围、预设时长范围、前台应用、充电连接状态和网络连接状态生成训练样本。
在一些实施例中,处理器401用于所述根据所述采样日期类型、采样时段、预设电量范围、预设时长范围、前台应用、充电连接状态和网络连接状态生成训练样本,包括:
获取目标预测应用;
根据所述采样时间点从运行参数中确定所述前台应用的上一切换应用和下一切换应用;
根据所述采样时间点、下一切换应用以及前台应用确定所述目标预测应用的预测值;
根据所述上一切换应用、前台应用、采样日期类型、采样时段、预设电量范围、预设时长范围、充电连接状态、网络连接状态、目标预测应用以及预测值生成训练样本。
在一些实施例中,处理器401用于所述根据所述采样时间点、下一切换应用以及前台应用确定所述目标预测应用的预测值,包括:
计算所述下一切换应用的采样时间点与前台应用的采样时间点之间的差值;
判断所述目标预测应用是否为所述下一切换应用,且所述差值是否不超过预设时长;
若是,则将所述目标预测应用的预测值确定为第一预设数值;
若否,则将所述目标预测应用的预测值确定为第二预设数值。
在一些实施例中,处理器401用于所述根据所述上一切换应用、前台应用、采样日期类型、采样时段、预设电量范围、预设时长范围、充电连接状态、网络连接状态、目标预测应用以及预测值生成训练样本,包括:
分别获取所述上一切换应用、前台应用、采样日期类型、采样时段、预设电量范围、预设时长范围、充电连接状态、网络连接状态以及目标预测应用对应的特征值;
根据所述特征值和预测值生成训练样本。
在一些实施例中,处理器401用于所述对所述训练样本进行训练得到逻辑回归模型,包括:
基于第一预设公式对所述训练样本进行训练,以生成损失函数,其中所述第一预设公式为:
其中,hθ(x(i))表示所述训练样本中的所述预测值确定为所述第一预设数值所对应的预测函数,x(i)表示所述训练样本中第i个样本对应的特征值,y(i)表示所述训练样本中第i个样本对应的预测值,m表示训练样本数目,θ表示回归参数;
根据梯度下降法对所述损失函数进行处理,以计算出回归参数θ;
基于第二预设公式对所述回归参数以及所述训练样本进行训练,获得所述逻辑回归模型,其中所述第二预设公式为:
其中,hθ(x)表示预测函数。
在一些实施例中,处理器401用于所述根据梯度下降法对所述损失函数进行处理,以计算出回归参数θ,包括:
基于第三预设公式对所述第一预设公式求偏导处理,生成梯队下降函数,其中所述第三预设公式为:
其中表示所述训练样本中第i个训练样本的第j个特征值,θj表示第j个回归系数;
对所述梯队下降函数进行迭代计算,以计算出回归参数θ,具体为:
其中,j=[0,1,2,…,n],θ=[θ0,θ1,θ2,…,θn],α表示学习步长。
在一些实施例中,处理器401用于所述通过训练所述逻辑回归模型,对所述电子设备中的后台应用进行管控,包括:
获取后台应用清理指令;
根据所述后台应用清理指令获取所述电子设备的后台应用、以及当前的运行参数;
将所述当前的运行参数以及所述训练样本输入所述逻辑回归模型进行训练,以获得所述后台应用的可清理率;
根据所述可清理概率,对所述后台应用进行管控。
在一些实施例中,处理器401用于所述将所述当前的运行参数以及所述训练样本输入所述逻辑回归模型进行训练,以获得所述后台应用的可清理率,包括:
基于第四预设公式对所述当前的运行参数以及所述训练样本进行训练,以获得所述后台应用的可清理概率,其中所述第四预设公式为:
其中所述当前的运行参数对应的当前特征值x包括(x1,x2,…,x9),由所述训练样本训练得到的回归参数θ包括(θ0,θ1,θ2,…,θ18),P(y=1|x)表示所述后台应用的可清理概率,
在一些实施例中,如图17所示,电子设备400还包括:显示屏403、射频电路404、音频电路405、输入单元406以及电源407。其中,处理器401分别与显示屏403、射频电路404、音频电路405、输入单元406以及电源407电性连接。本领域技术人员可以理解,图10中示出的电子设备结构并不构成对电子设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
显示屏403可用于显示由用户输入的信息或提供给用户的信息以及电子设备的各种图形用户接口,这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。显示屏403为触控显示屏时,也可以作为输入单元的一部分实现输入功能。
射频电路404可用于收发射频信号,以通过无线通信与网络设备或其他电子设备建立无线通讯,与网络设备或其他电子设备之间收发信号。
音频电路405可以用于通过扬声器、传声器提供用户与电子设备之间的音频接口。
输入单元406可用于接收输入的数字、字符信息或用户特征信息(例如指纹),以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
电源407用于给电子设备400的各个部件供电。在一些实施例中,电源107可以通过电源管理系统与处理器401逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
尽管图17中未示出,电子设备400还可以包括摄像头、传感器、无线保真模块、蓝牙模块等,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
本申请实施例中,所述应用管控装置与上文实施例中的一种应用管控方法属于同一构思,在所述应用管控装置上可以运行所述应用管控方法实施例中提供的任一方法,其具体实现过程详见所述应用管控方法实施例,此处不再赘述。
本申请实施例还提供一种存储介质,所述存储介质存储有计算机程序,当所述计算机程序在计算机上运行时,使得所述计算机执行上述任一实施例中的应用管控方法。
需要说明的是,对本申请所述应用管控方法而言,本领域普通测试人员可以理解实现本申请实施例所述应用管控方法的全部或部分流程,是可以通过计算机程序来控制相关的硬件来完成,所述计算机程序可存储于一计算机可读存储介质中,如存储在电子设备的存储器中,并被该电子设备内的至少一个处理器执行,在执行过程中可包括如所述应用管控方法的实施例的流程。其中,所述存储介质可为磁碟、光盘、只读存储器(ROM,ReadOnly Memory)、随机存取记忆体(RAM,Random Access Memory)等。
对本申请实施例的所述应用管控装置而言,其各功能模块可以集成在一个处理芯片中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读存储介质中,所述存储介质譬如为只读存储器,磁盘或光盘等。
以上对本申请实施例所提供的一种应用管控方法、装置、存储介质及电子设备进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的技术方案及其核心思想;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申请各实施例的技术方案的范围。
Claims (20)
1.一种应用管控方法,应用于电子设备,其特征在于,所述方法包括:
获取历史时段内每一采样时间点所述电子设备的运行参数,所述运行参数包括前台应用、剩余电量、已亮屏时长、充电连接状态以及网络连接状态;
根据所述采样时间点和运行参数生成训练样本;
对所述训练样本进行训练得到逻辑回归模型;
通过训练所述逻辑回归模型,对所述电子设备中的后台应用进行管控。
2.根据权利要求1所述的应用管控方法,其特征在于,所述根据所述采样时间点和运行参数生成训练样本,包括:
根据所述采样时间点确定采样日期类型和采样时段;
确定所述剩余电量所属的预设电量范围,以及确定所述已亮屏时长所属的预设时长范围;
根据所述采样日期类型、采样时段、预设电量范围、预设时长范围、前台应用、充电连接状态和网络连接状态生成训练样本。
3.根据权利要求2所述的应用管控方法,其特征在于,所述根据所述采样日期类型、采样时段、预设电量范围、预设时长范围、前台应用、充电连接状态和网络连接状态生成训练样本,包括:
获取目标预测应用;
根据所述采样时间点从运行参数中确定所述前台应用的上一切换应用和下一切换应用;
根据所述采样时间点、下一切换应用以及前台应用确定所述目标预测应用的预测值;
根据所述上一切换应用、前台应用、采样日期类型、采样时段、预设电量范围、预设时长范围、充电连接状态、网络连接状态、目标预测应用以及预测值生成训练样本。
4.根据权利要求3所述的应用管控方法,其特征在于,所述根据所述采样时间点、下一切换应用以及前台应用确定所述目标预测应用的预测值,包括:
计算所述下一切换应用的采样时间点与前台应用的采样时间点之间的差值;
判断所述目标预测应用是否为所述下一切换应用,且所述差值是否不超过预设时长;
若是,则将所述目标预测应用的预测值确定为第一预设数值;
若否,则将所述目标预测应用的预测值确定为第二预设数值。
5.根据权利要求4所述的应用管控方法,其特征在于,所述根据所述上一切换应用、前台应用、采样日期类型、采样时段、预设电量范围、预设时长范围、充电连接状态、网络连接状态、目标预测应用以及预测值生成训练样本,包括:
分别获取所述上一切换应用、前台应用、采样日期类型、采样时段、预设电量范围、预设时长范围、充电连接状态、网络连接状态以及目标预测应用对应的特征值;
根据所述特征值和预测值生成训练样本。
6.根据权利要求5所述的应用管控方法,其特征在于,所述对所述训练样本进行训练得到逻辑回归模型,包括:
基于第一预设公式对所述训练样本进行训练,以生成损失函数,其中所述第一预设公式为:
其中,hθ(x(i))表示所述训练样本中的所述预测值确定为所述第一预设数值所对应的预测函数,x(i)表示所述训练样本中第i个样本对应的特征值,y(i)表示所述训练样本中第i个样本对应的预测值,m表示训练样本数目,θ表示回归参数;
根据梯度下降法对所述损失函数进行处理,以计算出回归参数θ;
基于第二预设公式对所述回归参数以及所述训练样本进行训练,获得所述逻辑回归模型,其中所述第二预设公式为:
其中,hθ(x)表示预测函数。
7.根据权利要求6所述的应用管控方法,其特征在于,所述根据梯度下降法对所述损失函数进行处理,以计算出回归参数θ,包括:
基于第三预设公式对所述第一预设公式求偏导处理,生成梯队下降函数,其中所述第三预设公式为:
其中表示所述训练样本中第i个训练样本的第j个特征值,θj表示第j个回归系数;
对所述梯队下降函数进行迭代计算,以计算出回归参数θ,具体为:
repeat:{
}
其中,j=[0,1,2,…,n],θ=[θ0,θ1,θ2,…,θn],α表示学习步长。
8.根据权利要求7所述的应用管控方法,其特征在于,所述通过训练所述逻辑回归模型,对所述电子设备中的后台应用进行管控,包括:
获取后台应用清理指令;
根据所述后台应用清理指令获取所述电子设备的后台应用、以及当前的运行参数;
将所述当前的运行参数以及所述训练样本输入所述逻辑回归模型进行训练,以获得所述后台应用的可清理率;
根据所述可清理概率,对所述后台应用进行管控。
9.根据权利要求8所述的应用管控方法,其特征在于,所述将所述当前的运行参数以及所述训练样本输入所述逻辑回归模型进行训练,以获得所述后台应用的可清理率,包括:
基于第四预设公式对所述当前的运行参数以及所述训练样本进行训练,以获得所述后台应用的可清理概率,其中所述第四预设公式为:
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>h</mi>
<mi>&theta;</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>y</mi>
<mo>=</mo>
<mn>1</mn>
<mo>|</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>1</mn>
<mo>+</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<msup>
<mi>&theta;</mi>
<mi>T</mi>
</msup>
<mi>x</mi>
</mrow>
</msup>
</mrow>
</mfrac>
<mo>=</mo>
<mi>&sigma;</mi>
<mo>(</mo>
<msub>
<mi>&theta;</mi>
<mn>0</mn>
</msub>
<mo>+</mo>
<msub>
<mi>&theta;</mi>
<mn>1</mn>
</msub>
<msub>
<mi>x</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<msub>
<mi>&theta;</mi>
<mn>2</mn>
</msub>
<msub>
<mi>x</mi>
<mn>2</mn>
</msub>
<mo>+</mo>
<msub>
<mi>&theta;</mi>
<mn>3</mn>
</msub>
<msub>
<mi>x</mi>
<mn>3</mn>
</msub>
<mo>+</mo>
<msub>
<mi>&theta;</mi>
<mn>4</mn>
</msub>
<msub>
<mi>x</mi>
<mn>4</mn>
</msub>
<mo>+</mo>
<msub>
<mi>&theta;</mi>
<mn>5</mn>
</msub>
<msub>
<mi>x</mi>
<mn>5</mn>
</msub>
<mo>+</mo>
<msub>
<mi>&theta;</mi>
<mn>6</mn>
</msub>
<msub>
<mi>x</mi>
<mn>6</mn>
</msub>
<mo>+</mo>
<msub>
<mi>&theta;</mi>
<mn>7</mn>
</msub>
<msub>
<mi>x</mi>
<mn>7</mn>
</msub>
<mo>+</mo>
<msub>
<mi>&theta;</mi>
<mn>8</mn>
</msub>
<msub>
<mi>x</mi>
<mn>8</mn>
</msub>
<mo>+</mo>
<msub>
<mi>&theta;</mi>
<mn>9</mn>
</msub>
<msub>
<mi>x</mi>
<mn>9</mn>
</msub>
<mo>+</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>&theta;</mi>
<mn>10</mn>
</msub>
<msubsup>
<mi>x</mi>
<mn>1</mn>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<msub>
<mi>&theta;</mi>
<mn>11</mn>
</msub>
<msubsup>
<mi>x</mi>
<mn>2</mn>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<msub>
<mi>&theta;</mi>
<mn>12</mn>
</msub>
<msubsup>
<mi>x</mi>
<mn>3</mn>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<msub>
<mi>&theta;</mi>
<mn>13</mn>
</msub>
<msubsup>
<mi>x</mi>
<mn>4</mn>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<msub>
<mi>&theta;</mi>
<mn>14</mn>
</msub>
<msubsup>
<mi>x</mi>
<mn>5</mn>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<msub>
<mi>&theta;</mi>
<mn>15</mn>
</msub>
<msubsup>
<mi>x</mi>
<mn>6</mn>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<msub>
<mi>&theta;</mi>
<mn>16</mn>
</msub>
<msubsup>
<mi>x</mi>
<mn>7</mn>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<msub>
<mi>&theta;</mi>
<mn>17</mn>
</msub>
<msubsup>
<mi>x</mi>
<mn>8</mn>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<msub>
<mi>&theta;</mi>
<mn>18</mn>
</msub>
<msubsup>
<mi>x</mi>
<mn>9</mn>
<mn>2</mn>
</msubsup>
<mo>)</mo>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>,</mo>
</mrow>
其中所述当前的运行参数对应的当前特征值x包括(x1,x2,…,x9),由所述训练样本训练得到的回归参数θ包括(θ0,θ1,θ2,…,θ18),P(y=1|x)表示所述后台应用的可清理概率,
10.一种应用管控装置,其特征在于,所述装置包括:
获取模块,用于获取历史时段内每一采样时间点所述电子设备的运行参数,所述运行参数包括前台应用、剩余电量、已亮屏时长、充电连接状态以及网络连接状态;
生成模块,用于根据所述采样时间点和运行参数生成训练样本;
训练模块,用于对所述训练样本进行训练得到逻辑回归模型;
管控模块,用于通过训练所述逻辑回归模型,对所述电子设备中的后台应用进行管控。
11.根据权利要求10所述的应用管控装置,其特征在于,所述生成模块包括:
第一确定子模块,用于根据所述采样时间点确定采样日期类型和采样时段;
第二确定子模块,用于确定所述剩余电量所属的预设电量范围,以及确定所述已亮屏时长所属的预设时长范围;
生成子模块,用于根据所述采样日期类型、采样时段、预设电量范围、预设时长范围、前台应用、充电连接状态和网络连接状态生成训练样本。
12.根据权利要求10所述的应用管控装置,其特征在于,所述生成子模块包括:
获取单元,用于获取目标预测应用;
第一确定单元,用于根据所述采样时间点从运行参数中确定所述前台应用的上一切换应用和下一切换应用;
第二确定单元,用于根据所述采样时间点、下一切换应用以及前台应用确定所述目标预测应用的预测值;
生成单元,用于根据所述上一切换应用、前台应用、采样日期类型、采样时段、预设电量范围、预设时长范围、充电连接状态、网络连接状态、目标预测应用以及预测值生成训练样本。
13.根据权利要求12所述的应用管控装置,其特征在于,所述第二确定单元包括:
计算子单元,用于计算所述下一切换应用的采样时间点与前台应用的采样时间点之间的差值;
判断子单元,判断所述目标预测应用是否为所述下一切换应用,且所述差值是否不超过预设时长;
确定子单元,用于若所述目标预测应用为所述下一切换应用,且所述差值不超过预设时长,则将所述目标预测应用的预测值确定为第一预设数值;若所述目标预测应用不为所述下一切换应用,则将所述目标预测应用的预测值确定为第二预设数值。
14.根据权利要求13所述的应用管控装置,其特征在于,所述生成单元包括:
获取子单元,用于分别获取所述上一切换应用、前台应用、采样日期类型、采样时段、预设电量范围、预设时长范围、充电连接状态、网络连接状态以及目标预测应用对应的特征值;
生成子单元,用于根据所述特征值和预测值生成训练样本。
15.根据权利要求14所述的应用管控装置,其特征在于,所述训练模块,包括:
第一训练子模块,用于基于第一预设公式对所述训练样本进行训练,以生成损失函数,其中所述第一预设公式为:
其中,hθ(x(i))表示所述训练样本中的所述预测值确定为所述第一预设数值所对应的预测函数,x(i)表示所述训练样本中第i个样本对应的特征值,y(i)表示所述训练样本中第i个样本对应的预测值,m表示训练样本数目,θ表示回归参数;
计算子模块,用于根据梯度下降法对所述损失函数进行处理,以计算出回归参数θ;
第二训练子模块,用于基于第二预设公式对所述回归参数以及所述训练样本进行训练,获得所述逻辑回归模型,其中所述第二预设公式为:
其中,hθ(x)表示预测函数。
16.根据权利要求15所述的应用管控装置,其特征在于,所述计算子模块包括:
处理单元,用于基于第三预设公式对所述第一预设公式求偏导处理,生成梯队下降函数,其中所述第三预设公式为:
其中表示所述训练样本中第i个训练样本的第j个特征值,θj表示第j个回归系数;
计算单元,用于对所述梯队下降函数进行迭代计算,以计算出回归参数θ,具体为:
repeat:{
}
其中,j=[0,1,2,…,n],θ=[θ0,θ1,θ2,…,θn],α表示学习步长。
17.根据权利要求16所述的应用管控装置,其特征在于,所述管控模块包括:
第一获取子模块,用于获取后台应用清理指令;
第二获取子模块,用于根据所述后台应用清理指令获取所述电子设备的后台应用、以及当前的运行参数;
第三训练子模块,用于将所述当前的运行参数以及所述训练样本输入所述逻辑回归模型进行训练,以获得所述后台应用的可清理率;
管控子模块,用于根据所述可清理概率,对所述后台应用进行管控。
18.根据权利要求17所述的应用管控装置,其特征在于,所述第三训练子模块,用于:
基于第四预设公式对所述当前的运行参数以及所述训练样本进行训练,以获得所述后台应用的可清理概率,其中所述第四预设公式为:
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>h</mi>
<mi>&theta;</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>y</mi>
<mo>=</mo>
<mn>1</mn>
<mo>|</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>1</mn>
<mo>+</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<msup>
<mi>&theta;</mi>
<mi>T</mi>
</msup>
<mi>x</mi>
</mrow>
</msup>
</mrow>
</mfrac>
<mo>=</mo>
<mi>&sigma;</mi>
<mo>(</mo>
<msub>
<mi>&theta;</mi>
<mn>0</mn>
</msub>
<mo>+</mo>
<msub>
<mi>&theta;</mi>
<mn>1</mn>
</msub>
<msub>
<mi>x</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<msub>
<mi>&theta;</mi>
<mn>2</mn>
</msub>
<msub>
<mi>x</mi>
<mn>2</mn>
</msub>
<mo>+</mo>
<msub>
<mi>&theta;</mi>
<mn>3</mn>
</msub>
<msub>
<mi>x</mi>
<mn>3</mn>
</msub>
<mo>+</mo>
<msub>
<mi>&theta;</mi>
<mn>4</mn>
</msub>
<msub>
<mi>x</mi>
<mn>4</mn>
</msub>
<mo>+</mo>
<msub>
<mi>&theta;</mi>
<mn>5</mn>
</msub>
<msub>
<mi>x</mi>
<mn>5</mn>
</msub>
<mo>+</mo>
<msub>
<mi>&theta;</mi>
<mn>6</mn>
</msub>
<msub>
<mi>x</mi>
<mn>6</mn>
</msub>
<mo>+</mo>
<msub>
<mi>&theta;</mi>
<mn>7</mn>
</msub>
<msub>
<mi>x</mi>
<mn>7</mn>
</msub>
<mo>+</mo>
<msub>
<mi>&theta;</mi>
<mn>8</mn>
</msub>
<msub>
<mi>x</mi>
<mn>8</mn>
</msub>
<mo>+</mo>
<msub>
<mi>&theta;</mi>
<mn>9</mn>
</msub>
<msub>
<mi>x</mi>
<mn>9</mn>
</msub>
<mo>+</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>&theta;</mi>
<mn>10</mn>
</msub>
<msubsup>
<mi>x</mi>
<mn>1</mn>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<msub>
<mi>&theta;</mi>
<mn>11</mn>
</msub>
<msubsup>
<mi>x</mi>
<mn>2</mn>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<msub>
<mi>&theta;</mi>
<mn>12</mn>
</msub>
<msubsup>
<mi>x</mi>
<mn>3</mn>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<msub>
<mi>&theta;</mi>
<mn>13</mn>
</msub>
<msubsup>
<mi>x</mi>
<mn>4</mn>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<msub>
<mi>&theta;</mi>
<mn>14</mn>
</msub>
<msubsup>
<mi>x</mi>
<mn>5</mn>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<msub>
<mi>&theta;</mi>
<mn>15</mn>
</msub>
<msubsup>
<mi>x</mi>
<mn>6</mn>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<msub>
<mi>&theta;</mi>
<mn>16</mn>
</msub>
<msubsup>
<mi>x</mi>
<mn>7</mn>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<msub>
<mi>&theta;</mi>
<mn>17</mn>
</msub>
<msubsup>
<mi>x</mi>
<mn>8</mn>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<msub>
<mi>&theta;</mi>
<mn>18</mn>
</msub>
<msubsup>
<mi>x</mi>
<mn>9</mn>
<mn>2</mn>
</msubsup>
<mo>)</mo>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>,</mo>
</mrow>
其中所述当前的运行参数对应的当前特征值x包括(x1,x2,…,x9),由所述训练样本训练得到的回归参数θ包括(θ0,θ1,θ2,…,θ18),P(y=1|x)表示所述后台应用的可清理概率,
19.一种存储介质,其上存储有计算机程序,其特征在于,当所述计算机程序在计算机上运行时,使得所述计算机执行如权利要求1-9任一项所述的应用管控方法。
20.一种电子设备,包括存储器和处理器,其特征在于,所述处理器通过调用所述存储器中存储的计算机程序,用于执行如权利要求1-9任一项所述的应用管控方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710940060.5A CN107678803B (zh) | 2017-09-30 | 2017-09-30 | 应用管控方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710940060.5A CN107678803B (zh) | 2017-09-30 | 2017-09-30 | 应用管控方法、装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107678803A true CN107678803A (zh) | 2018-02-09 |
CN107678803B CN107678803B (zh) | 2020-12-01 |
Family
ID=61140230
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710940060.5A Active CN107678803B (zh) | 2017-09-30 | 2017-09-30 | 应用管控方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107678803B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596399A (zh) * | 2018-05-04 | 2018-09-28 | 国家邮政局邮政业安全中心 | 快递业务量预测的方法、装置、电子设备及存储介质 |
CN108920156A (zh) * | 2018-05-29 | 2018-11-30 | Oppo广东移动通信有限公司 | 应用程序预测模型建立方法、装置、存储介质及终端 |
CN108932048A (zh) * | 2018-06-11 | 2018-12-04 | Oppo(重庆)智能科技有限公司 | 确定电池可用时长的方法及相关产品 |
CN109727635A (zh) * | 2018-12-06 | 2019-05-07 | 桂林电子科技大学 | 一种不确定图代表实例的抽取方法 |
CN111722695A (zh) * | 2019-03-18 | 2020-09-29 | 北京小米移动软件有限公司 | 终端设备功耗优化方法及装置 |
CN111819550A (zh) * | 2018-03-26 | 2020-10-23 | 华为技术有限公司 | 一种数据处理方法及网络设备 |
CN112256354A (zh) * | 2020-11-25 | 2021-01-22 | Oppo(重庆)智能科技有限公司 | 应用启动方法、装置、存储介质及电子设备 |
CN113673080A (zh) * | 2021-07-15 | 2021-11-19 | 北京奇艺世纪科技有限公司 | 应用续航时长预测、模型训练方法及装置、设备及介质 |
US11397590B2 (en) | 2018-05-10 | 2022-07-26 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Method for preloading application, storage medium, and terminal |
US11442747B2 (en) | 2018-05-10 | 2022-09-13 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Method for establishing applications-to-be preloaded prediction model based on preorder usage sequence of foreground application, storage medium, and terminal |
US11467855B2 (en) | 2018-06-05 | 2022-10-11 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Application preloading method and device, storage medium and terminal |
US11604660B2 (en) | 2018-05-15 | 2023-03-14 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Method for launching application, storage medium, and terminal |
CN116434818A (zh) * | 2023-03-28 | 2023-07-14 | 深圳市芯存科技有限公司 | 基于fpga的ddr3多端口读写存储管理方法 |
CN116736962A (zh) * | 2023-08-09 | 2023-09-12 | 深圳市蓝晨科技股份有限公司 | 一种多功能教育pc的电源管理方法、装置、设备及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140331231A1 (en) * | 2001-03-22 | 2014-11-06 | Sviral, Inc. | Hardware task manager |
CN104243407A (zh) * | 2013-06-13 | 2014-12-24 | 华为技术有限公司 | 一种恶意软件网络入侵检测特征码的生成方法和设备 |
US20150119006A1 (en) * | 2011-09-12 | 2015-04-30 | Fiserv, Inc. | Systems and Methods for Customizing Mobile Applications Based Upon User Associations with One or More Entities |
CN106713662A (zh) * | 2017-01-23 | 2017-05-24 | 北京奇虎科技有限公司 | 定位系统性能的优化方法、装置及移动终端 |
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 |
-
2017
- 2017-09-30 CN CN201710940060.5A patent/CN107678803B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140331231A1 (en) * | 2001-03-22 | 2014-11-06 | Sviral, Inc. | Hardware task manager |
US20150119006A1 (en) * | 2011-09-12 | 2015-04-30 | Fiserv, Inc. | Systems and Methods for Customizing Mobile Applications Based Upon User Associations with One or More Entities |
CN104243407A (zh) * | 2013-06-13 | 2014-12-24 | 华为技术有限公司 | 一种恶意软件网络入侵检测特征码的生成方法和设备 |
CN106713662A (zh) * | 2017-01-23 | 2017-05-24 | 北京奇虎科技有限公司 | 定位系统性能的优化方法、装置及移动终端 |
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 |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111819550A (zh) * | 2018-03-26 | 2020-10-23 | 华为技术有限公司 | 一种数据处理方法及网络设备 |
CN111819550B (zh) * | 2018-03-26 | 2022-04-05 | 华为技术有限公司 | 一种数据处理方法及网络设备 |
CN108596399A (zh) * | 2018-05-04 | 2018-09-28 | 国家邮政局邮政业安全中心 | 快递业务量预测的方法、装置、电子设备及存储介质 |
US11397590B2 (en) | 2018-05-10 | 2022-07-26 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Method for preloading application, storage medium, and terminal |
US11442747B2 (en) | 2018-05-10 | 2022-09-13 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Method for establishing applications-to-be preloaded prediction model based on preorder usage sequence of foreground application, storage medium, and terminal |
US11604660B2 (en) | 2018-05-15 | 2023-03-14 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Method for launching application, storage medium, and terminal |
CN108920156A (zh) * | 2018-05-29 | 2018-11-30 | Oppo广东移动通信有限公司 | 应用程序预测模型建立方法、装置、存储介质及终端 |
EP3579104A1 (en) * | 2018-05-29 | 2019-12-11 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Method and apparatus for establishing an application prediction model, storage medium and terminal |
US11467855B2 (en) | 2018-06-05 | 2022-10-11 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Application preloading method and device, storage medium and terminal |
CN108932048A (zh) * | 2018-06-11 | 2018-12-04 | Oppo(重庆)智能科技有限公司 | 确定电池可用时长的方法及相关产品 |
CN109727635A (zh) * | 2018-12-06 | 2019-05-07 | 桂林电子科技大学 | 一种不确定图代表实例的抽取方法 |
CN111722695A (zh) * | 2019-03-18 | 2020-09-29 | 北京小米移动软件有限公司 | 终端设备功耗优化方法及装置 |
CN111722695B (zh) * | 2019-03-18 | 2022-03-25 | 北京小米移动软件有限公司 | 终端设备功耗优化方法及装置 |
CN112256354A (zh) * | 2020-11-25 | 2021-01-22 | Oppo(重庆)智能科技有限公司 | 应用启动方法、装置、存储介质及电子设备 |
CN112256354B (zh) * | 2020-11-25 | 2023-05-16 | Oppo(重庆)智能科技有限公司 | 应用启动方法、装置、存储介质及电子设备 |
CN113673080A (zh) * | 2021-07-15 | 2021-11-19 | 北京奇艺世纪科技有限公司 | 应用续航时长预测、模型训练方法及装置、设备及介质 |
CN113673080B (zh) * | 2021-07-15 | 2023-08-18 | 北京奇艺世纪科技有限公司 | 应用续航时长预测、模型训练方法及装置、设备及介质 |
CN116434818A (zh) * | 2023-03-28 | 2023-07-14 | 深圳市芯存科技有限公司 | 基于fpga的ddr3多端口读写存储管理方法 |
CN116434818B (zh) * | 2023-03-28 | 2024-02-09 | 深圳市芯存科技有限公司 | 基于fpga的ddr3多端口读写存储管理方法 |
CN116736962A (zh) * | 2023-08-09 | 2023-09-12 | 深圳市蓝晨科技股份有限公司 | 一种多功能教育pc的电源管理方法、装置、设备及介质 |
CN116736962B (zh) * | 2023-08-09 | 2023-12-01 | 深圳市蓝晨科技股份有限公司 | 一种多功能教育pc的电源管理方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN107678803B (zh) | 2020-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107678803B (zh) | 应用管控方法、装置、存储介质及电子设备 | |
CN107832132B (zh) | 应用控制方法、装置、存储介质及电子设备 | |
CN107577522B (zh) | 应用控制方法、装置、存储介质以及电子设备 | |
CN107678845B (zh) | 应用程序管控方法、装置、存储介质及电子设备 | |
CN108337358B (zh) | 应用清理方法、装置、存储介质及电子设备 | |
CN107835311B (zh) | 应用管理方法、装置、存储介质及电子设备 | |
CN107943583B (zh) | 应用程序的处理方法、装置、存储介质及电子设备 | |
CN110362494B (zh) | 微服务状态信息展示的方法、模型训练方法以及相关装置 | |
CN107632697B (zh) | 应用程序的处理方法、装置、存储介质及电子设备 | |
CN107885545B (zh) | 应用管理方法、装置、存储介质及电子设备 | |
CN107704876B (zh) | 应用控制方法、装置、存储介质以及电子设备 | |
CN108804231B (zh) | 一种内存优化方法、装置、可读存储介质及移动终端 | |
CN107608778B (zh) | 应用程序管控方法、装置、存储介质及电子设备 | |
CN111435482A (zh) | 一种外呼模型的构建方法、外呼方法、装置和存储介质 | |
CN107870810B (zh) | 应用清理方法、装置、存储介质及电子设备 | |
CN107943534B (zh) | 后台应用程序的关闭方法、装置、存储介质及电子设备 | |
CN103885793A (zh) | 确定合适的应用的方法、应用确定系统以及应用确定单元 | |
CN112269650A (zh) | 任务调度方法、装置、电子设备和存储介质 | |
CN107402808B (zh) | 进程管理方法、装置、存储介质及电子设备 | |
EP3671441A1 (en) | Application management method and apparatus, storage medium, and electronic device | |
CN107943570B (zh) | 应用管理方法、装置、存储介质及电子设备 | |
CN107943582B (zh) | 特征处理方法、装置、存储介质及电子设备 | |
CN107728772B (zh) | 应用程序的处理方法、装置、存储介质及电子设备 | |
CN105468161A (zh) | 指令执行方法和装置 | |
CN111538852A (zh) | 多媒体资源处理方法、装置、存储介质及设备 |
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 | ||
CB02 | Change of applicant information |
Address after: Changan town in Guangdong province Dongguan 523860 usha Beach Road No. 18 Applicant after: GUANGDONG OPPO MOBILE TELECOMMUNICATIONS Corp.,Ltd. Address before: Changan town in Guangdong province Dongguan 523860 usha Beach Road No. 18 Applicant before: GUANGDONG OPPO MOBILE TELECOMMUNICATIONS Corp.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |