CN108228325A - 应用管理方法和装置、电子设备、计算机存储介质 - Google Patents
应用管理方法和装置、电子设备、计算机存储介质 Download PDFInfo
- Publication number
- CN108228325A CN108228325A CN201711050766.0A CN201711050766A CN108228325A CN 108228325 A CN108228325 A CN 108228325A CN 201711050766 A CN201711050766 A CN 201711050766A CN 108228325 A CN108228325 A CN 108228325A
- Authority
- CN
- China
- Prior art keywords
- application
- information
- neural network
- cleaned
- background application
- 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
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
- G06F9/46—Multiprogramming arrangements
- G06F9/48—Program initiating; Program switching, e.g. by interrupt
- G06F9/4806—Task transfer initiation or dispatching
- G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
- G06F9/485—Task life-cycle, e.g. stopping, restarting, resuming execution
Abstract
本发明实施例公开了一种应用管理方法和装置、电子设备、计算机存储介质,其中,方法包括:获取操作系统中的应用运行信息;对所述应用运行信息基于时间采样获得后台应用的标签和对应所述后台应用的多维度特征;所述多维度特征为基于时间采样的多次运行状态采样得到的特征;利用神经网络,基于获取的多维度特征预测所述操作系统中的所述后台应用是否可被清理,获得预测结果;根据所述预测结果,对所述操作系统中可被清理的后台应用进行清理。本发明实施例提供的方法,根据预测结果可判断哪些后台应用可被清理,有效降低误杀率,提高召回率,提供更好的用户体验。
Description
技术领域
本发明涉及内存管理技术,尤其是一种应用管理方法和装置、电子设备、计算机存储介质。
背景技术
终端设备操作系统的反应速度快慢、耗电快慢、续航长短等问题与操作系统的内存管理和应用管理机制密切相关。
操作系统通常将运行中的进程分为7类:前台进程、可见进程、主要服务、次要服务、后台进程、内容供应节点和空进程。其中,服务类进程包括主要服务进程和次要服务进程,会自启动,可在后台持续运行。其中,主要服务如电话、系统底层服务等,次要服务如推送、系统桌面等。普通的应用程序退出后,通常不会被马上清理,其运行的数据将以缓存的形式保存在内存里,以方便下次能快速地打开这个应用程序。在后台的应用程序不会消耗终端设备中的CPU资源,但是会占用操作系统内存、消耗终端设备的电量。因此,如果有大量后台进程一直维持运行的状态,会影响终端设备用户的正常和流畅使用。
发明内容
本发明实施例提供一种应用管理技术。
本发明实施例提供的一种应用管理方法,包括:
获取操作系统中的应用运行信息;
对所述应用运行信息基于时间采样获得后台应用的标签和对应所述后台应用的多维度特征;所述多维度特征为基于时间采样的多次运行状态采样得到的特征;
利用神经网络,基于获取的多维度特征预测所述操作系统中的所述后台应用是否可被清理,获得预测结果;
根据所述预测结果,对所述操作系统中可被清理的后台应用进行清理。
在基于本发明上述方法的另一个实施例中,所述获取操作系统中的应用运行信息,包括:
读取操作系统中的日志文件;
从所述日志文件中提取操作系统中各个应用对应的应用运行信息。
在基于本发明上述方法的另一个实施例中,所述应用运行信息包括以下任意一项或多项:应用相关信息、多应用之间的关系信息和终端设备相关信息。
在基于本发明上述方法的另一个实施例中,所述应用相关事件包括以下任意一项或多项:应用切换到后台时长信息、应用使用时长信息、应用使用次数信息、应用所属类别信息和应用切换方式信息。
在基于本发明上述方法的另一个实施例中,所述多应用之间的关系信息包括以下任意一项或多项:应用与前台应用的相关性信息、前一个应用与前台应用的相关性信息和应用与前一个应用的相关性信息;所述前一个应用为在应用之前启动的最后一个应用。
在基于本发明上述方法的另一个实施例中,所述终端设备相关信息包括以下任意一项或多项:黑屏时长信息、黑屏占比信息、终端设备电池信息和终端设备网络信息。
在基于本发明上述方法的另一个实施例中,所述神经网络包括多层神经网络或随机森林网络。
在基于本发明上述方法的另一个实施例中,所述利用神经网络,基于获得的多维度特征预测所述操作系统中的所述后台应用是否可被清理,包括:
利用神经网络基于所述获得的多维度特征输出所述后台应用对应分类的概率向量;根据概率向量中的概率值判断所述后台应用是否可被清理。
在基于本发明上述方法的另一个实施例中,所述根据概率向量中的概率值判断所述后台应用是否可被清理,包括:
分别判断所述概率向量中的概率值是否大于或等于预设值,当所述概率值大于或等于预设值时,将所述概率值标记为可被清理标签,所述概率值对应的后台应用可被清理;
当所述概率值小于所述预设值时,将所述概率值标记为不可清理标签,所述概率值对应的后台应用不可被清理。
在基于本发明上述方法的另一个实施例中,所述读取操作系统的日志文件之后,还包括:
对所述日志文件执行数据聚合处理和/或数据清洗处理。
在基于本发明上述方法的另一个实施例中,所述利用神经网络,基于获得的多维度特征预测所述操作系统中的所述后台应用是否可被清理,包括:
利用神经网络,基于获得的多维度特征预测所述操作系统中的所述后台应用是否可被清理,获得预测标签,所述后台应用标注有标注标签;
本发明方法还包括:
基于所述后台应用的标注标签和预测标签对所述神经网络进行训练。
在基于本发明上述方法的另一个实施例中,基于所述后台应用的标注标签和预测标签对所述神经网络进行训练,包括:
基于所述后台应用的标注标签和预测标签通过损失函数计算获得所述神经网络的误差值;
基于所述误差值对所述神经网络中的参数进行更新;
将更新参数后的神经网络作为所述神经网络,根据以下方法迭代所述神经网络:基于提取的特征预测所述操作系统中的后台应用是否可被清理,获得预测标签;基于所述操作系统中的后台应用的标注标签和预测标签通过损失函数计算获得所述神经网络的误差值;基于误差值通过反向梯度算法对所述神经网络中的参数进行更新;直到所述神经网络满足预设条件停止迭代。
在基于本发明上述方法的另一个实施例中,基于所述误差值对所述神经网络中的参数进行更新,包括:
基于所述误差值通过反向梯度算法对所述神经网络中的参数进行更新。
在基于本发明上述方法的另一个实施例中,所述预设条件包括以下任意一项:
所述损失函数收敛、所述迭代次数达到预设次数和所述误差值小于预设值。
根据本发明实施例的一个方面,提供的一种应用管理装置,包括:
信息获取单元,用于获取操作系统中的应用运行信息;
特征提取单元,用于对所述应用运行信息基于时间采样获得后台应用的标签和对应所述后台应用的多维度特征;所述多维度特征为基于时间采样的多次运行状态采样得到的特征;
结果预测单元,用于利用所述神经网络,基于获得的多维度特征预测所述操作系统中的所述后台应用是否可被清理,获得预测结果;
清理单元,用于根据所述预测结果,对所述操作系统中可被清理的后台应用进行清理。
在基于本发明上述装置的另一个实施例中,所述信息获取单元,具体用于读取操作系统中的日志文件;从所述日志文件中提取操作系统中各个应用对应的应用运行信息。
在基于本发明上述装置的另一个实施例中,所述应用运行信息包括以下任意一项或多项:应用相关信息、多应用之间的关系信息和终端设备相关信息。
在基于本发明上述装置的另一个实施例中,所述应用相关事件包括以下任意一项或多项:应用切换到后台时长信息、应用使用时长信息、应用使用次数信息、应用所属类别信息和应用切换方式信息。
在基于本发明上述装置的另一个实施例中,所述多应用之间的关系信息包括以下任意一项或多项:应用与前台应用的相关性信息、前一个应用与前台应用的相关性信息和应用与前一个应用的相关性信息;所述前一个应用为在应用之前启动的最后一个应用。
在基于本发明上述装置的另一个实施例中,所述终端设备相关信息包括以下任意一项或多项:黑屏时长信息、黑屏占比信息、终端设备电池信息和终端设备网络信息。
在基于本发明上述装置的另一个实施例中,所述神经网络包括多层神经网络或随机森林网络。
在基于本发明上述装置的另一个实施例中,结果预测单元,具体用于利用神经网络基于所述多维度特征输出所述后台应用对应分类的概率向量;根据概率向量中的概率值判断所述后台应用是否可被清理。
在基于本发明上述装置的另一个实施例中,结果预测单元,包括:
可清理模块,用于分别判断所述概率向量中的概率值是否大于或等于预设值,当所述概率值大于或等于预设值时,将所述概率值标记为可被清理标签,所述概率值对应的后台应用可被清理;
不可清理模块,用于当所述概率值小于所述预设值时,将所述概率值标记为不可清理标签,所述概率值对应的后台应用不可被清理。
在基于本发明上述装置的另一个实施例中,还包括:
预处理单元,用于对所述日志文件执行数据聚合处理和/或数据清洗处理。
在基于本发明上述装置的另一个实施例中,
所述结果预测单元,具体用于利用神经网络,基于获得的多维度特征预测所述操作系统中的所述后台应用是否可被清理,获得预测标签,所述后台应用标注有标注标签;
本发明装置还包括:
训练单元,用于所述后台应用的标注标签和预测标签对所述神经网络进行训练。
在基于本发明上述装置的另一个实施例中,所述训练单元,包括:
误差计算模块,用于基于所述操作系统中的后台应用的标注标签和预测标签通过损失函数计算获得所述神经网络的误差值;
更新模块,用于基于所述误差值对所述神经网络中的参数进行更新;
迭代模块,用于将更新参数后的神经网络作为所述神经网络,根据以下方法迭代所述神经网络:基于提取的特征预测所述操作系统中的后台应用是否可被清理,获得预测标签;基于所述操作系统中的后台应用的标注标签和预测标签通过损失函数计算获得所述神经网络的误差值;基于误差值通过反向梯度算法对所述神经网络中的参数进行更新;直到所述神经网络满足预设条件停止迭代。
在基于本发明上述装置的另一个实施例中,所述更新模块,具体用于基于所述误差值通过反向梯度算法对所述神经网络中的参数进行更新。
在基于本发明上述装置的另一个实施例中,所述预设条件包括以下任意一项:
所述损失函数收敛、所述迭代次数达到预设次数和所述误差值小于预设值。
根据本发明实施例的一个方面,提供的一种电子设备,包括处理器,所述处理器包括如上所述的应用管理装置。
根据本发明实施例的一个方面,提供的一种电子设备,包括:存储器,用于存储可执行指令;
以及处理器,用于与所述存储器通信以执行所述可执行指令从而完成如上所述应用管理方法的操作。
根据本发明实施例的一个方面,提供的一种计算机存储介质,用于存储计算机可读取的指令,所述指令被执行时执行如上所述应用管理方法的操作。
基于本发明上述实施例提供的一种应用管理方法和装置、电子设备、计算机存储介质,获取操作系统中的应用运行信息;对应用运行信息基于时间采样获得后台应用的标签和对应所述后台应用的多维度特征,为了能保证在任何时间都能准确预测目标应用是否可被清理,特征提取的过程中,本实施例通过对时间采样来模拟随机性;利用神经网络,基于获得的多维度特征预测后台应用是否可被清理,获得预测结果,根据预测结果可知哪些后台应用在设定时间内被再次调用的几率低于设定值,这些后台应用被认为是可被清理,对操作系统中可被清理的后台应用进行清理,有效降低误杀率,提高召回率。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
构成说明书的一部分的附图描述了本发明的实施例,并且连同描述一起用于解释本发明的原理。
参照附图,根据下面的详细描述,可以更加清楚地理解本发明,其中:
图1为本发明应用管理方法一个实施例的流程图。
图2为本发明应用管理装置一个实施例的结构示意图。
图3为用来实现本申请实施例的终端设备或服务器的电子设备的结构示意图。
具体实施方式
现在将参照附图来详细描述本发明的各种示例性实施例。应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
同时,应当明白,为了便于描述,附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
本发明实施例可以应用于计算机系统/服务器,其可与众多其它通用或专用计算系统环境或配置一起操作。适于与计算机系统/服务器一起使用的众所周知的计算系统、环境和/或配置的例子包括但不限于:个人计算机系统、服务器计算机系统、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统、大型计算机系统和包括上述任何系统的分布式云计算技术环境,等等。
计算机系统/服务器可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常,程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等,它们执行特定的任务或者实现特定的抽象数据类型。计算机系统/服务器可以在分布式云计算环境中实施,分布式云计算环境中,任务是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中,程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。
目前手机内存管理机制是:当手机的内存低于设定的内存最低阈值,系统会按照一定的优先级,对后台运行中的进程进行回收,从而释放出更多的空余内存。回收的顺序遵从:空进程、内容供应节点、后台进程、次要服务进程、可见进程和前台进程。如果能清理掉用户不常用的后台进程,可以帮助系统优化内存和减少功耗,但错误地清理掉用户短时间之内可能使用的应用,又会影响用户体验。因此,如果能在保证用户体验的前提下,准确判断并清理掉短时间内不需要的后台进程,会使得系统的内存和功耗得到极大的改善。
现有技术中已有一些方案着力于解决智能手机在长时间使用后由于内存不足而导致手机运行不流畅问题,例如:当待启动的应用所需内存大于系统剩余内存时,对当前已启动的应用根据其启动次数和每一次启动对应应用的时间进行优先级赋权,清理掉能满足待启动应用所需内存大小的优先级底的应用,以达到快速释放内存的效果。
又如:实现了根据用户对应用程序的使用频率情况智能清理操作系统中不常用的应用程序,以释放系统内存。
在实现本发明的过程中,发明人发现,上述现有技术至少存在以下问题:
1)仅在内存不足的时候清理掉少量使用次数少、使用时间短或者频次低的应用以满足当下的内存需求,这样的优化方法没有达到最佳的效果,因为仍有很多应用在短时间内不会被用户调用,属于可以被清理的范围。也不能仅将应用的使用频率作为判断用户在指定时间点是否会重新调用它的标准;召回率较低。
2)有些应用虽然使用次数少、使用时间短或者频次低,但是依靠上述技术的机制,会在用户需要使用这些应用的期间错误地清理掉这些不常用的应用,造成不佳的用户体验和较高的误杀率。
图1为本发明应用管理方法一个实施例的流程图。如图1所示,该实施例方法包括:
步骤101,获取操作系统中的应用运行信息;
步骤102,对应用运行信息基于时间采样获得后台应用的标签和对应后台应用的多维度特征。
多维度特征为基于时间采样的多次运行状态采样得到的特征;每个后台应用在一个采样点对应一个多维度特征;基于应用运行信息确定当前系统中的应用哪些属于后台应用,哪些属于前台应用,当然,本发明不限制基于应用运行信息确定后台应用,也可以通过日志文件中的其他信息确定哪些应用是后台应用,对于前台应用,通常是不进行内存清理的,对后台应用对应的应用运行信息进行特征提取获得所有后台应用哪些是可以被清理的。
为了能保证在任何时间都能准确预测目标应用是否能被清理掉,特征提取过程中需要通过对时间采样来模拟随机性,此采样方式是根据原始数据中用户使用应用程序的时长和频率确定,因此,基于时间采样的方式获得应用运行信息。具体示例中获得应用运行信息的方式包括但不限于:单机特征提取工程、基于Lustre平行分布式文件系统的分布式系统特征提取、基于Spark快速通用计算引擎分布式框架特征提取;基于日志文件进行统计分析,例如:统计日志文件信息中用户使用手机的时间跨度、统计使用频率和使用时长最长的前10种应用、统计应用被切入后台之后又切入前台的间隔等;对日志文件信息基于时间采样获得采样信息,示例性地:可以按照在每个应用使用期间的前一分钟均匀采样5个时间点,在一分钟之后均匀采样5个点的采样方式对时间进行采样(此采样方式是根据原始数据中用户使用应用程序的时长和频率确定)。对每个采样时间点,获取当前的前台应用信息,并且回溯查找预设时间内(例如:30分钟)预设个数(例如:10个)的后台应用作为需要预测的目标应用。
步骤103,利用神经网络,基于获得的多维度特征预测操作系统中的后台应用是否可被清理,获得预测结果。
通过经过训练的神经网络,基于与后台应用是否可被清理的相关特征即可获得哪些后台应用可被清理,哪些后台应用不可被清理,由于训练神经网络的样本数据是大量已知的可清理的后台应用,因此利用神经网络获得的预测结果更准确。
步骤104,根据预测结果,对操作系统中可被清理的后台应用进行清理。
基于本发明上述实施例提供的一种应用管理方法,获取操作系统中的应用运行信息;对应用运行信息基于时间采样获得后台应用的标签和对应所述后台应用的多维度特征,为了能保证在任何时间都能准确预测目标应用是否可被清理,特征提取的过程中,本实施例通过对时间采样来模拟随机性;利用神经网络,基于获得的多维度特征预测后台应用是否可被清理,获得预测结果,根据预测结果可知哪些后台应用在设定时间内被再次调用的几率低于设定值,这些后台应用被认为是可被清理,对操作系统中可被清理的后台应用进行清理,有效降低误杀率,提高召回率。
本发明应用管理方法的另一个实施例中,在上述实施例的基础上,操作101包括:
读取操作系统的日志文件。
日志文件包括但不限于应用被打开事件、屏幕开关时间、应用被强制停止的事件、电池相关的事件、无线网络连接事件等等;通过读取操作系统中的日志文件,可以获得操作系统中所有应用的运行信息和其他相关信息,基于运行信息即可确定当前操作系统中,哪些应用属于后台应用,哪些应用属于前台应用,对于应用的管理包括对预设时间内不会被再次调用的后台应用进行清理。
从日志文件中提取操作系统中各个应用对应的应用运行信息。
本实施例为了克服现有技术中的仅依据使用次数少、使用时间短或者频次低对后台应用进行清理所产生的弊端,提出了利用神经网络对日志文件进行特征提取,由于神经网络是通过样本进行训练的,可以获得与应用是否在短时间内被再次调用更相关的特征。
在本发明应用管理方法上述各实施例的一个具体示例中,应用运行信息包括以下任意一项或多项:
应用相关信息、多应用之间的关系信息和终端设备相关信息。
具体的,应用运行信息还可以包括以下任意一项或多项:应用被打开事件、终端设备的屏幕开关时间、应用被强制停止的事件、终端设备的电池相关的事件和终端设备的网络连接事件;获取哪些应用运行信息是基于大数据统计,并基于通常使用手机的常识与习惯获得的,并且,在本发明方法应用的过程中不断通过实践改进获取的应用运行信息。
在本发明应用管理方法上述各实施例的一个具体示例中,应用相关事件包括以下任意一项或多项:应用切换到后台时长信息、应用使用时长信息、应用使用次数信息、应用所属类别信息和应用切换方式信息。
具体示例中,基于应用相关事件获得的应用相关特征包括但不限于:目标应用被切至后台到当前预测时的时间长度(1维);上次、上上次、上上上次使用时间长度(共3维);目标应用在一天中的使用次数,按每天、处于一周中的星期几、是工作日还是休息日三种方式进行统计(共3维);目标应用在一天中使用时间长度,按每天、处于一周中的星期几、是工作日还是休息日三种方式进行统计(共3维);目标应用在当前时间段内一天中的使用时长(以每1小时为一个时段、以每2个小时为一个时段、以每3个小时为一个时段、以每4个小时为一个时段),按每天、处于一周中的星期几、是工作日还是休息日三种方式进行统计(共500维);目标应用所属类别(1维)、目标应用被切换的方式(1维);基于这些应用相关特征中的一种或多种可以实现对了解应用相关的信息,为该应用是否可被清理提供依据。
在本发明应用管理方法上述各实施例的一个具体示例中,多应用之间的关系信息包括以下任意一项或多项:应用与前台应用的相关性信息、前一个应用与前台应用的相关性信息和应用与前一个应用的相关性信息;前一个应用为在应用之前启动的最后一个应用。
本实施例中,通过获取多应用于之间的关系,可以确定其关联性,进而根据前台应用或其他应用确定该应用是否在短时间内会重新被调用;具体地,多应用之间的关系信息包括但不限于:此部分信息着重于挖掘目标应用、目标应用之前被打开的应用、当前前台应用之间的相关性。两两应用之间的相关性包括三个维度:两个应用之间的时间间隔、第二个应用紧接着第一个应用被打开的频率、两个应用之间的黑屏时长,并分别按每天、处于一周中的星期几、是工作日还是休息日三种方式进行统计。基于多应用之间的关系信息获得上下文相关特征包括但不限于:目标应用与前台应用的相关性(共30维)、目标应用之前被打开的应用与前台应用的相关性(共30维)、目标应用与该目标应用之前被打开的应用的相关性(共30维)。
在本发明应用管理方法上述各实施例的一个具体示例中,终端设备相关信息包括以下任意一项或多项:黑屏时长信息、黑屏占比信息、终端设备电池信息和终端设备网络信息。
本实施例中,判断一个后台应用是否可以被清理,还包括应用运行的终端设备相关信息,基于终端设备相关信息获得的设备相关特征包括但不限于:目标应用切入后台到被触发预测之间黑屏时间长度(1维)、目标应用切入后台到被触发预测之间黑屏时间长度占时间总长度的比例等(1维);目标应用在采样时间点是否有在充电(1维);目标应用在采样时间点的电量(1维);目标应用在采样时间点的WIFI状态(1维)。
在本发明应用管理方法上述各实施例的一个具体示例中,神经网络包括多层神经网络或随机森林网络。
本实施例仅列举了两种常用网络,以便于本领域技术人员实现本实施例方法,实际应用中,能够实现特征提取和基于特征分类的网络都适用于本发明,对日志文件进行特征提取的神经网络和基于特征预测结果的神经网络可以共享参数也可以是不同的神经网络,特征提取的神经网络可以是卷积神经网络、深度神经网络等,而基于特征预测结果的神经网络可以是分类网络或其他实现结果预测的神经网络。
本发明应用管理方法的又一个实施例中,在上述实施例的基础上,操作102包括:利用神经网络,基于获得的多维度特征输出后台应用对应分类的概率向量;根据概率向量中的概率值判断后台应用是否可被清理。
本实施例中,保证用户体验的前提下完全解决释放更多系统内存、降低手机功耗的问题;示例地,具体过程包括:设备(如:手机)内存中先载入分类模型SDK软件开发包并储存;设备系统随时均可获得当前运行的前台应用和后台应用的信息(日志文件信息);当需要清理后台应用时(可为任意时间,例如设定每分钟自动触发一次),将设备系统获得的日志文件数据作为分类模型的输入,调用模型SDK;分类模型的输出为当前每一个后台应用在预设时间内不会被重新调用的概率值,系统将对每一个后台应用判断此概率值是否超过预设的统一阈值。如果是,则清理该应用;若否,则保留该应用。
在本发明应用管理方法上述各实施例的一个具体示例中,根据概率向量中的概率值判断后台应用是否可被清理,包括:
分别判断概率向量中的概率值是否大于或等于预设值,当概率值大于或等于预设值时,将概率值标记为可被清理标签,概率值对应的后台应用可被清理;
当概率值小于预设值时,将概率值标记为不可清理标签,概率值对应的后台应用不可被清理。
本实施例中,获得的概率值是用于判断在预设时间内应用不会被重新调用的概率值,因此,概率值越大,说明该应用被再次调用的可能性越小,应当清理该应用;概率值越小,说明该应用被再次调用的可能性越大,不应当清理该应用;但是,还存在一种情况是,获得的概率值是用于判断在预设时间内应用会被重新调用的概率值,此时,概率值越小,说明该应用被再次调用的可能性越小,应当清理该应用;概率值越大,说明该应用被再次调用的可能性越大,不应当清理该应用。
本发明应用管理方法的还一个实施例中,在上述实施例的基础上,操作101之后,还包括:对日志文件信息执行数据聚合处理和/或数据清洗处理。
本实施例中,对日志文件信息进行数据预处理,包括但不限于数据聚合、数据清洗等过程,以解决日志文件信息中存在的数据缺失、数据异常、数据类型不统一等问题,便于后续的特征提取。
本发明应用管理方法的再一个实施例中,在上述实施例的基础上,操作102包括:利用神经网络,基于获得的多维度特征预测操作系统中的后台应用是否可被清理,获得预测标签,后台应用标注有标注标签;
本实施例方法还包括:基于后台应用的标注标签和预测标签对神经网络进行训练。
本发明上述实施例中,将已知标注标签的后台应用输入到神经网络,基于神经网络将获得对应后台应用的预测标签,通过标注标签和预测标签就可以实现对神经网络的训练,训练后的神经网络将获得更准确的预测标签,进而确哪些后台应用可被清理,哪些后台应用不可被清理。基于预测标签和后台应用已知的标注标签对该神经网络进行训练,获得训练后的神经网络,训练后的神经网络由于其训练数据是已知是否可被清理的后台应用,因此针对后台应用能更准确的预测是否需要被清理。
在本发明应用管理方法上述各实施例的一个具体示例中,基于操作系统中的后台应用的标注标签和预测标签对神经网络进行训练,包括:
基于操作系统中的后台应用的标注标签和预测标签通过损失函数计算获得神经网络的误差值;
基于误差值对神经网络中的参数进行更新;
将更新参数后的神经网络作为神经网络,根据以下方法迭代神经网络:基于提取的特征预测操作系统中的后台应用是否可被清理,获得预测标签;基于操作系统中的后台应用的标注标签和预测标签通过损失函数计算获得神经网络的误差值;基于误差值通过反向梯度算法对神经网络中的参数进行更新;直到神经网络满足预设条件停止迭代。
本实施例中基于标注标签和预测标签通过损失函数计算神经网络的误差值,基于误差值对神经网络中的参数进行更新,得到更新参数后的神经网络,迭代执行预测标签和参数更新过程,直到神经网络满足预设条件,得到训练好的神经网络;基于该训练集训练得到的神经网络就可以准确的预测哪些后台应用可以被清理,哪些后台应用不可以被清理。
在本发明应用管理方法上述各实施例的一个具体示例中,基于误差值对神经网络中的参数进行更新,包括:
基于误差值通过反向梯度算法对神经网络中的参数进行更新。
本实施例中,提供了基于反向梯度算法对网络进行更新的方法,除了通过反向梯度传导误差值的方式对神经网络的参数进行更新,还可以通过其他神经网络更新方法对本发明神经网络的参数进行更新,主要在于应用的训练集是已知标注标签的后台应用。
在本发明应用管理方法上述各实施例的一个具体示例中,预设条件包括以下任意一项:
损失函数收敛、迭代次数达到预设次数和误差值小于预设值。
本实施例中列举了3种神经网络停止训练的预设条件,这些预设条件仅为了协助本领域技术人员实现本发明,并不用于限制本发明方法的实现。
本发明上述实施例,还可以将提取的特征(多维度特征向量)按照设备(如:手机等能安装应用的设备)分为训练数据集和测试数据集,训练数据集和测试数据集的数量控制在设定比例(如:10:1)左右,并且尽量取时间跨度较长的设备中的应用对应的多维度特征向量作为测试数据集中的数据。训练数据集中的多维度特征向量用于训练初始神经网络,经过训练的神经网络对测试数据集中的多维度特征向量进行分类,根据输出的概率向量对神经网络进行调整得到评价值较高的神经网络。
将预测结果与真实应用清理情况进行比对,并根据网络评估指标(如:召回率、准确率、误杀率等)对神经网络进行评价。
示例性地,具体训练过程多层神经网络可以包括:设计网络结构:多层感知器由全连接层和非线性激活层组成,设计时需要考虑总体隐含层数、每层神经元个数、激活函数的选择等;一旦网络结构设计确定,模型的结构、参数个数以及前向传播的计算方法就已确定,训练过程只改变模型参数的数值。选择损失函数:常用损失函数包括log对数损失函数、平方损失函数等。选择模型参数更新方法:通常为随机梯度下降法。设定优化方法中的超参数:如学习率等。开始使用训练集进行训练:观察损失函数的值的变化,若不会降低,重新调整超参数重新训练,若调整超参数无效,则重新开始设计网络。当损失函数值降至不再变化,则模型训练完毕,获得训练好的分类准确的分类模型,还可以将当前分类模型的网络结构以及所有参数按照某种格式储存下来以待日后使用。训练完成后得到一个拟合好参数的多层感知器模型,模型的输入为n×1的特征向量,输出为2×1的预测结果向量,第一维表示预测分类为不可清理的概率,第二维为预测分类为可清理的概率。
还存在一种情况,若在训练过程中发现,在训练集上损失函数值较低,测试集上损失函数值较高,则模型训练出现过拟合,应在训练过程中加入防止过拟合的手段。包括提前终止训练,使用dropout方法有效防止过拟合,dropout是指在深度学习网络的训练过程中,对于神经网络单元,按照一定的概率将其暂时从网络中丢弃。损失函数中加入模型参数正则化项等。
如果通过训练好的神经网络的评价指标仍然无法达标时,可以通过调整神经网络的超参数获得新的神经网络重新进行应用是否可清理的预测;或通过调整提取的特征的维度。在机器学习的上下文中,超参数是在开始学习过程之前设置值的参数,而不是通过训练得到的参数数据。通常情况下,需要对超参数进行优化,给学习机选择一组最优超参数,以提高学习的性能和效果。比如:调整随机森林算法中树的个数和深度、预设的回溯时间、预设的回溯后台应用个数等。
通过测试数据集可以获得神经网络对应评价指标的评价值。
其中,评价指标指包括但不限于召回率、准确率和误杀率,评价值与召回率和准确率成正比,与误杀率成反比,召回率也叫查全率,是检索出的相关文档数和文档库中所有的相关文档数的比率,衡量的是检索系统的查全率,在本实施例中指争取预测为可清理的应用数目占真实标签为可清理的应用的比例;召回率越高,代表正确预测为可清理的应用数目占真实标签为可清理的后台应用比例越高,说明了分类模型能尽可能全面地找到可清理的应用;准确率越高,代表正确预测为可清理应用数目占所有预测应用数目的比例越高,说明了模型的预测准确度更好;误杀率越低,说明错误被清理掉的应用数目比例更低,代表了用户的使用体验更好;理想的分类模型是在误杀率很低的情况下,模型的准确率和召回率越高越好。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
图2为本发明应用管理装置一个实施例的结构示意图。该实施例的装置可用于实现本发明上述各方法实施例。如图2所示,该实施例的装置包括:
信息获取单元21,用于获取操作系统中的应用运行信息;
特征提取单元22,用于对应用运行信息基于时间采样获得后台应用的标签和对应后台应用的多维度特征;
其中,多维度特征为基于时间采样的多次运行状态采样得到的特征;每个后台应用在一个采样点对应一个多维度特征。
结果预测单元23,用于利用神经网络,基于获得的多维度特征预测操作系统中的后台应用是否可被清理,获得预测结果。
通过经过训练的神经网络,基于与后台应用是否可被清理的相关特征即可获得哪些后台应用可被清理,哪些后台应用不可被清理,由于训练神经网络的样本数据是大量已知的可清理的后台应用,因此利用神经网络获得的预测结果更准确。
清理单元24,用于根据预测结果,对操作系统中可被清理的后台应用进行清理。
基于本发明上述实施例提供的一种应用管理装置,获取操作系统中的应用运行信息;对应用运行信息基于时间采样获得后台应用的标签和对应所述后台应用的多维度特征,为了能保证在任何时间都能准确预测目标应用是否可被清理,特征提取的过程中,本实施例通过对时间采样来模拟随机性;利用神经网络,基于获得的多维度特征预测后台应用是否可被清理,获得预测结果,根据预测结果可知哪些后台应用在设定时间内被再次调用的几率低于设定值,这些后台应用被认为是可被清理,对操作系统中可被清理的后台应用进行清理,有效降低误杀率,提高召回率。
本发明应用管理装置的另一个实施例中,在上述实施例的基础上,信息获取单元21,具体用于读取操作系统中的日志文件;从日志文件中提取操作系统中各个应用对应的应用运行信息。
日志文件包括但不限于应用被打开事件、屏幕开关时间、应用被强制停止的事件、电池相关的事件、无线网络连接事件等等;通过读取操作系统中的日志文件,可以获得操作系统中所有应用的运行信息和其他相关信息,基于运行信息即可确定当前操作系统中,哪些应用属于后台应用,哪些应用属于前台应用,对于应用的管理包括对预设时间内不会被再次调用的后台应用进行清理。
本实施例为了克服现有技术中的仅依据使用次数少、使用时间短或者频次低对后台应用进行清理所产生的弊端,提出了利用神经网络对日志文件进行特征提取,由于神经网络是通过样本进行训练的,可以获得与应用是否在短时间内被再次调用更相关的特征。
在本发明应用管理装置上述各实施例的一个具体示例中,应用运行信息包括以下任意一项或多项:应用相关信息、多应用之间的关系信息和终端设备相关信息。
在本发明应用管理装置上述各实施例的一个具体示例中,应用相关事件包括以下任意一项或多项:应用切换到后台时长信息、应用使用时长信息、应用使用次数信息、应用所属类别信息和应用切换方式信息。
在本发明应用管理装置上述各实施例的一个具体示例中,多应用之间的关系信息包括以下任意一项或多项:应用与前台应用的相关性信息、前一个应用与前台应用的相关性信息和应用与前一个应用的相关性信息;前一个应用为在应用之前启动的最后一个应用。
在本发明应用管理装置上述各实施例的一个具体示例中,终端设备相关信息包括以下任意一项或多项:黑屏时长信息、黑屏占比信息、终端设备电池信息和终端设备网络信息。
本发明应用管理装置的又一个实施例中,在上述实施例的基础上,神经网络包括多层神经网络或随机森林网络。
本发明应用管理装置的又一个实施例中,在上述实施例的基础上,结果预测单元22,具体用于利用神经网络,基于获得的多维度特征输出后台应用对应分类的概率向量;根据概率向量中的概率值判断后台应用是否可被清理。
本实施例中,保证用户体验的前提下完全解决释放更多系统内存、降低手机功耗的问题;示例地,具体过程包括:设备(如:手机)内存中先载入分类模型SDK软件开发包并储存;设备系统随时均可获得当前运行的前台应用和后台应用的信息(日志文件信息);当需要清理后台应用时(可为任意时间,例如设定每分钟自动触发一次),将设备系统获得的日志文件数据作为分类模型的输入,调用模型SDK;分类模型的输出为当前每一个后台应用在预设时间内不会被重新调用的概率值,系统将对每一个后台应用判断此概率值是否超过预设的统一阈值。如果是,则清理该应用;若否,则保留该应用。
在本发明应用管理装置上述各实施例的一个具体示例中,结果预测单元22,包括:
可清理模块,用于分别判断概率向量中的概率值是否大于或等于预设值,当概率值大于或等于预设值时,将概率值标记为可被清理标签,概率值对应的后台应用可被清理;
不可清理模块,用于当概率值小于预设值时,将概率值标记为不可清理标签,概率值对应的后台应用不可被清理。
本发明应用管理装置的再一个实施例中,在上述实施例的基础上,还包括:
预处理单元,用于对日志文件执行数据聚合处理和/或数据清洗处理。
本实施例中,对日志文件信息进行数据预处理,包括但不限于数据聚合、数据清洗等过程,以解决日志文件信息中存在的数据缺失、数据异常、数据类型不统一等问题,便于后续的特征提取。
本发明应用管理装置的再一个实施例中,在上述实施例的基础上,结果预测单元,具体用于利用神经网络,基于获得的多维度特征预测操作系统中的后台应用是否可被清理,获得预测标签,后台应用标注有标注标签;
本实施例装置还包括:
训练单元,用于所述后台应用的标注标签和预测标签对所述神经网络进行训练。
本发明上述实施例中,将已知标注标签的后台应用输入到神经网络,基于神经网络将获得对应后台应用的预测标签,通过标注标签和预测标签就可以实现对神经网络的训练,训练后的神经网络将获得更准确的预测标签,进而确哪些后台应用可被清理,哪些后台应用不可被清理。基于预测标签和后台应用已知的标注标签对该神经网络进行训练,获得训练后的神经网络,训练后的神经网络由于其训练数据是已知是否可被清理的后台应用,因此针对后台应用能更准确的预测是否需要被清理。
在本发明应用管理装置上述各实施例的一个具体示例中,训练单元,包括:
误差计算模块,用于基于操作系统中的后台应用的标注标签和预测标签通过损失函数计算获得所述神经网络的误差值;
更新模块,用于基于误差值对神经网络中的参数进行更新;
迭代模块,用于将更新参数后的神经网络作为神经网络,根据以下方法迭代神经网络:基于提取的特征预测操作系统中的后台应用是否可被清理,获得预测标签;基于操作系统中的后台应用的标注标签和预测标签通过损失函数计算获得神经网络的误差值;基于误差值通过反向梯度算法对神经网络中的参数进行更新;直到神经网络满足预设条件停止迭代。
本实施例中基于标注标签和预测标签通过损失函数计算神经网络的误差值,基于误差值对神经网络中的参数进行更新,得到更新参数后的神经网络,迭代执行预测标签和参数更新过程,直到神经网络满足预设条件,得到训练好的神经网络;除了通过反向梯度传导误差值的方式对神经网络进行训练,还可以通过其他神经网络训练方法对本发明神经网络进行训练,主要在于应用的训练集是已知标注标签的后台应用,基于该训练集训练得到的神经网络就可以准确的预测哪些后台应用可以被清理,哪些后台应用不可以被清理。
在本发明应用管理装置上述各实施例的一个具体示例中,更新模块,具体用于基于误差值通过反向梯度算法对神经网络中的参数进行更新。
在本发明应用管理装置上述各实施例的一个具体示例中,预设条件包括以下任意一项:
损失函数收敛、迭代次数达到预设次数和误差值小于预设值。
根据本发明实施例的一个方面,提供的一种电子设备,包括处理器,处理器包括本发明上述任一实施例的应用管理装置装置。
根据本发明实施例的一个方面,提供的一种电子设备,包括:存储器,用于存储可执行指令;
以及处理器,用于与存储器通信以执行可执行指令从而完成本发明应用管理方法上述任一实施例的操作。
根据本发明实施例的一个方面,提供的一种计算机存储介质,用于存储计算机可读取的指令,指令被执行时执行本发明应用管理方法上述任一实施例的操作。本发明实施例还提供了一种电子设备,例如可以是移动终端、个人计算机(PC)、平板电脑、服务器等。下面参考图3,其示出了适于用来实现本申请实施例的终端设备或服务器的电子设备300的结构示意图:如图3所示,计算机系统300包括一个或多个处理器、通信部等,所述一个或多个处理器例如:一个或多个中央处理单元(CPU)301,和/或一个或多个图像处理器(GPU)313等,处理器可以根据存储在只读存储器(ROM)302中的可执行指令或者从存储部分308加载到随机访问存储器(RAM)303中的可执行指令而执行各种适当的动作和处理。通信部312可包括但不限于网卡,所述网卡可包括但不限于IB(Infiniband)网卡。
处理器可与只读存储器302和/或随机访问存储器330中通信以执行可执行指令,通过总线304与通信部312相连、并经通信部312与其他目标设备通信,从而完成本申请实施例提供的任一项方法对应的操作,例如,获取操作系统中的应用运行信息;对应用运行信息基于时间采样获得后台应用的标签和对应后台应用的多维度特征;利用神经网络,基于获得的多维度特征预测操作系统中的后台应用是否可被清理,获得预测结果;根据预测结果,对操作系统中可被清理的后台应用进行清理。
此外,在RAM 303中,还可存储有装置操作所需的各种程序和数据。CPU301、ROM302以及RAM303通过总线304彼此相连。在有RAM303的情况下,ROM302为可选模块。RAM303存储可执行指令,或在运行时向ROM302中写入可执行指令,可执行指令使处理器301执行上述通信方法对应的操作。输入/输出(I/O)接口305也连接至总线304。通信部312可以集成设置,也可以设置为具有多个子模块(例如多个IB网卡),并在总线链接上。
以下部件连接至I/O接口305:包括键盘、鼠标等的输入部分306;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分307;包括硬盘等的存储部分308;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分309。通信部分309经由诸如因特网的网络执行通信处理。驱动器310也根据需要连接至I/O接口305。可拆卸介质311,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器310上,以便于从其上读出的计算机程序根据需要被安装入存储部分308。
需要说明的,如图3所示的架构仅为一种可选实现方式,在具体实践过程中,可根据实际需要对上述图3的部件数量和类型进行选择、删减、增加或替换;在不同功能部件设置上,也可采用分离设置或集成设置等实现方式,例如GPU和CPU可分离设置或者可将GPU集成在CPU上,通信部可分离设置,也可集成设置在CPU或GPU上,等等。这些可替换的实施方式均落入本发明公开的保护范围。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括有形地包含在机器可读介质上的计算机程序,计算机程序包含用于执行流程图所示的方法的程序代码,程序代码可包括对应执行本申请实施例提供的方法步骤对应的指令,例如,获取操作系统中的应用运行信息;对应用运行信息基于时间采样获得后台应用的标签和对应后台应用的多维度特征;利用神经网络,基于获得的多维度特征预测操作系统中的后台应用是否可被清理,获得预测结果;根据预测结果,对操作系统中可被清理的后台应用进行清理。在这样的实施例中,该计算机程序可以通过通信部分309从网络上被下载和安装,和/或从可拆卸介质311被安装。在该计算机程序被中央处理单元(CPU)301执行时,执行本申请的方法中限定的上述功能。
可能以许多方式来实现本发明的方法和装置、设备。例如,可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本发明的方法和装置、设备。用于方法的步骤的上述顺序仅是为了进行说明,本发明的方法的步骤不限于以上具体描述的顺序,除非以其它方式特别说明。此外,在一些实施例中,还可将本发明实施为记录在记录介质中的程序,这些程序包括用于实现根据本发明的方法的机器可读指令。因而,本发明还覆盖存储用于执行根据本发明的方法的程序的记录介质。
本发明的描述是为了示例和描述起见而给出的,而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本发明的原理和实际应用,并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。
Claims (10)
1.一种应用管理方法,其特征在于,包括:
获取操作系统中的应用运行信息;
对所述应用运行信息基于时间采样获得后台应用的标签和对应所述后台应用的多维度特征;所述多维度特征为基于时间采样的多次运行状态采样得到的特征;
利用神经网络,基于获得的多维度特征预测所述操作系统中的所述后台应用是否可被清理,获得预测结果;
根据所述预测结果,对所述操作系统中可被清理的后台应用进行清理。
2.根据权利要求1所述的方法,其特征在于,所述获取操作系统中的应用运行信息,包括:
读取操作系统中的日志文件;
从所述日志文件中提取操作系统中各个应用对应的应用运行信息。
3.根据权利要求1或2所述的方法,其特征在于,所述应用运行信息包括以下任意一项或多项:应用相关信息、多应用之间的关系信息和终端设备相关信息。
4.根据权利要求3所述的方法,其特征在于,所述应用相关事件包括以下任意一项或多项:应用切换到后台时长信息、应用使用时长信息、应用使用次数信息、应用所属类别信息和应用切换方式信息。
5.根据权利要求3或4所述的方法,其特征在于,所述多应用之间的关系信息包括以下任意一项或多项:应用与前台应用的相关性信息、前一个应用与前台应用的相关性信息和应用与前一个应用的相关性信息;所述前一个应用为在应用之前启动的最后一个应用。
6.根据权利要求3-5任一所述的方法,其特征在于,所述终端设备相关信息包括以下任意一项或多项:黑屏时长信息、黑屏占比信息、终端设备电池信息和终端设备网络信息。
7.一种应用管理装置,其特征在于,包括:
信息获取单元,用于获取操作系统中的应用运行信息;
特征提取单元,用于对所述应用运行信息基于时间采样获得后台应用的标签和对应所述后台应用的多维度特征;所述多维度特征为基于时间采样的多次运行状态采样得到的特征;
结果预测单元,用于利用所述神经网络,基于获得的多维度特征预测所述操作系统中的所述后台应用是否可被清理,获得预测结果;
清理单元,用于根据所述预测结果,对所述操作系统中可被清理的后台应用进行清理。
8.一种电子设备,其特征在于,包括处理器,所述处理器包括权利要求7所述的应用管理装置。
9.一种电子设备,其特征在于,包括:存储器,用于存储可执行指令;
以及处理器,用于与所述存储器通信以执行所述可执行指令从而完成权利要求1至6任意一项所述应用管理方法的操作。
10.一种计算机存储介质,用于存储计算机可读取的指令,其特征在于,所述指令被执行时执行权利要求1至6任意一项所述应用管理方法的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711050766.0A CN108228325B (zh) | 2017-10-31 | 2017-10-31 | 应用管理方法和装置、电子设备、计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711050766.0A CN108228325B (zh) | 2017-10-31 | 2017-10-31 | 应用管理方法和装置、电子设备、计算机存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108228325A true CN108228325A (zh) | 2018-06-29 |
CN108228325B CN108228325B (zh) | 2020-12-29 |
Family
ID=62655653
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711050766.0A Active CN108228325B (zh) | 2017-10-31 | 2017-10-31 | 应用管理方法和装置、电子设备、计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108228325B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109359727A (zh) * | 2018-12-07 | 2019-02-19 | 北京字节跳动网络技术有限公司 | 神经网络的结构确定方法、装置、设备及可读介质 |
CN109783324A (zh) * | 2018-12-11 | 2019-05-21 | 平安科技(深圳)有限公司 | 系统运行预警方法及装置 |
CN110221756A (zh) * | 2019-06-18 | 2019-09-10 | Oppo广东移动通信有限公司 | 处理应用数据的方法、装置、终端及存储介质 |
CN111260095A (zh) * | 2020-01-16 | 2020-06-09 | 重庆特斯联智慧科技股份有限公司 | 一种基于物联网的景点资源调度方法和系统 |
CN111459533A (zh) * | 2020-04-10 | 2020-07-28 | 济宁市技师学院 | 一种管理软件系统 |
CN112000470A (zh) * | 2020-08-07 | 2020-11-27 | 杭州安恒信息技术股份有限公司 | 一种内存数据处理方法、系统和装置 |
CN112632051A (zh) * | 2020-12-25 | 2021-04-09 | 中国工商银行股份有限公司 | 基于神经网络的数据库清理方法及系统 |
CN112860145A (zh) * | 2019-07-30 | 2021-05-28 | 华为技术有限公司 | 一种应用的控制方法与电子设备 |
CN113050783A (zh) * | 2019-12-26 | 2021-06-29 | Oppo广东移动通信有限公司 | 终端控制方法、装置、移动终端及存储介质 |
CN113439253A (zh) * | 2019-04-12 | 2021-09-24 | 深圳市欢太科技有限公司 | 应用清理方法、装置、存储介质及电子设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060242706A1 (en) * | 2005-03-11 | 2006-10-26 | Ross Robert B | Methods and systems for evaluating and generating anomaly detectors |
CN101782976A (zh) * | 2010-01-15 | 2010-07-21 | 南京邮电大学 | 一种云计算环境下机器学习自动选择方法 |
CN102521041A (zh) * | 2011-12-14 | 2012-06-27 | 华为终端有限公司 | 一种处理应用程序的方法及无线手持设备 |
CN106919448A (zh) * | 2017-02-16 | 2017-07-04 | 北京小米移动软件有限公司 | 应用清理方法及装置 |
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 |
CN107220277A (zh) * | 2017-04-14 | 2017-09-29 | 西北大学 | 基于手绘草图的图像检索算法 |
-
2017
- 2017-10-31 CN CN201711050766.0A patent/CN108228325B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060242706A1 (en) * | 2005-03-11 | 2006-10-26 | Ross Robert B | Methods and systems for evaluating and generating anomaly detectors |
CN101782976A (zh) * | 2010-01-15 | 2010-07-21 | 南京邮电大学 | 一种云计算环境下机器学习自动选择方法 |
CN102521041A (zh) * | 2011-12-14 | 2012-06-27 | 华为终端有限公司 | 一种处理应用程序的方法及无线手持设备 |
CN106919448A (zh) * | 2017-02-16 | 2017-07-04 | 北京小米移动软件有限公司 | 应用清理方法及装置 |
CN107220277A (zh) * | 2017-04-14 | 2017-09-29 | 西北大学 | 基于手绘草图的图像检索算法 |
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 (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109359727A (zh) * | 2018-12-07 | 2019-02-19 | 北京字节跳动网络技术有限公司 | 神经网络的结构确定方法、装置、设备及可读介质 |
CN109359727B (zh) * | 2018-12-07 | 2022-01-11 | 北京字节跳动网络技术有限公司 | 神经网络的结构确定方法、装置、设备及可读介质 |
CN109783324A (zh) * | 2018-12-11 | 2019-05-21 | 平安科技(深圳)有限公司 | 系统运行预警方法及装置 |
CN109783324B (zh) * | 2018-12-11 | 2022-08-26 | 平安科技(深圳)有限公司 | 系统运行预警方法及装置 |
CN113439253B (zh) * | 2019-04-12 | 2023-08-22 | 深圳市欢太科技有限公司 | 应用清理方法、装置、存储介质及电子设备 |
CN113439253A (zh) * | 2019-04-12 | 2021-09-24 | 深圳市欢太科技有限公司 | 应用清理方法、装置、存储介质及电子设备 |
CN110221756A (zh) * | 2019-06-18 | 2019-09-10 | Oppo广东移动通信有限公司 | 处理应用数据的方法、装置、终端及存储介质 |
CN110221756B (zh) * | 2019-06-18 | 2020-08-28 | Oppo广东移动通信有限公司 | 处理应用数据的方法、装置、终端及存储介质 |
CN112860145A (zh) * | 2019-07-30 | 2021-05-28 | 华为技术有限公司 | 一种应用的控制方法与电子设备 |
CN112860145B (zh) * | 2019-07-30 | 2022-08-26 | 华为技术有限公司 | 一种应用的控制方法与电子设备 |
CN113050783A (zh) * | 2019-12-26 | 2021-06-29 | Oppo广东移动通信有限公司 | 终端控制方法、装置、移动终端及存储介质 |
CN113050783B (zh) * | 2019-12-26 | 2023-08-08 | Oppo广东移动通信有限公司 | 终端控制方法、装置、移动终端及存储介质 |
CN111260095B (zh) * | 2020-01-16 | 2021-08-03 | 重庆特斯联智慧科技股份有限公司 | 一种基于物联网的景点资源调度方法和系统 |
CN111260095A (zh) * | 2020-01-16 | 2020-06-09 | 重庆特斯联智慧科技股份有限公司 | 一种基于物联网的景点资源调度方法和系统 |
CN111459533A (zh) * | 2020-04-10 | 2020-07-28 | 济宁市技师学院 | 一种管理软件系统 |
CN112000470A (zh) * | 2020-08-07 | 2020-11-27 | 杭州安恒信息技术股份有限公司 | 一种内存数据处理方法、系统和装置 |
CN112000470B (zh) * | 2020-08-07 | 2024-04-09 | 杭州安恒信息技术股份有限公司 | 一种内存数据处理方法、系统和装置 |
CN112632051A (zh) * | 2020-12-25 | 2021-04-09 | 中国工商银行股份有限公司 | 基于神经网络的数据库清理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108228325B (zh) | 2020-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108228325A (zh) | 应用管理方法和装置、电子设备、计算机存储介质 | |
US11392843B2 (en) | Utilizing a machine learning model to predict a quantity of cloud resources to allocate to a customer | |
Imteaj et al. | Federated learning for resource-constrained iot devices: Panoramas and state of the art | |
Amiri et al. | An online learning model based on episode mining for workload prediction in cloud | |
CN107678803A (zh) | 应用管控方法、装置、存储介质及电子设备 | |
CN108090788A (zh) | 基于时间信息集成模型的广告转化率预估方法 | |
Vu et al. | Distributed adaptive model rules for mining big data streams | |
CN109978177A (zh) | 模型训练方法、业务处理方法、装置及相关设备 | |
Chen et al. | Retail: Opting for learning simplicity to enable qos-aware power management in the cloud | |
Sui et al. | Bayesian contextual bandits for hyper parameter optimization | |
CN114895773A (zh) | 异构多核处理器的能耗优化方法、系统、装置及存储介质 | |
Qiao et al. | An empirical study on software aging indicators prediction in Android mobile | |
Ismaeel et al. | Multivariate time series ELM for cloud data centre workload prediction | |
CN107678531B (zh) | 应用清理方法、装置、存储介质及电子设备 | |
CN116595157B (zh) | 基于用户意图融合的动态兴趣转移型会话推荐方法与系统 | |
CN109697155A (zh) | It系统性能评估方法、装置、设备及可读存储介质 | |
Wang et al. | Estimating multiclass service demand distributions using Markovian arrival processes | |
Tejaswi et al. | Investigation of Ethereum Price Trends using Machine learning and Deep Learning Algorithms | |
CN107741867B (zh) | 应用程序管理方法、装置、存储介质及电子设备 | |
Li et al. | The extreme counts: modeling the performance uncertainty of cloud resources with extreme value theory | |
Cai et al. | Modeling marked temporal point process using multi-relation structure RNN | |
Liu et al. | 5G/B5G Network Slice Management via Staged Reinforcement Learning | |
Poornima et al. | Prediction of Water Consumption Using Machine Learning Algorithm | |
CN107870811A (zh) | 应用清理方法、装置、存储介质及电子设备 | |
Antici et al. | Augmenting ML-based Predictive Modelling with NLP to Forecast a Job's Power Consumption |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |