CN109522143A - 基于安卓系统的移动设备老化重生方法 - Google Patents

Abstract

本发明公开了一种基于安卓系统的移动设备老化重生方法，包括：步骤1，构建移动设备用户行为马尔科夫模型和老化过程马尔科夫模型，用户行为马尔科夫模型为二状态马尔科夫模型，包括活跃状态和休眠状态；老化过程马尔科夫模型用于用以预测和判断移动设备老化过程的各个状态，包括年轻状态、老化状态、主动执行恢复状态、被动执行恢复状态；步骤2，将用户行为马尔科夫模型和老化过程马尔科夫模型相结合，构建完整老化重生马尔科夫模型；步骤3，计算完整老化重生马尔科夫模型的稳态值，计算在不同时间点下执行老化重生下各状态的损失值，以获取最优的老化重生执行时间点。

Description

基于安卓系统的移动设备老化重生方法

技术领域

本发明属于软件老化领域，具体涉及一种基于安卓系统的移动设备老化重生方法。

背景技术

对于各种移动设备如安卓手机中，发生软件老化是导致其在长期运行过程中出现卡顿等现象的主要原因。软件老化重生是一种用以缓解软件老化的方法。

传统的对软件老化重生的研究主要是基于对软件老化过程的建模。与其他软件设备如Linux等不同的是，安卓设备如手机等的使用行为呈现时间碎片化特征，因此在制定安卓软件老化重生策略的过程中不能只简单的考虑安卓的老化过程，如在用户正在使用安卓手机的时候执行重生，则会很大的影响用户的体验。

因此在对安卓老化重生的研究中，需同时考虑用户的使用行为及老化过程。

发明内容

本发明要解决的技术问题在于针对现有技术中移动设备中的系统容易老化，客户使用体验差的缺陷，提供一种同时考虑用户的使用行为及老化过程的基于安卓系统的移动设备老化重生方法。

本发明解决其技术问题所采用的技术方案是：

提供一种基于安卓系统的移动设备老化重生方法，包括：

步骤1，构建移动设备用户行为马尔科夫模型和老化过程马尔科夫模型，用户行为马尔科夫模型为二状态马尔科夫模型，包括活跃状态和休眠状态；老化过程马尔科夫模型用于用以预测和判断移动设备老化过程的各个状态，包括年轻状态、老化状态、主动执行恢复状态、被动执行恢复状态；

步骤2，将用户行为马尔科夫模型和老化过程马尔科夫模型相结合，构建完整老化重生马尔科夫模型；

步骤3，计算完整老化重生马尔科夫模型的稳态值，计算在不同时间点下执行老化重生下各状态的损失值，以获取最优的老化重生执行时间点。

接上述技术方案，步骤2具体使用随机Petri网将用户行为马尔科夫模型和老化过程马尔科夫模型相结合，并且规定只有在用户不使用移动设备的状态下才能执行老化重生，然后再将生成的SPN模型转化为马尔科夫模型。

接上述技术方案，步骤3具体为：假设执行老化重生的时间点为t,则根据马尔科夫稳态方程计算出各个稳定状态的概率值f(t),通过计算不同时间点下执行老化重生下各稳定状态的概率值，获取最大收益以及最小损失，确定最优的执行老化重生的时间点。

接上述技术方案，当移动设备系统平均UI响应时间小于预设值时，系统处于年轻状态；当平均UI响应时间大于预设时间时，系统进入老化状态；老化状态持续时间达到预设时间后，被动执行恢复行为，进入被动执行恢复状态。

接上述技术方案，定义移动设备老化过程的各个状态：

活跃年轻状态：用户正在操作移动设备，系统运行流畅；

休眠年轻状态：系统运行流畅，但用户没有操作移动设备；

活跃老化状态：用户正在操作移动设备，系统运行时UI响应缓慢；

休眠老化状态：用户没有操作移动设备，系统运行时UI响应缓慢；

主动恢复状态：移动设备在用户操作时移动设备重启；

休眠恢复状态：当用户未操作时，系统将重新启动；

休眠重生状态：当用户不操作移动设备时，系统会执行主动恢复活力；

活跃重生状态：当用户操作移动设备时，系统执行主动恢复活力。

本发明还提供了一种基于安卓系统的移动设备老化重生系统，包括：

子模型构建模块，用于构建移动设备用户行为马尔科夫模型和老化过程马尔科夫模型，用户行为马尔科夫模型为二状态马尔科夫模型，包括活跃状态和休眠状态；老化过程马尔科夫模型用于用以预测和判断移动设备老化过程的各个状态，包括年轻状态、老化状态、主动执行恢复状态、被动执行恢复状态；

总模型构建模块，用于将用户行为马尔科夫模型和老化过程马尔科夫模型相结合，构建完整老化重生马尔科夫模型；

最优老化重生模块，用于计算完整老化重生马尔科夫模型的稳态值，计算在不同时间点下执行老化重生下各状态的损失值，以获取最优的老化重生执行时间点。

接上述技术方案，总模型构建模块具体使用随机Petri网将用户行为马尔科夫模型和老化过程马尔科夫模型相结合，并且规定只有在用户不使用移动设备的状态下才能执行老化重生，然后再将生成的SPN模型转化为马尔科夫模型。

接上述技术方案，最优老化重生模块具体用于：假设执行老化重生的时间点为t,则根据马尔科夫稳态方程计算出各个稳定状态的概率值f(t),通过计算不同时间点下执行老化重生下各稳定状态的概率值，获取最大收益以及最小损失，确定最优的执行老化重生的时间点。

接上述技术方案，子模型构建模块还用于设置当移动设备系统平均UI响应时间小于预设值时，系统处于年轻状态；当平均UI响应时间大于预设时间时，系统进入老化状态；老化状态持续时间达到预设时间后，被动执行恢复行为，进入被动执行恢复状态。

接上述技术方案，子模型构建模块还用于定义移动设备老化过程的各个状态：

活跃年轻状态：用户正在操作移动设备，系统运行流畅；

休眠年轻状态：系统运行流畅，但用户没有操作移动设备；

活跃老化状态：用户正在操作移动设备，系统运行时UI响应缓慢；

休眠老化状态：用户没有操作移动设备，系统运行时UI响应缓慢；

主动恢复状态：移动设备在用户操作时移动设备重启；

休眠恢复状态：当用户未操作时，系统将重新启动；

休眠重生状态：当用户不操作移动设备时，系统会执行主动恢复活力；

活跃重生状态：当用户操作移动设备时，系统执行主动恢复活力。

本发明产生的有益效果是：本发明针对基于安卓系统的移动设备的使用行为特性，将用户使用行为模型及老化过程模型相结合，从而构建完整的老化重生模型，解决了传统重生模型对安卓系统的不适应性，有助于缓解安卓老化所带来的影响，改善用户体验。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1为本发明实施例的用户行为马尔科夫模型图；

图2为本发明实施例的老化过程马尔科夫模型图；

图3为本发明实施例的用户行为模型及老化过程模型的结合图；

图4为本发明实施例的老化重生模型图；

图5和图6为本发明实施例的状态概率图；

图7为本发明实施例的方法流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

如图7所示，本发明的基于安卓系统的老化重生方法，包括：

步骤1，构建用户使用行为模型以及老化过程模型；

步骤2，将步骤1中两个单独的用户使用行为模型及老化过程模型结合，构建完整的老化重生模型；

步骤3，通过获取最大收益以及最小损失来决定最优的执行老化重生的时间点。

较佳的，步骤1构建的用户行为模型以及老化过程模型为连续时间马尔科夫模型，用以描述预测用户的使用行为和老化过程的各个状态。用户行为马尔科夫模型为二状态马尔科夫模型，包括活跃状态和休眠状态；老化过程马尔科夫模型用于用以预测和判断移动设备老化过程的各个状态，包括年轻状态、老化状态、主动执行恢复状态、被动执行恢复状态；

较佳地，步骤2结合步骤1中的两个模型，构建完整的老化重生模型。其中可以使用随机Petri网(SPN)来将两个马尔科夫模型结合起来，并且设定不能在用户正在使用的行为模式下对安卓进行重生操作，同时重生操作时间必须在安卓还未进入老化状态之前执行。

较佳地，步骤3计算最优的执行重生时间点，主要包括：通过计算不同执行重生时间点t下，马尔科夫模型中各个稳定状态的概率值，通过得到有助于改善用户体验的状态的最大概率值以及获取影响用户体验的状态的最小概率值来得到最优的执行重生的时间点t。

本发明的实施例中，随机Petri网(SPN)由5个元素组成(P,T,A,M₀,Λ)，每个组成部分的表示如下：

·P＝{p₁,p₂,…,p_m}是有限的库索集(用圆表示)；

·T＝{t₁,t₂,…,t_n}是有限的变迁集(用小方块表示)；

·是连接P和T的有向弧的集合；

·M₀是初始标识(用黑点表示)；

·Λ是A中有向弧的权值集合。

下面结合附图表和实例对本发明进行详细的描述，本实施例的一种新的安卓老化重生模型的具体步骤包括：

步骤1，构建用户使用行为模型及老化过程模型。

根据用户使用行为，我们构建两状态的马尔科夫模型，分别为“活跃”和“休眠”状态，用以预测用户行为。

两个状态之间的转换率是λ_as和λ_sa，如图1所示，这意味着安卓从休眠状态到活跃状态，转换速率为λ_sa，从活跃状态到休眠状态，转换速率为λ_as。

假设没有主动恢复的老化过程被建模为CTMC，如图2所示。根据安卓的软件老化过程，首先，系统处于“年轻”状态，这意味着手机运行流畅，没有明显的延迟，用户体验质量很高。然后，手机以转换速率λ_yo进入“老化”状态。“老化”状态意味着手机的操作不流畅，UI响应延迟，当平均UI响应时间大于500毫秒时，手机进入“老化”状态。

假设在系统进入“老化”状态持续时间达到1/λ_ore之后，手机的UI响应时间到达难以忍受的阶段，并且将需要立即执行一些恢复行为(例如反应性手动重启)。恢复需要一些时间，在这期间系统不可用，我们将其定义为“被动恢复”状态。恢复后，手机将以“被动恢复”状态进入“年轻”状态，转换速率为λ_rey。这意味着系统从“被动恢复”状态返回“年轻”状态需要1/λ_rey的平均时间。

在用户行为模型中，将初始状态设为“SY”，时间为晚上10点到第二天早上9点。我们把一天分为96个时间段，假设每天9点到10点期间λ_as＝0.6，λ_sa＝0.4,10点到第二天9点期间λ_as＝0.7，λ_sa＝0.3，时间段长度L＝48。UI平均响应时间延迟达到500ms所需时间与系统故障所需的时间比为1:2，所以假设λ_yo:λ_ore＝1:1。

假设在100小时之后，手机进入“老化”状态，此时λ_yo＝15/(100*60)＝0.0025,并且在接下来的100小时后，手机进入“重生”状态，此时λ_ore＝0.0025。假设手动重启手机到之前的稳定状态所需时间为1分钟，那么λ_rey＝15。

步骤2，将步骤1中两个单独的用户使用行为模型及老化过程模型结合，构建完整的老化重生模型。

为了改善用户体验，最好在UI响应变慢并且用户注意到性能下降之前进行主动恢复。这样用户就可以尽可能长时间地以“年轻”状态操作安卓。正在进行的主动恢复用“老化重生”状态表示，如图3所示。

在图3中，在给定转变速率λ_yo，λ_ore，λ_rey和λ_ry的情况下，执行恢复的平均时间，即1/λ_yr，可以仅基于老化状态来确定。但是，这种策略不稳定，可能会严重影响用户体验。因此，我们使用随机Petri网(SPN)将用户行为模型和老化过程模型相结合，并且规定只有在用户不使用移动设备的状态下才能执行老化重生，然后再将生成的SPN模型转化为马尔科夫模型CTMCs，如图4所示。

CTMC中的每个节点定义如下：

活跃年轻(AY)：用户正在操作移动电话，设备运行流畅。

休眠年轻(SY)：系统运行流畅，但用户没有操作手机。

活跃老化(AM)：用户正在操作移动电话，手机运行时UI响应缓慢。

休眠老化(SM)：用户没有操作安卓，手机运行时UI响应缓慢。

主动恢复(ARe)：手机在用户操作时手动重启。

休眠恢复(SRe)：当用户未操作时，安卓将重新启动。

休眠重生(RS)：当用户不操作手机时，系统会执行主动恢复活力。

活跃重生(RA)：当用户操作手机时，系统执行主动恢复活力。

根据λ_yo＝1/(a·λ_yr+b)，可以确定b＝220。所以当λ_yr＝02，如果我们经常进行老化重生，手机可能很难从“年轻”状态变为“老化”状态。在这种情况下,λ_yo就会是一个很小的值，设a＝10000。

步骤3，通过获取最大收益以及最小损失来决定最优的执行老化重生的时间点。

给定转换速率和初始状态的概率向量，我们可以推导出具有老化重生的模型中每个稳态的概率π_r：

π_r＝(π_rSY,π_rAY,π_rSO,π_rAO,π_rRA,π_rRS,π_rARe,π_rSRe)

类似地，我们可以使用π来表示不具有老化重生的模型中稳态的可证明向量：

π＝(π_SY,π_AY,π_SO,π_AO,π_ARe,π_SRe)

在计算每个稳态的概率之后，我们可以分析可用性和用户体验以确定最佳的恢复时间间隔。

老化重生模型中的平衡方程如下所示：

π_rSY·(λ_sa+λ_yo+λ_yr)＝π_rSM·λ_rey+π_rAY·λ_as+π_rRS·λ_ry

π_rAY·(λ_as+λ_yo)＝π_rSY·λ_sa+π_rARe·λ_rey+π_rRA·λ_ry

π_rRA·(λ_ry+λ_as)＝π_rRS·λ_sa

π_rRS·(λ_ry+λ_sa)＝π_rRA·λ_as+π_rSY·λ_yr

π_rSO·(λ_ore+λ_sa)＝π_rSY·λ_yo+π_rAO·λ_as

π_rAO·(λ_ore+λ_as)＝π_rSO·λ_sa+π_rAY·λ_yo

π_rARe·(λ_rey+λ_as)＝π_rAO·λ_ore+π_rSRe·λ_sa

π_rSRe·(λ_rey+λ_sa)＝π_rSO·λ_ore+π_rARe·λ_as

可以通过解平衡方程，得到稳态的概率π_r和π。

可以得到对应每个1/λ_yr值的状态“AY”的概率，如图5所示，这意味着当用户模式进入“休眠”状态时，执行老化重生会更好。但是这种策略可能会增加系统进入“RA”状态的可能性，从而影响用户体验。图6显示了状态“RA”和“ARe”的概率,首先减少然后增加,所以根据这些现象，当1/λ_yr＝120(也就是30小时或1.25天)时，并且用户没有使用手机时执行老化重生最合适。

以上实例为简单老化重生分析，本发明适用于复杂连续的老化重生分析，并通过计算机进行快速分析。

应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (10)

1.一种基于安卓系统的移动设备老化重生方法，其特征在于，包括：

步骤1，构建移动设备用户行为马尔科夫模型和老化过程马尔科夫模型，用户行为马尔科夫模型为二状态马尔科夫模型，包括活跃状态和休眠状态；老化过程马尔科夫模型用于用以预测和判断移动设备老化过程的各个状态，包括年轻状态、老化状态、主动执行恢复状态、被动执行恢复状态；

步骤2，将用户行为马尔科夫模型和老化过程马尔科夫模型相结合，构建完整老化重生马尔科夫模型；

步骤3，计算完整老化重生马尔科夫模型的稳态值，计算在不同时间点下执行老化重生下各状态的损失值，以获取最优的老化重生执行时间点。

2.根据权利要求1所述的基于安卓系统的移动设备老化重生方法，其特征在于，步骤2具体使用随机Petri网将用户行为马尔科夫模型和老化过程马尔科夫模型相结合，并且规定只有在用户不使用移动设备的状态下才能执行老化重生，然后再将生成的SPN模型转化为马尔科夫模型。

3.根据权利要求1所述的基于安卓系统的移动设备老化重生方法，其特征在于，步骤3具体为：假设执行老化重生的时间点为t,则根据马尔科夫稳态方程计算出各个稳定状态的概率值f(t),通过计算不同时间点下执行老化重生下各稳定状态的概率值，获取最大收益以及最小损失，确定最优的执行老化重生的时间点。

4.根据权利要求1所述的基于安卓系统的移动设备老化重生方法，其特征在于，当移动设备系统平均UI响应时间小于预设值时，系统处于年轻状态；当平均UI响应时间大于预设时间时，系统进入老化状态；老化状态持续时间达到预设时间后，被动执行恢复行为，进入被动执行恢复状态。

5.根据权利要求1所述的基于安卓系统的移动设备老化重生方法，其特征在于，定义移动设备老化过程的各个状态：

活跃年轻状态：用户正在操作移动设备，系统运行流畅；

休眠年轻状态：系统运行流畅，但用户没有操作移动设备；

活跃老化状态：用户正在操作移动设备，系统运行时UI响应缓慢；

休眠老化状态：用户没有操作移动设备，系统运行时UI响应缓慢；

主动恢复状态：移动设备在用户操作时移动设备重启；

休眠恢复状态：当用户未操作时，系统将重新启动；

休眠重生状态：当用户不操作移动设备时，系统会执行主动恢复活力；

活跃重生状态：当用户操作移动设备时，系统执行主动恢复活力。

6.一种基于安卓系统的移动设备老化重生系统，其特征在于，包括：

子模型构建模块，用于构建移动设备用户行为马尔科夫模型和老化过程马尔科夫模型，用户行为马尔科夫模型为二状态马尔科夫模型，包括活跃状态和休眠状态；老化过程马尔科夫模型用于用以预测和判断移动设备老化过程的各个状态，包括年轻状态、老化状态、主动执行恢复状态、被动执行恢复状态；

总模型构建模块，用于将用户行为马尔科夫模型和老化过程马尔科夫模型相结合，构建完整老化重生马尔科夫模型；

最优老化重生模块，用于计算完整老化重生马尔科夫模型的稳态值，计算在不同时间点下执行老化重生下各状态的损失值，以获取最优的老化重生执行时间点。

7.根据权利要求6所述的基于安卓系统的移动设备老化重生系统，其特征在于，总模型构建模块具体使用随机Petri网将用户行为马尔科夫模型和老化过程马尔科夫模型相结合，并且规定只有在用户不使用移动设备的状态下才能执行老化重生，然后再将生成的SPN模型转化为马尔科夫模型。

8.根据权利要求6所述的基于安卓系统的移动设备老化重生系统，其特征在于，最优老化重生模块具体用于：假设执行老化重生的时间点为t,则根据马尔科夫稳态方程计算出各个稳定状态的概率值f(t),通过计算不同时间点下执行老化重生下各稳定状态的概率值，获取最大收益以及最小损失，确定最优的执行老化重生的时间点。

9.根据权利要求6所述的基于安卓系统的移动设备老化重生系统，其特征在于，子模型构建模块还用于设置当移动设备系统平均UI响应时间小于预设值时，系统处于年轻状态；当平均UI响应时间大于预设时间时，系统进入老化状态；老化状态持续时间达到预设时间后，被动执行恢复行为，进入被动执行恢复状态。

10.根据权利要求6所述的基于安卓系统的移动设备老化重生系统，其特征在于，子模型构建模块还用于定义移动设备老化过程的各个状态：

活跃年轻状态：用户正在操作移动设备，系统运行流畅；

休眠年轻状态：系统运行流畅，但用户没有操作移动设备；

活跃老化状态：用户正在操作移动设备，系统运行时UI响应缓慢；

休眠老化状态：用户没有操作移动设备，系统运行时UI响应缓慢；

主动恢复状态：移动设备在用户操作时移动设备重启；

休眠恢复状态：当用户未操作时，系统将重新启动；

休眠重生状态：当用户不操作移动设备时，系统会执行主动恢复活力；

活跃重生状态：当用户操作移动设备时，系统执行主动恢复活力。