CN110086835A - 应用程序管控方法、终端、服务器及系统 - Google Patents
应用程序管控方法、终端、服务器及系统 Download PDFInfo
- Publication number
- CN110086835A CN110086835A CN201810066721.0A CN201810066721A CN110086835A CN 110086835 A CN110086835 A CN 110086835A CN 201810066721 A CN201810066721 A CN 201810066721A CN 110086835 A CN110086835 A CN 110086835A
- Authority
- CN
- China
- Prior art keywords
- sample
- terminal
- program
- information
- running background
- 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
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/34—Network arrangements or protocols for supporting network services or applications involving the movement of software or configuration parameters
Abstract
本申请实施例公开了一种应用程序管控方法、终端、服务器及系统,其中,应用程序管控方法可以应用于终端,应用程序管控方法包括:采集应用程序的耗电特征信息作为样本,构建样本集;将所述样本集发送给服务器,以由所述服务器对所述样本集进行训练并生成决策树模型;接收所述服务器发送的所述决策树模型;利用所述决策树模型对所述终端的后台运行程序进行预测,并根据预测结果及所述后台运行程序的用户特征信息对所述后台运行程序进行管控。本申请实施例能够有效地管控耗电应用程序,提高了对后台运行程序进行管控的智能化和准确性。
Description
技术领域
本申请涉及通信技术领域,具体涉及一种应用程序管控方法、终端、服务器及系统。
背景技术
随着科技的发展,机器人等终端变得越来越智能,在机器人上可以安装不同的应用程序(application),以实现不同的功能。比如,机器人可以实现唱歌、跳舞、讲故事等功能。随之而来的是,机器人的耗电量越来越大,续航能力越来越差,因此,机器人耗电成为严重困扰人类的问题。
为解决耗电问题,在有些机器人上,一旦应用程序进入后台,就将应用程序关闭掉,这种省电方案过于武断,不够智能化。
发明内容
有鉴于此,本申请实施例提供了一种应用程序管控方法、终端、服务器及系统,能够有效地管控耗电应用程序,提高了对后台运行程序进行管控的智能化和准确性。
本申请实施例提供的应用程序管控方法,可以应用于终端,该方法包括:
采集应用程序的耗电特征信息作为样本,构建样本集,所述耗电特征信息包括所述应用程序在后台运行时,对所述终端的各个预设模块的使用信息;
将所述样本集发送给服务器,以由所述服务器对所述样本集进行训练并生成决策树模型;
接收所述服务器发送的所述决策树模型;
利用所述决策树模型对所述终端的后台运行程序进行预测,并根据预测结果及所述后台运行程序的用户特征信息对所述后台运行程序进行管控,所述用户特征信息包括用户对所述后台运行程序的使用信息。
本申请实施例提供的应用程序管控方法,可以应用于服务器,该方法包括:
接收终端发送的样本集,所述样本集中包括由应用程序的耗电特征信息构成的样本;
对所述样本集进行训练,生成决策树模型;
将所述决策树模型发送给所述终端,以使得所述终端利用所述决策树模型对所述终端的后台运行程序进行预测并管控。
本申请实施例提供的终端,包括:
构建单元,用于采集应用程序的耗电特征信息作为样本,构建样本集,所述耗电特征信息包括所述应用程序在后台运行时,对所述终端的各个预设模块的使用信息;
第一发送单元,用于将所述样本集发送给服务器,以由所述服务器对所述样本集进行训练并生成决策树模型;
第一接收单元,用于接收所述服务器发送的所述决策树模型;
管控单元,用于利用所述决策树模型对所述终端的后台运行程序进行预测,并根据预测结果及所述后台运行程序的用户特征信息对所述后台运行程序进行管控,所述用户特征信息包括用户对所述后台运行程序的使用信息。
本申请实施例提供的服务器,包括:
第二接收单元,用于接收终端发送的样本集,所述样本集中包括由应用程序的耗电特征信息构成的样本;
训练单元,用于对所述样本集进行训练,生成决策树模型;
第二发送单元,用于将所述决策树模型发送给所述终端,以使得所述终端利用所述决策树模型对所述终端的后台运行程序进行预测并管控。
本申请实施例还提供了一种应用程序管控系统,包括上述终端以及上述服务器。
本申请实施例中,终端通过采集应用程序的耗电特征信息作为样本,构建样本集,将所述样本集发送给服务器,以由所述服务器对所述样本集进行训练并生成决策树模型,终端从所述服务器获取所述决策树模型,利用所述决策树模型对所述终端的后台运行程序进行预测,并根据预测结果及所述后台运行程序的用户特征信息对所述后台运行程序进行管控,以此实现了对耗电应用程序的管控,达到了省电的目的;另外,在管控时,兼顾了后台运行程序的用户特征信息,使得管控更具个性化,提高了对后台运行程序进行管控的智能化和准确性;另外,将决策树模型训练的过程放在服务器侧完成,进一步实现了省电。
附图说明
图1为本申请实施例提供的应用程序管控方法的应用场景示意图。
图2是本申请实施例提供的应用程序管控方法的流程示意图。
图3是本申请实施例提供的应用程序管控方法的另一流程示意图。
图4是本申请实施例提供的应用程序管控方法的又一流程示意图。
图5是本申请实施例生成的决策树的一个结构示意图。
图6是本申请实施例提供的终端的结构示意图。
图7是本申请实施例提供的终端的另一结构示意图。
图8是本申请实施例提供的终端的又一结构示意图。
图9是本申请实施例提供的服务器的结构示意图。
图10是本申请实施例提供的服务器的另一结构示意图。
图11是本申请实施例提供的服务器的又一结构示意图。
具体实施方式
请参照图式,其中相同的组件符号代表相同的组件,本申请的原理是以实施在一适当的运算环境中来举例说明。以下的说明是基于所例示的本申请具体实施例,其不应被视为限制本申请未在此详述的其它具体实施例。
在以下的说明中,本申请的具体实施例将参考由一部或多部计算机所执行的步骤及符号来说明,除非另有述明。因此,这些步骤及操作将有数次提到由计算机执行,本文所指的计算机执行包括了由代表了以一结构化型式中的数据的电子信号的计算机处理单元的操作。此操作转换该数据或将其维持在该计算机的内存系统中的位置处,其可重新配置或另外以本领域测试人员所熟知的方式来改变该计算机的运作。该数据所维持的数据结构为该内存的实体位置,其具有由该数据格式所定义的特定特性。但是,本申请原理以上述文字来说明,其并不代表为一种限制,本领域测试人员将可了解到以下所述的多种步骤及操作亦可实施在硬件当中。
本文所使用的术语“模块”可看做为在该运算系统上执行的软件对象。本文所述的不同组件、模块、引擎及服务可看做为在该运算系统上的实施对象。而本文所述的装置及方法可以以软件的方式进行实施,当然也可在硬件上进行实施,均在本申请保护范围之内。
本申请中的术语“第一”、“第二”和“第三”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,而是某些实施例还包括没有列出的步骤或模块,或某些实施例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该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。
本申请实施例提供了一种应用程序管控方法、终端、服务器及系统,应用程序管控系统中包括终端和服务器,终端可以是智能机器人、智能手机等终端,终端上安装有各种应用程序,服务器可以是云后端的服务器。
例如图1所示,机器人终端可以采集终端内的应用程序的耗电特征信息作为样本,构建样本集,所述耗电特征信息包括所述应用程序在后台运行时,对所述终端的各个预设模块(比如传感器、蓝牙等)的使用信息(比如使用时长、频率等信息),然后将构建的样本集发送给服务器,以由所述服务器对所述样本集进行训练并生成决策树模型,终端接收所述服务器发送的所述决策树模型,利用所述决策树模型对所述终端的后台运行程序(即当前在终端后台运行的应用程序)进行预测,并根据预测结果及所述后台运行程序的用户特征信息对所述后台运行程序进行管控,所述用户特征信息包括用户对所述后台运行程序的使用信息(比如应用程序的用户使用时长、使用频率、用户为应用程序设置的重要级别等)。比如,终端可以利用决策树模型,预测终端的后台运行程序,哪些可以关闭,并关闭预测结果为关闭且重要级别为低的应用程序,以达到省电的目的。
以下将分别进行详细说明。
本实施例将从终端的角度描述本发明实施例提供的应用程序管控方法,终端可以是智能机器人,智能手机等终端,如图2所示,本实施例的应用程序管控方法包括以下步骤:
步骤S201,采集应用程序的耗电特征信息作为样本,构建样本集。
本实施例所提及的应用程序,指的是安装在终端内、用于实现各种功能的应用程序,比如:社交通讯应用程序、游戏娱乐应用程序等。
应用程序的耗电特征信息表示应用程序在后台运行时的耗电行为,应用程序的耗电特征信息具有一定长度的维度,其每个维度上的参数均对应表征应用程序的一种耗电特征信息,即应用程序的耗电特征信息由多个耗电特征信息构成,该多个耗电特征信息可以包括:应用程序在后台运行时,对终端的各个预设模块的使用信息。比如:应用程序在后台运行时,对终端的唤醒锁(wakelock)、无线保真(Wireless-Fidelity,Wi-Fi)、定时器(alarm)、蓝牙(Bluetooth)、全球定位系统(Global Positioning System,GPS)、传感器(sensor)等的使用时长、使用频率等信息。可以理解的是,耗电特征信息的一个类别即可以表示一个维度。
具体实现中,可以每隔预设时长采集一次应用程序的耗电特征信息,将每次采集的每个应用程序的多个耗电特征信息确定为样本,即一个样本由一次采集的一个应用程序的多个耗电特征信息构成,在预设历史时间段内获取多个样本,多个样本即构成样本集。预设时长,例如10分钟、30分钟;预设历史时间段,例如过去1天,过去3天等,具体可视实际需求进行设置。
步骤S202,将所述样本集发送给服务器,以由所述服务器对所述样本集进行训练并生成决策树模型。
决策树模型是一个预测模型,其本质是一棵由多个判断节点组成的树,在使用模型进行预测时,根据输入参数依次在各个判断节点进行判断游走,最后输出即为预测结果。
即本实施例中,终端侧只负责样本数据的采集,模型的训练过程由服务器完成。服务器在得到样本集之后,可以根据预设特征值库中的数据(即耗电应用的各种特征数据)为样本集中的每个样本打上样本标签。具体在本实施例中,要实现对应用程序的管控,管控策略包括关闭应用或不关闭应用,即要利用决策树模型预测应用是否可以关闭,因而所述样本标签可以包括关闭或不关闭。
具体地,服务器可以判断每个样本中是否存在与预设特征值库中的数据匹配的数据,只要样本中存在一个与预设特征值库中的数据匹配的数据,就认为该样本中存在与预设特征值库中的数据匹配的数据,则将该样本标记为关闭;比如,一个样本中有5个耗电特征信息,其中有一个耗电特征信息(唤醒锁使用时长7分钟)与预设特征值库中的数据(唤醒锁使用时长大于5分钟)匹配,则将该样本标记为关闭;而当样本中一个都不存在与预设特征值库中的数据匹配的数据时,则认为该样本中不存在与预设特征值库中的数据匹配的数据,则将该样本标记为不关闭。
在完成对样本标记之后,服务器可以对样本集中的数据进行训练,生成决策树模型,具体的训练方法可如下:
服务器可以根据样本集中的每个样本及每个样本的样本标签计算每个耗电特征信息的信息增益,将信息增益最大的耗电特征信息作为根节点的特征信息,将其余耗电特征信息按照信息增益从大到小的顺序依次作为叶子节点的特征信息,生成所述决策树模型。在生成决策树模型之后,服务器可以把生成的决策树模型发送给终端。
步骤S203,接收所述服务器发送的所述决策树模型。
步骤S204,利用所述决策树模型对所述终端的后台运行程序进行预测,并根据预测结果及所述后台运行程序的用户特征信息对所述后台运行程序进行管控。
本实施例中,后台运行程序指的是,当前在终端的后台运行的应用程序。在得到决策树模型之后,终端可以按照预设频率扫描(预设频率可以和前面的预设时长相同,比如每10分钟扫描一次,或者每30分钟扫描一次)后台运行程序,以获取后台运行程序的当前耗电特征信息,所述后台运行程序的当前耗电特征信息与构成样本时采集的耗电特征信息,具有相同的维度,二者在每个维度上对应的参数值可能相同,也可能不同,终端利用决策树模型对后台运行程序的当前耗电特征信息进行预测,预测过程可如下:
首先,从所述后台运行程序的当前耗电特征信息中,提取与所述决策树模型的根节点的分裂特征对应的耗电特征信息,根据该决策树模型的根节点的分裂条件对提取的耗电特征信息进行判断,以得到根节点决策结果;如果决策结果满足停止遍历的条件(例如已明确对应用程序的处理策略),则输出应用程序的预测结果;否则,则根据根节点决策结果确定待遍历的叶子节点。
接下来,从所述后台运行程序的当前耗电特征信息中,提取与所确定的叶子节点的分裂特征对应的耗电特征信息,根据所述叶子节点的分裂条件,对提取的耗电特征信息进行判断,以得到叶子节点决策结果;如果决策结果满足停止遍历的条件(例如已明确对应用程序的处理策略),则输出应用程序的预测结果;否则,则根据该叶子节点决策结果确定待遍历的下一叶子节点。
重复上述步骤,直至得到所述后台运行程序的预测结果,所述预测结果为对后台运行程序的处理策略,可以包括关闭或不关闭。
当所述预测结果为关闭时,说明该后台运行程序为耗电应用程序,终端可以关闭该后台运行程序;当所述预测结果为不关闭时,则终端可以保持该后台运行程序在后台运行的状态不变,以此实现了对终端内的应用程序的管控,通过管控终端内的应用程序实现了省电效果。
另外,在得到预测结果之后,终端可以将预测结果与应用程序的用户特征信息结合起来,确定对该后台运行程序的具体处理策略。所述用户特征信息包括用户对所述后台运行程序的使用信息,例如,用户对应用程序设置的重要级别(高或低),应用程序的用户使用时长、使用频率等信息。
比如,当预测结果为关闭,且该后台运行程序的重要级别为低时,终端可以关闭该后台运行程序;再比如,当预测结果为关闭,但该后台运行程序的重要级别为高时,则终端可以保持该后台运行程序在后台运行的状态不变;再比如,当预测结果为关闭,但该后台运行程序的使用频率较高(高于某个预设值),则终端可以保持该后台运行程序在后台运行的状态不变;当预测结果为关闭,且该后台运行程序的使用频率较低时,则终端可以关闭该后台运行程序。如此一来,在省电的同时,使得对应用程序的管控更贴合用户需求,针对不同的终端上的应用,由于使用用户不同,可以有不同的管控方式,管控方式更为智能化、个性化。
进一步地,终端还可以定期对样本集进行更新,将更新的样本集发送给服务器,以使得服务器根据更新的样本集更新对应的决策树模型,终端可以根据服务器对决策树模型的更新,更新自身的决策树模型,以提高对应用程序预测的准确度,强化省电效果。
另外,终端还可以根据用户的使用习惯或使用场景,对终端自身的设置自动做出一些优化;比如,在白天的时候,由于光线比较充足,可以自动将终端的屏幕亮度调暗,在晚上的时候,再将屏幕的亮度恢复正常;再比如,在终端处于待机状态时,可以自动将终端的CPU频率调低,在终端处于使用状态时,再将终端的CPU频率恢复为正常值,在不影响用户正常体验的情况下,进一步达到了省电的效果。
本申请实施例中,终端通过采集应用程序的耗电特征信息作为样本,构建样本集,将所述样本集发送给服务器,以由所述服务器对所述样本集进行训练并生成决策树模型,终端从所述服务器获取所述决策树模型,利用所述决策树模型对所述终端的后台运行程序进行预测,并根据预测结果及所述后台运行程序的用户特征信息对所述后台运行程序进行管控,以此实现了对耗电应用程序的管控,达到了省电的目的;另外,在管控时,兼顾了后台运行程序的用户特征信息,使得管控更具个性化,提高了对后台运行程序进行管控的智能化和准确性;另外,将决策树模型训练的过程放在服务器侧完成,进一步实现了省电。
上述实施例描述的方法,本实施例将举例做进一步的说明,请参阅图3,本实施例的应用程序管控方法包括:
步骤S301、采集应用程序的耗电特征信息作为样本,构建样本集。
应用程序的耗电特征信息表示应用程序在后台运行时的具体耗电行为,应用程序的耗电特征信息具有一定长度的维度,其每个维度上的参数均对应表征应用程序的一种耗电特征信息,即该应用程序的耗电特征信息由多个耗电特征信息构成。该多个耗电特征信息可以包括:应用程序在后台运行时,对终端的各个预设模块的使用信息。
在一个具体的实施例中,所采集的耗电特征信息可如下表1所示:
维度 | 耗电特征信息 |
1 | 唤醒锁使用时长/频率 |
2 | GPS使用时长/频率 |
3 | 定时器使用时长/频率 |
4 | 蓝牙使用时长/频率 |
5 | WI-FI使用时长/频率 |
6 | 传感器使用时长/频率 |
表1
需要说明的是,表1所示的耗电特征信息仅为举例,实际中,应用的耗电特征信息所包含的特征信息的数量,可以多于表1所示信息的数量,也可以少于表1所示信息的数量,所取的具体特征信息也可以与表1所示不同,此处不作具体限定。
具体实现中,可以每隔预设时长采集一次应用程序的耗电特征信息,将每次采集的每个应用程序的多个耗电特征信息确定为样本,即一个样本由一次采集的一个应用程序的多个耗电特征信息构成,在预设历史时间段内获取多个样本,多个样本即构成样本集。预设时长,例如10分钟、30分钟;预设历史时间段,例如过去1天,过去3天等,具体可视实际需求进行设置。在一个具体的实施例中,所构建的样本集可如下表2所示:
表2
步骤S302、将所述样本集发送给服务器,以由所述服务器对所述样本集进行训练并生成决策树模型。
服务器在得到样本集之后,可以根据预设特征值库中的数据(即耗电应用的各种特征数据)为样本集中的每个样本打上样本标签。具体在本实施例中,要实现对应用程序的管控,管控策略包括关闭应用或不关闭应用,即要利用决策树模型预测应用是否可以关闭,因而所述样本标签可以包括关闭或不关闭。
具体地,服务器可以判断每个样本中是否存在与预设特征值库中的数据匹配的数据,只要样本中存在一个与预设特征值库中的数据匹配的数据,就认为该样本中存在与预设特征值库中的数据匹配的数据,则将该样本标记为关闭;比如,一个样本中有5个耗电特征信息,其中有一个耗电特征信息(唤醒锁使用时长7分钟)与预设特征值库中的数据(唤醒锁使用时长大于5分钟)匹配,则将该样本标记为关闭;而当样本中一个都不存在与预设特征值库中的数据匹配的数据时,则认为该样本中不存在与预设特征值库中的数据匹配的数据,则将该样本标记为不关闭。具体实现中,样本标签可以用数值“0”“1”来表示,比如,可以将样本标签“关闭”用数值“0”表示,将样本标签“不关闭”用数值“1”表示。则样本集及样本标签可如下表3所示:
表3
在完成对样本标记之后,服务器对样本集中的数据进行训练,生成决策树模型,具体的训练方法可如下:
服务器可以根据样本集中的每个样本及每个样本的样本标签计算每个耗电特征信息的信息增益,将信息增益最大的耗电特征信息作为根节点的特征信息,将其余耗电特征信息按照信息增益从大到小的顺序依次作为叶子节点的特征信息,生成所述决策树模型。在生成决策树模型之后,服务器可以把生成的决策树模型发送给终端。
步骤S303、接收所述服务器发送的所述决策树模型。
步骤S304、获取终端的后台运行程序的当前耗电特征信息。
终端可以按照预设频率扫描后台运行程序,以获取后台运行程序的当前耗电特征信息,所述后台运行程序的当前耗电特征信息与构成样本时采集的耗电特征信息,具有相同的维度,二者在每个维度上对应的参数值可能相同,也可能不同。
步骤S305、利用所述决策树模型对所述后台运行程序的当前耗电特征信息进行预测,并输出预测结果。
预测过程可如下:
首先,从所述后台运行程序的当前耗电特征信息中,提取与所述决策树模型的根节点的分裂特征对应的耗电特征信息,根据该决策树模型的根节点的分裂条件对提取的耗电特征信息进行判断,以得到根节点决策结果;如果决策结果满足停止遍历的条件(例如已明确对应用程序的处理策略),则输出应用程序的预测结果;否则,则根据根节点决策结果确定待遍历的叶子节点。
接下来,从所述后台运行程序的当前耗电特征信息中,提取与所确定的叶子节点的分裂特征对应的耗电特征信息,根据所述叶子节点的分裂条件,对提取的耗电特征信息进行判断,以得到叶子节点决策结果;如果决策结果满足停止遍历的条件(例如已明确对应用程序的处理策略),则输出应用程序的预测结果;否则,则根据该叶子节点决策结果确定待遍历的下一叶子节点。
重复上述步骤,直至得到所述后台运行程序的预测结果,所述预测结果为对后台运行程序的处理策略,可以包括关闭或不关闭。
步骤S306、根据所述预测结果及所述后台运行程序的用户特征信息确定是否关闭所述后台运行程序。
所述用户特征信息包括用户对所述后台运行程序的使用信息,例如,用户对应用程序设置的重要级别(高或低),应用程序的用户使用时长、使用频率等信息。
在一个具体的实施例中,假如终端的后台运行程序可以有A、B、C三个,终端可以采用决策树模型对每个后台运行程序进行预测,预测结果及应用程序的用户特征信息可如下表4所示:
应用程序 | 预测结果 | 重要级别 |
A | 关闭 | 高 |
B | 不关闭 | 低 |
C | 关闭 | 低 |
表4
则终端可以关闭应用程序C,保持应用程序A、B在后台运行的状态不变。
本申请实施例中,终端通过采集应用程序的耗电特征信息作为样本,构建样本集,将所述样本集发送给服务器,以由所述服务器对所述样本集进行训练并生成决策树模型,终端从所述服务器获取所述决策树模型,利用所述决策树模型对所述终端的后台运行程序进行预测,并根据预测结果及所述后台运行程序的用户特征信息对所述后台运行程序进行管控,以此实现了对耗电应用程序的管控,达到了省电的目的;另外,在管控时,兼顾了后台运行程序的用户特征信息,使得管控更具个性化,提高了对后台运行程序进行管控的智能化和准确性;另外,将决策树模型训练的过程放在服务器侧完成,进一步实现了省电。
下面将从服务器的角度描述本发明实施例提供的应用程序管控方法,请参阅图4,本实施例的方法包括以下步骤:
步骤S401,接收终端发送的样本集,所述样本集中包括由应用程序的耗电特征信息构成的样本。
应用程序,指的是安装在终端内、用于实现各种功能的应用程序,比如:社交通讯应用程序、游戏娱乐应用程序等。
应用程序的耗电特征信息用于表示应用程序在后台运行时的具体耗电行为,应用程序的耗电特征信息具有一定长度的维度,其每个维度上的参数均对应表征应用程序的一种耗电特征信息,即该应用程序的耗电特征信息由多个耗电特征信息构成,该多个耗电特征信息可以包括:应用程序运行时,对终端的各个模块的使用信息。比如:应用程序运行时,对终端的唤醒锁(wakelock)、无线保真(Wireless-Fidelity,Wi-Fi)、定时器(alarm)、蓝牙(Bluetooth)、全球定位系统(Global Positioning System,GPS)、传感器(sensor)等的使用时长、使用频率等信息。可以理解的是,耗电特征信息的一个类别即可以表示一个维度。
具体实现中,终端可以每隔预设时长采集一次应用程序的耗电特征信息,将每次采集的每个应用程序的多个耗电特征信息确定为样本,即一个样本由一次采集的一个应用程序的多个耗电特征信息构成,在预设历史时间段内获取多个样本,多个样本即构成样本集。预设时长,例如10分钟、30分钟;预设历史时间段,例如过去1天,过去3天等,具体可视实际需求进行设置。终端将构建的样本集发送给服务器,服务器接收终端发送的样本集。
具体实现中,服务器在接收到样本集之后,可以先根据预设特征值库中的数据(即耗电应用的各种特征数据)为样本集中的每个样本打上样本标签。具体在本实施例中,要实现对应用程序的管控,管控策略包括关闭应用或不关闭应用,即要预测应用是否可以关闭,因而所述样本标签可以包括关闭或不关闭。
具体地,服务器可以判断每个样本中是否存在与预设特征值库中的数据匹配的数据,只要样本中存在一个与预设特征值库中的数据匹配的数据,就认为该样本中存在与预设特征值库中的数据匹配的数据,则将该样本标记为关闭;比如,一个样本中有5个耗电特征信息,其中有一个耗电特征信息(唤醒锁使用时长7分钟)与预设特征值库中的数据(唤醒锁使用时长大于5分钟)匹配,则将该样本标记为关闭;而当样本中一个都不存在与预设特征值库中的数据匹配的数据时,则认为该样本中不存在与预设特征值库中的数据匹配的数据,则将该样本标记为不关闭。
步骤S402,对所述样本集进行训练,生成决策树模型。
具体训练方法可如下:
(1)根据样本集中的每个样本及每个样本的样本标签计算每个耗电特征信息的信息增益。
具体地,服务器可以按照公式g(S,K)=H(S)-H(S|K)计算样本集中包含的每个耗电特征信息的信息增益,g(S,K)表示样本集S中耗电特征信息K的信息增益,H(S)表示样本集S的熵,H(S|K)表示使用耗电特征信息K划分样本集S后样本集S的熵。
其中,pi表示第i个类别的样本标签在样本集S中出现的概率,n表示样本标签类别。具体在本实施例中,要预测应用是否可以关闭,即样本标签包括两类,关闭和不关闭,则n取值可以为2。例如,样本集S中,包括10个样本,其中样本标签为“关闭”的样本数量有6个,样本标签为“不关闭”的样本数量为4个,则样本集S的熵
其中,H(Y|K=ki)表示耗电特征信息K被固定为值ki时的条件熵。例如,样本集S中,包括10个样本,采用“Wi-Fi使用时长”这个特征对样本集S进行分类时,当Wi-Fi使用时长小于7分钟时,有5个样本的样本标签为“不关闭”,有1个样本的样本标签为“关闭”;当Wi-Fi使用时长大于等于7分钟时,剩余4个样本的样本标签均为“关闭”,则使用特征“Wi-Fi使用时长”划分样本集S后的熵
(2)将信息增益最大的耗电特征信息作为根节点的特征信息,将其余耗电特征信息按照信息增益从大到小的顺序依次作为叶子节点的特征信息,生成所述决策树模型。在一个具体的实施例中,所生成的决策树模型可如图5所示。
步骤S403,将所述决策树模型发送给所述终端,以使得所述终端利用所述决策树模型对所述终端的后台运行程序进行预测并管控。
终端在接收到所述决策树模型之后,可以获取终端的后台运行程序的当前耗电特征信息,利用决策树模型对该后台运行程序的当前耗电特征信息进行预测,根据预测结果及所述后台运行程序的用户特征信息对该后台运行程序进行管控。比如,可以在预测结果为关闭,且该后台运行程序的重要级别为低时,关闭该后台运行程序,在预测结果为不关闭时,保持所述后台运行程序在后台运行的状态不变。
例如,如果某个后台运行程序的当前耗电特征信息包括:唤醒锁使用时长1分钟,Wi-Fi使用时长3分钟,传感器使用时长5分钟,则利用图5所示的决策树模型对该后台运行程序进行预测,预测结果将为“关闭”。
另外,服务器还可以接收终端发送的更新的样本集,利用更新的样本集重新训练决策树模型,并将新的决策树模型发送给终端,以使得终端对原有的决策树模型进行更新,并使用新的决策树模型对后台运行程序进行管控,从而强化省电效果。
本实施例中,服务器在接收到终端发送的样本集之后,会对所述样本集进行训练,生成决策树模型,并将所述决策树模型发送给所述终端,以使得所述终端利用所述决策树模型对所述终端的后台运行程序进行管控,以此实现了对耗电应用程序的预测并管控,达到了省电的目的,提高了对后台运行程序进行管控的智能化和准确性。另外,决策树模型训练的过程由服务器完成,终端侧进一步实现了省电。
请参阅图6,图6为本申请实施例提供的终端的结构示意图,终端包括:构建单元501、第一发送单元502、第一接收单元503以及管控单元504,如下:
构建单元501,用于采集应用程序的耗电特征信息作为样本,构建样本集,所述耗电特征信息包括所述应用程序在后台运行时,对所述终端的各个预设模块的使用信息;
第一发送单元502,用于将所述样本集发送给服务器,以由所述服务器对所述样本集进行训练并生成决策树模型;
第一接收单元503,用于接收所述服务器发送的所述决策树模型;
管控单元504,用于利用所述决策树模型对所述终端的后台运行程序进行预测,并根据预测结果及所述后台运行程序的用户特征信息对所述后台运行程序进行管控,所述用户特征信息包括用户对所述后台运行程序的使用信息。
在一些实施例中,如图7所示,所述构建单元501包括:
采集子单元5011,用于每隔预设时长采集一次所述应用程序的耗电特征信息,将每次采集的所述应用程序的耗电特征信息确定为所述样本;
构建子单元5012,用于在预设历史时间段内获取多个所述样本,构建所述样本集。
在一些实施例中,如图7所示,所述管控单元504包括:
获取子单元5041,用于获取所述后台运行程序的当前耗电特征信息;
预测子单元5042,用于利用所述决策树模型对所述后台运行程序的当前耗电特征信息进行预测,并输出预测结果;
管控子单元5043,用于根据所述预测结果及所述后台运行程序的用户特征信息确定是否关闭所述后台运行程序。
本实施例中,通过构建单元采集应用程序的耗电特征信息作为样本,构建样本集,由第一发送单元将所述样本集发送给服务器,以由所述服务器对所述样本集进行训练并生成决策树模型,由第一接收单元从所述服务器获取所述决策树模型,最后由管控单元利用所述决策树模型对所述终端的后台运行程序进行预测,并根据预测结果及所述后台运行程序的用户特征信息对所述后台运行程序进行管控,以此实现了对耗电应用程序的管控,达到了省电的目的,提高了对后台运行程序进行管控的智能化和准确性;另外,将决策树模型训练的过程放在服务器侧完成,进一步实现了省电。
相应的,本发明实施例还提供了一种终端,终端可以为智能机器人、智能手机等终端,此处不做具体限定。如图8所示,该终端可以包括射频(RF,Radio Frequency)电路601、包括有一个或一个以上计算机可读存储介质的存储器602、输入单元603、包括有一个或者一个以上处理核心的处理器604、以及电源605等部件。本领域技术人员可以理解,图8中示出的终端结构并不构成对终端的限定,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。其中:
RF电路601可用于收发信息或通话过程中,信号的接收和发送,特别地,将基站的下行信息接收后,交由一个或者一个以上处理器604处理;另外,将涉及上行的数据发送给基站。通常,RF电路601包括但不限于天线、至少一个放大器、调谐器、一个或多个振荡器、用户身份模块(SIM,Subscriber Identity Module)卡、收发信机、耦合器、低噪声放大器(LNA,Low Noise Amplifier)、双工器等。此外,RF电路601还可以通过无线通信与网络和其他设备通信。所述无线通信可以使用任一通信标准或协议,包括但不限于全球移动通讯系统(GSM,Global System of Mobile communication)、通用分组无线服务(GPRS,GeneralPacket Radio Service)、码分多址(CDMA,Code Division Multiple Access)、宽带码分多址(WCDMA,Wideband Code Division Multiple Access)、长期演进(LTE,Long TermEvolution)、电子邮件、短消息服务(SMS,Short Messaging Service)等。
存储器602可用于存储软件程序以及模块,处理器604通过运行存储在存储器602的软件程序以及模块,从而执行各种功能应用以及数据处理。存储器602可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据移动终端的使用所创建的数据(比如音频数据)等。此外,存储器602可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地,存储器602还可以包括存储器控制器,以提供处理器604和输入单元603对存储器602的访问。
输入单元603可用于接收输入的数字或字符信息,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。具体地,在一个具体的实施例中,输入单元603可包括触敏表面以及其他输入设备。触敏表面,也称为触摸显示屏或者触控板,可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触敏表面上或在触敏表面附近的操作),并根据预先设定的程式驱动相应的连接装置。可选的,触敏表面可包括触摸检测装置和触摸控制器两个部分。其中,触摸检测装置检测用户的触摸方位,并检测触摸操作带来的信号,将信号传送给触摸控制器;触摸控制器从触摸检测装置上接收触摸信息,并将它转换成触点坐标,再送给处理器604,并能接收处理器604发来的命令并加以执行。此外,可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触敏表面。除了触敏表面,输入单元603还可以包括其他输入设备。具体地,其他输入设备可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。
处理器604是终端的控制中心,利用各种接口和线路连接整个终端的各个部分,通过运行或执行存储在存储器602内的软件程序和/或模块,以及调用存储在存储器602内的数据,执行终端的各种功能和处理数据,从而对终端进行整体监控。可选的,处理器604可包括一个或多个处理核心;优选的,处理器604可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器604中。
终端还包括给各个部件供电的电源605(比如电池),优选的,电源可以通过电源管理系统与处理器604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。电源605还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
尽管未示出,终端还可以包括摄像头、蓝牙模块等,在此不再赘述。具体在本实施例中,终端中的处理器604会按照如下的指令,将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器602中,并由处理器604来运行存储在存储器602中的应用程序,从而实现各种功能:
采集应用程序的耗电特征信息作为样本,构建样本集,所述耗电特征信息包括所述应用程序在后台运行时,对所述终端的各个预设模块的使用信息;
将所述样本集发送给服务器,以由所述服务器对所述样本集进行训练并生成决策树模型;
接收所述服务器发送的所述决策树模型;
利用所述决策树模型对所述终端的后台运行程序进行预测,并根据预测结果及所述后台运行程序的用户特征信息对所述后台运行程序进行管控,所述用户特征信息包括用户对所述后台运行程序的使用信息。
在某些实施方式中,在采集应用程序的耗电特征信息作为样本,构建样本集时,处理器604具体用于执行以下步骤:
每隔预设时长采集一次所述应用程序的耗电特征信息,将每次采集的每个所述应用程序的耗电特征信息确定为所述样本;
在预设历史时间段内获取多个所述样本,构建所述样本集。
在某些实施方式中,在利用所述决策树模型对所述终端的后台运行程序进行预测,并根据预测结果及所述后台运行程序的用户特征信息对所述后台运行程序进行管控时,处理器604具体用于执行以下步骤:
获取所述后台运行程序的当前耗电特征信息;
利用所述决策树模型对所述后台运行程序的当前耗电特征信息进行预测,并输出所述预测结果;
根据所述预测结果及所述后台运行程序的用户特征信息确定是否关闭所述后台运行程序。
本实施例中,终端通过采集应用程序的耗电特征信息作为样本,构建样本集,将所述样本集发送给服务器,以由所述服务器对所述样本集进行训练并生成决策树模型,终端从所述服务器获取所述决策树模型,利用所述决策树模型对所述终端的后台运行程序进行预测,并根据预测结果及所述后台运行程序的用户特征信息对所述后台运行程序进行管控,以此实现了对耗电应用程序的管控,达到了省电的目的;另外,在管控时,兼顾了后台运行程序的用户特征信息,使得管控更具个性化,提高了对后台运行程序进行管控的智能化和准确性;另外,将决策树模型训练的过程放在服务器侧完成,进一步实现了省电。
请参阅图9,图9为本申请实施例提供的服务器的结构示意图,服务器包括:第二接收单元701、训练单元702以及第二发送单元703,如下:
第二接收单元701,用于接收终端发送的样本集,所述样本集中包括由应用程序的耗电特征信息构成的样本;
训练单元702,用于对所述样本集进行训练,生成决策树模型;
第二发送单元703,用于将所述决策树模型发送给所述终端,以使得所述终端利用所述决策树模型对所述终端的后台运行程序进行预测并管控。
在一些实施例中,如图10所示,所述服务器还包括:
标记单元704,用于对所述样本集中的样本进行标记,得到每个样本的样本标签,所述样本标签包括关闭或不关闭。
在一些实施例中,如图10所示,标记单元704包括:
判断子单元7041,用于判断每个样本中是否存在与预设特征值库中的数据匹配的数据;
标记子单元7042,用于当样本中存在与所述预设特征值库中的数据匹配的数据时,将对应样本标记为关闭,当样本中不存在与所述预设特征值库中的数据匹配的数据时,将对应样本标记为不关闭。
在一些实施例中,如图10所示,所述训练单元702包括:
计算子单元7021,用于计算所述样本集中包含的每个耗电特征信息的信息增益;
生成子单元7022,用于将信息增益最大的耗电特征信息作为根节点的特征信息,将其余耗电特征信息按照信息增益从大到小的顺序依次作为叶子节点的特征信息,生成所述决策树模型。
本实施例中,在第二接收单元接收到终端发送的样本集之后,训练单元会对所述样本集进行训练,生成决策树模型,并由第二发送单元将所述决策树模型发送给所述终端,以使得所述终端利用所述决策树模型对所述终端的后台运行程序进行管控,以此实现了对耗电应用程序的管控,达到了省电的目的,提高了对后台运行程序进行管控的智能化和准确性。另外,决策树模型训练的过程由服务器完成,终端侧进一步实现了省电。
相应地,本发明实施例还提供了一种服务器,所述服务器可以是通过集群系统构成的,为实现各单元功能而合并为一或各单元功能分体设置的电子设备,服务器至少包括用于存储数据的数据库和用于处理数据的处理器,或者包括设置于服务器内的存储介质或独立设置的存储介质。
其中,对于用于处理数据的处理器而言,在执行处理时,可以采用微处理器、中央处理器(CPU,Central Processing Unit)、数字信号处理器(DSP,Digital SignalProcessor)或者可编程逻辑阵列(FPGA,Field-programmable Gate Array)实现;对于存储介质来说,包含操作指令,该操作指令可以为计算机可执行代码,通过所述操作指令来实现上述本发明实施例应用程序管控方法流程中的各个步骤。
该服务器作为硬件实体800的一个示例如图11所示,包括处理器801、存储介质802以及至少一个外部通信接口803,所述处理器801、存储介质802以及外部通信接口803均通过总线804连接。
需要指出的是:以上涉及服务器项的描述,与以上方法描述是类似的,同方法的有益效果描述,此处不做赘述。对于本发明服务器实施例中未披露的技术细节,请参照本发明方法实施例的描述。
最后,本发明实施例还提供了一种应用程序管控系统,系统中包括终端及服务器,其中终端可如本发明前述实施例所描述的终端,服务器可如本发明前述实施例所描述的服务器,其具体结构及交互过程可参阅本发明前述实施例的描述,此处不再赘述。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,RandomAccess Memory)、磁盘或光盘等。
Claims (15)
1.一种应用程序管控方法,应用于终端,其特征在于,所述方法包括:
采集应用程序的耗电特征信息作为样本,构建样本集,所述耗电特征信息包括所述应用程序在后台运行时,对所述终端的各个预设模块的使用信息;
将所述样本集发送给服务器,以由所述服务器对所述样本集进行训练并生成决策树模型;
接收所述服务器发送的所述决策树模型;
利用所述决策树模型对所述终端的后台运行程序进行预测,并根据预测结果及所述后台运行程序的用户特征信息对所述后台运行程序进行管控,所述用户特征信息包括用户对所述后台运行程序的使用信息。
2.根据权利要求1所述的方法,其特征在于,所述采集应用程序的耗电特征信息作为样本,构建样本集,包括:
每隔预设时长采集一次所述应用程序的耗电特征信息,将每次采集的所述应用程序的耗电特征信息确定为所述样本;
在预设历史时间段内获取多个所述样本,构建所述样本集。
3.根据权利1所述的方法,其特征在于,所述利用所述决策树模型对所述终端的后台运行程序进行预测,并根据预测结果及所述后台运行程序的用户特征信息对所述后台运行程序进行管控,包括:
获取所述后台运行程序的当前耗电特征信息;
利用所述决策树模型对所述后台运行程序的当前耗电特征信息进行预测,并输出所述预测结果;
根据所述预测结果及所述后台运行程序的用户特征信息确定是否关闭所述后台运行程序。
4.一种应用程序管控方法,应用于服务器,其特征在于,所述方法包括:
接收终端发送的样本集,所述样本集中包括由应用程序的耗电特征信息构成的样本;
对所述样本集进行训练,生成决策树模型;
将所述决策树模型发送给所述终端,以使得所述终端利用所述决策树模型对所述终端的后台运行程序进行预测并管控。
5.根据权利要求4所述的方法,其特征在于,在接收终端发送的样本集之后,还包括:
对所述样本集中的样本进行标记,得到每个样本的样本标签,所述样本标签包括关闭或不关闭。
6.根据权利要求5所述的方法,其特征在于,所述对所述样本集中的样本进行标记,得到每个样本的样本标签,包括:
判断每个样本中是否存在与预设特征值库中的数据匹配的数据;
若存在,则将对应样本标记为关闭,若不存在,则将对应样本标记为不关闭。
7.根据权利要求4至6任意一项所述的方法,其特征在于,所述对所述样本集进行训练,生成决策树模型,包括:
计算所述样本集中包含的每个耗电特征信息的信息增益;
将信息增益最大的耗电特征信息作为根节点的特征信息,将其余耗电特征信息按照信息增益从大到小的顺序依次作为叶子节点的特征信息,生成所述决策树模型。
8.一种终端,其特征在于,包括:
构建单元,用于采集应用程序的耗电特征信息作为样本,构建样本集,所述耗电特征信息包括所述应用程序在后台运行时,对所述终端的各个预设模块的使用信息;
第一发送单元,用于将所述样本集发送给服务器,以由所述服务器对所述样本集进行训练并生成决策树模型;
第一接收单元,用于接收所述服务器发送的所述决策树模型;
管控单元,用于利用所述决策树模型对所述终端的后台运行程序预测,并根据预测结果及所述后台运行程序的用户特征信息对所述后台运行程序进行进行管控,所述用户特征信息包括用户对所述后台运行程序的使用信息。
9.根据权利要求8所述的终端,其特征在于,所述构建单元包括:
采集子单元,用于每隔预设时长采集一次所述应用程序的耗电特征信息,将每次采集的所述应用程序的耗电特征信息确定为所述样本;
构建子单元,用于在预设历史时间段内获取多个所述样本,构建所述样本集。
10.根据权利8所述的终端,其特征在于,所述管控单元包括:
获取子单元,用于获取所述后台运行程序的当前耗电特征信息;
预测子单元,用于利用所述决策树模型对所述后台运行程序的当前耗电特征信息进行预测,并输出所述预测结果;
管控子单元,用于根据所述预测结果及所述后台运行程序的用户特征信息确定是否关闭所述后台运行程序。
11.一种服务器,其特征在于,包括:
第二接收单元,用于接收终端发送的样本集,所述样本集中包括由应用程序的耗电特征信息构成的样本;
训练单元,用于对所述样本集进行训练,生成决策树模型;
第二发送单元,用于将所述决策树模型发送给所述终端,以使得所述终端利用所述决策树模型对所述终端的后台运行程序进行预测并管控。
12.根据权利要求11所述的服务器,其特征在于,所述服务器还包括:
标记单元,用于对所述样本集中的样本进行标记,得到每个样本的样本标签,所述样本标签包括关闭或不关闭。
13.根据权利要求12所述的服务器,其特征在于,所述标记单元包括:
判断子单元,用于判断每个样本中是否存在与预设特征值库中的数据匹配的数据;
标记子单元,用于当样本中存在与所述预设特征值库中的数据匹配的数据时,将对应样本标记为关闭,当样本中不存在与所述预设特征值库中的数据匹配的数据时,将对应样本标记为不关闭。
14.根据权利要求11至13任意一项所述的服务器,其特征在于,所述训练单元包括:
计算子单元,用于计算所述样本集中包含的每个耗电特征信息的信息增益;
生成子单元,用于将信息增益最大的耗电特征信息作为根节点的特征信息,将其余耗电特征信息按照信息增益从大到小的顺序依次作为叶子节点的特征信息,生成所述决策树模型。
15.一种应用程序管控系统,其特征在于,包括如权利要求8至10任意一项所述的终端,以及如权利要求11至14任意一项所述的服务器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810066721.0A CN110086835B (zh) | 2018-01-24 | 2018-01-24 | 应用程序管控方法、终端、服务器及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810066721.0A CN110086835B (zh) | 2018-01-24 | 2018-01-24 | 应用程序管控方法、终端、服务器及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110086835A true CN110086835A (zh) | 2019-08-02 |
CN110086835B CN110086835B (zh) | 2021-08-03 |
Family
ID=67411864
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810066721.0A Active CN110086835B (zh) | 2018-01-24 | 2018-01-24 | 应用程序管控方法、终端、服务器及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110086835B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111597097A (zh) * | 2020-04-21 | 2020-08-28 | 宁波亿核网络科技有限公司 | 一种大数据处理方法及系统 |
CN111722693A (zh) * | 2020-05-29 | 2020-09-29 | 北京小米松果电子有限公司 | 功耗调节方法、装置、存储介质、服务器和终端 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106233285A (zh) * | 2014-02-21 | 2016-12-14 | 奎克西公司 | 搜索和访问软件应用功能 |
WO2017070894A1 (zh) * | 2015-10-29 | 2017-05-04 | 华为技术有限公司 | 基于终端的唤醒锁控制方法、装置及终端 |
CN106793031A (zh) * | 2016-12-06 | 2017-05-31 | 常州大学 | 基于集合竞优算法的智能手机能耗优化方法 |
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 |
WO2017167120A1 (zh) * | 2016-03-31 | 2017-10-05 | 阿里巴巴集团控股有限公司 | 一种管理应用程序的方法及装置 |
WO2017182225A1 (en) * | 2016-04-21 | 2017-10-26 | Osram Gmbh | Training method and detection method for object recognition |
CN107567628A (zh) * | 2015-05-07 | 2018-01-09 | 高通股份有限公司 | 用于使用针对增强型决策树桩的因果分析来识别和响应非良性行为的方法和系统 |
CN107577522A (zh) * | 2017-09-30 | 2018-01-12 | 广东欧珀移动通信有限公司 | 应用控制方法、装置、存储介质以及电子设备 |
CN107608748A (zh) * | 2017-09-30 | 2018-01-19 | 广东欧珀移动通信有限公司 | 应用程序管控方法、装置、存储介质及终端设备 |
CN107608778A (zh) * | 2017-09-30 | 2018-01-19 | 广东欧珀移动通信有限公司 | 应用程序管控方法、装置、存储介质及电子设备 |
CN107678800A (zh) * | 2017-09-30 | 2018-02-09 | 广东欧珀移动通信有限公司 | 后台应用清理方法、装置、存储介质及电子设备 |
-
2018
- 2018-01-24 CN CN201810066721.0A patent/CN110086835B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106233285A (zh) * | 2014-02-21 | 2016-12-14 | 奎克西公司 | 搜索和访问软件应用功能 |
CN107567628A (zh) * | 2015-05-07 | 2018-01-09 | 高通股份有限公司 | 用于使用针对增强型决策树桩的因果分析来识别和响应非良性行为的方法和系统 |
WO2017070894A1 (zh) * | 2015-10-29 | 2017-05-04 | 华为技术有限公司 | 基于终端的唤醒锁控制方法、装置及终端 |
WO2017167120A1 (zh) * | 2016-03-31 | 2017-10-05 | 阿里巴巴集团控股有限公司 | 一种管理应用程序的方法及装置 |
WO2017182225A1 (en) * | 2016-04-21 | 2017-10-26 | Osram Gmbh | Training method and detection method for object recognition |
CN106793031A (zh) * | 2016-12-06 | 2017-05-31 | 常州大学 | 基于集合竞优算法的智能手机能耗优化方法 |
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 |
CN107577522A (zh) * | 2017-09-30 | 2018-01-12 | 广东欧珀移动通信有限公司 | 应用控制方法、装置、存储介质以及电子设备 |
CN107608748A (zh) * | 2017-09-30 | 2018-01-19 | 广东欧珀移动通信有限公司 | 应用程序管控方法、装置、存储介质及终端设备 |
CN107608778A (zh) * | 2017-09-30 | 2018-01-19 | 广东欧珀移动通信有限公司 | 应用程序管控方法、装置、存储介质及电子设备 |
CN107678800A (zh) * | 2017-09-30 | 2018-02-09 | 广东欧珀移动通信有限公司 | 后台应用清理方法、装置、存储介质及电子设备 |
Non-Patent Citations (3)
Title |
---|
张亚: "基于Android的Battery Saver的设计与实现", 《中国优秀硕士学位论文全文数据库》 * |
王飞雪: "基于Android平台的手机助手系统的设计与实现", 《中国优秀硕士学位论文全文数据库》 * |
赵冬祥,任进,胡倩: "基于Android的智能优化手机电量管理系统", 《电子世界》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111597097A (zh) * | 2020-04-21 | 2020-08-28 | 宁波亿核网络科技有限公司 | 一种大数据处理方法及系统 |
CN111597097B (zh) * | 2020-04-21 | 2023-12-12 | 山西宇钶技术发展有限公司 | 一种大数据处理方法及系统 |
CN111722693A (zh) * | 2020-05-29 | 2020-09-29 | 北京小米松果电子有限公司 | 功耗调节方法、装置、存储介质、服务器和终端 |
CN111722693B (zh) * | 2020-05-29 | 2022-02-08 | 北京小米松果电子有限公司 | 功耗调节方法、装置、存储介质、服务器和终端 |
Also Published As
Publication number | Publication date |
---|---|
CN110086835B (zh) | 2021-08-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104679969B (zh) | 防止用户流失的方法及装置 | |
CN107220076B (zh) | 一种内存回收方法及装置 | |
CN105045819B (zh) | 一种训练数据的模型训练方法及装置 | |
CN104850434B (zh) | 多媒体资源下载方法及装置 | |
CN105763431B (zh) | 一种信息推送方法、装置及系统 | |
CN109948633A (zh) | 用户性别预测方法、装置、存储介质及电子设备 | |
CN108228270A (zh) | 启动资源加载方法及装置 | |
CN110008008A (zh) | 应用程序处理方法和装置、电子设备、计算机可读存储介质 | |
CN108334887A (zh) | 一种用户选取方法和装置 | |
CN106786962A (zh) | 充电控制方法、装置及终端 | |
CN105830016A (zh) | 用户设备的电源管理方法和电源管理装置 | |
CN105335653A (zh) | 一种异常数据检测方法及装置 | |
CN107835311A (zh) | 应用管理方法、装置、存储介质及电子设备 | |
CN104267987B (zh) | 一种应用程序app更新的检测方法、检测装置以及终端 | |
CN107040610A (zh) | 数据同步方法、装置、存储介质、终端以及服务器 | |
CN109062468A (zh) | 分屏显示方法、装置、存储介质和电子设备 | |
CN110210980A (zh) | 一种驾驶行为评估方法、装置和存储介质 | |
CN107807730B (zh) | 应用清理方法、装置、存储介质及电子设备 | |
CN109992965A (zh) | 进程处理方法和装置、电子设备、计算机可读存储介质 | |
CN110086835A (zh) | 应用程序管控方法、终端、服务器及系统 | |
CN103871050B (zh) | 图标分割方法、装置和终端 | |
CN107766139A (zh) | 应用管理方法及装置 | |
CN107291577A (zh) | 文件备份方法、装置及存储介质 | |
CN106454979A (zh) | 一种网络制式切换方法及移动终端 | |
CN109241031A (zh) | 模型生成方法、模型使用方法、装置、系统及存储介质 |
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 |