CN111651263B - 移动终端的资源处理方法、装置、计算机设备及存储介质 - Google Patents

移动终端的资源处理方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN111651263B
CN111651263B CN202010088415.4A CN202010088415A CN111651263B CN 111651263 B CN111651263 B CN 111651263B CN 202010088415 A CN202010088415 A CN 202010088415A CN 111651263 B CN111651263 B CN 111651263B
Authority
CN
China
Prior art keywords
mobile terminal
usage data
cloud server
module
resources
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.)
Active
Application number
CN202010088415.4A
Other languages
English (en)
Other versions
CN111651263A (zh
Inventor
杨冬东
黄其武
陶钧
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Xiaomi Mobile Software Co Ltd
Original Assignee
Beijing Xiaomi Mobile Software Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Xiaomi Mobile Software Co Ltd filed Critical Beijing Xiaomi Mobile Software Co Ltd
Priority to CN202010088415.4A priority Critical patent/CN111651263B/zh
Priority to US16/914,670 priority patent/US11561837B2/en
Priority to EP20187991.3A priority patent/EP3866011A1/en
Publication of CN111651263A publication Critical patent/CN111651263A/zh
Application granted granted Critical
Publication of CN111651263B publication Critical patent/CN111651263B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • 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
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
    • G06F11/3006—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system is distributed, e.g. networked systems, clusters, multiprocessor systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
    • G06F11/3013—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system is an embedded system, i.e. a combination of hardware and software dedicated to perform a certain function in mobile devices, printers, automotive or aircraft systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3442—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment for planning or managing the needed capacity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00—Indexing scheme relating to G06F9/00
    • G06F2209/50—Indexing scheme relating to G06F9/50
    • G06F2209/5014—Reservation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00—Indexing scheme relating to G06F9/00
    • G06F2209/50—Indexing scheme relating to G06F9/50
    • G06F2209/5019—Workload prediction

Abstract

本公开是关于一种移动终端的资源处理方法、装置及设备，所述方法包括：确定移动终端的当前应用场景及使用数据；将所述使用数据输入到所述当前应用场景所对应的机器学习算法模型中，获得预测的推荐参数；基于所述推荐参数配置所述移动终端的资源。

Description

移动终端的资源处理方法、装置、计算机设备及存储介质
技术领域
本公开涉及移动终端技术领域，尤其涉及一种移动终端的资源处理方法、装置、计算机设备及存储介质。
背景技术
移动终端中可以运行各种各样的应用，不同的应用在实现应用功能时都需要配置各种资源。以移动终端中的内核管理功能为例，智能移动终端系统底层内核侧在实现电源管理、文件系统输入输出管理、调度管理、内存管理、设备管理等时，各种资源一般都是通过配置参数进行分配的。参数的配置值通常是在开机时进行初始化设置。这里，内核提供的各种配置参数，很多都是在使用经验值，并不能依据不同用户各自的使用习惯和场景来分配各种资源。这样，在进行资源分配时，会存在资源分配不足或资源过度分配的情况。
发明内容
本公开提供一种移动终端的资源处理方法、装置、计算机设备及存储介质。
根据本公开实施例的第一方面，提供一种移动终端的资源处理方法，包括：
确定移动终端的当前应用场景及使用数据；
将所述使用数据输入到所述当前应用场景所对应的机器学习算法模型中，获得预测的推荐参数；
基于所述推荐参数配置所述移动终端的资源。
在一个实施例中，在将所述使用数据输入到所述当前应用场景所对应的机器学习算法模型中之前，还包括：
将不同场景下采集的使用数据的样本上报给云端服务器；
接收所述云端服务器基于所述样本训练得到的机器学习算法模型的模型信息；
基于所述模型信息，在所述移动终端中搭建所述机器学习算法模型。
在一个实施例中，所述将不同场景下采集的使用数据的样本上报给云端服务器，包括：
获取目标场景下采集的所述使用数据的样本；其中，所述使用数据的样本包括：系统资源的使用数据、设备资源的使用数据、所述系统资源的配置参数和所述设备资源的配置参数；其中，所述系统资源用于调度所述设备资源。
将所述使用数据的样本上报给所述云端服务器。
在一个实施例中，所述方法还包括：
向所述云端服务器发送当前应用场景的场景信息；
接收所述云端服务器基于场景信息发送的第一控制指令；其中，所述第一控制指令携带有根据所述场景信息确定的机器学习算法模型的指示信息；
所述将所述使用数据输入到所述当前应用场景所对应的机器学习算法模型中，获得预测的推荐参数，包括：
将所述使用数据输入到所述第一控制指令从多个就备选的模型中选择的机器学习算法模型中，获得预测的所述推荐参数。
在一个实施例中，所述方法还包括：
接收所述云端服务器发送的第二控制指令；
其中，所述第二控制指令携带有如下至少之一的信息：控制所述移动终端采集所述使用数据的种类指示信息、控制所述移动终端向所述云端服务器上报或终止向所述云端服务器上报所述使用数据的指示信息；
基于所述第二控制指令向所述云端服务器上报或终止向所述云端服务器上报所述使用数据。
在一个实施例中，所述确定所述移动终端的当前应用场景及使用数据，包括：
确定所述移动终端的内核中运行应用的当前应用场景及使用数据；
所述基于所述推荐参数配置所述移动终端的资源，包括：
基于所述推荐参数配置所述内核的资源。
在一个实施例中，所述方法还包括：
将所述推荐参数封装成配置模块；
所述基于推荐参数配置所述内核的资源，包括：
调用所述配置模块，基于所述配置模块中的推荐参数配置所述内核。
根据本公开实施例的第二方面，还提供一种移动终端的资源处理装置，所述装置包括确定模块、预测模块和处理模块，其中，
所述确定模块，用于确定移动终端的当前应用场景及使用数据；
所述预测模块，用于将所述使用数据输入到所述当前应用场景所对应的机器学习算法模型中，获得预测的推荐参数；
所述处理模块，用于基于所述推荐参数配置所述移动终端的资源。
在一个实施例中，所述装置还包括发送模块、接收模块和搭建模块；其中，
所述发送模块，用于将不同场景下采集的使用数据的样本上报给云端服务器；
所述接收模块，用于接收所述云端服务器基于所述样本训练得到的机器学习算法模型的模型信息；
所述搭建模块，用于基于所述模型信息，在所述移动终端中搭建所述机器学习算法模型。
在一个实施例中，所述发送模块还用于获取目标场景下采集的所述使用数据的样本；其中，所述使用数据的样本包括：系统资源的使用数据、设备资源的使用数据、所述系统资源的配置参数和所述设备资源的配置参数；其中，所述系统资源用于调度所述设备资源；将所述使用数据的样本上报给所述云端服务器。
在一个实施例中，所述发送模块还用于向所述云端服务器发送当前应用场景的场景信息；所述接收模块还用于接收所述云端服务器基于场景信息发送的第一控制指令；其中，所述第一控制指令携带有根据所述场景信息确定的机器学习算法模型的指示信息；所述处理模块还用于将所述使用数据输入到所述第一控制指令从多个就备选的模型中选择的机器学习算法模型中，获得预测的所述推荐参数。
在一个实施例中，所述接收模块还用于接收所述云端服务器发送的第二控制指令；
其中，所述第二控制指令携带有如下至少之一的信息：控制所述移动终端采集所述使用数据的种类指示信息、控制所述移动终端向所述云端服务器上报或终止向所述云端服务器上报所述使用数据的指示信息；
所述处理模块还用于基于所述第二控制指令向所述云端服务器上报或终止向所述云端服务器上报所述使用数据。
在一个实施例中，所述确定模块还用于确定所述移动终端的内核中运行应用的当前应用场景及使用数据；所述处理模块还用于基于所述推荐参数配置所述内核的资源。
在一个实施例中，所述装置还包括封装模块；其中，所述封装模块用于将所述推荐参数封装成配置模块；所述处理模块，还用于调用所述配置模块，基于所述配置模块中的推荐参数配置所述内核。
根据本公开实施例的第三方面，还提供一种计算机设备，包括存储器和处理器，其中，
处理器，与所述存储器连接，被配置为通过执行存储在所述存储器上的计算机可执行指令，实现本公开任意实施例提供的方法。
根据本公开实施例的第四方面，还提供一种计算机存储介质，所述计算机存储介质存储有计算机可执行指令，所述计算机可执行指令被处理器执行后能够实现本公开任一实施例提供的方法。
本公开的实施例提供的技术方案可以包括以下有益效果：
本公开实施例中，通过确定移动终端的当前应用场景及使用数据；将所述使用数据输入到所述当前应用场景所对应的机器学习算法模型中，获得预测的推荐参数；基于所述推荐参数配置所述移动终端的资源。这里，所述推荐参数是基于所述移动终端的所述当前应用场景和所述使用数据获得的，所述应用场景和所述使用数据都能够真实反映用户的资源配置需求，将所述使用数据输入到所述当前应用场景所对应的机器学习算法模型中能够获得更加准确和满足个性化用户需求的预测的推荐参数。基于所述推荐参数配置所述移动终端的资源，实现终端内资源配置的个性化，能够提升用户个性化体验并提高资源利用率。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
图1a是根据一示例性实施例示出的一种移动终端的资源处理方法的流程图。
图1b是根据另一示例性实施例示出的一种移动终端的资源处理方法的流程图。
图1c是根据一示例性实施例示出的一种测试数据的示意图。
图1d是根据一示例性实施例示出的一种测试数据的示意图。
图1e是根据一示例性实施例示出的一种测试数据的示意图。
图2是根据另一示例性实施例示出的一种移动终端的资源处理方法的流程图。
图3是根据另一示例性实施例示出的一种移动终端的资源处理方法的流程图。
图4是根据另一示例性实施例示出的一种移动终端的资源处理方法的流程图。
图5是根据另一示例性实施例示出的一种移动终端的资源处理方法的流程图。
图6是根据另一示例性实施例示出的一种移动终端的资源处理方法的流程图。
图7是根据另一示例性实施例示出的一种移动终端的资源处理方法的流程图。
图8是根据一示例性实施例示出的一种移动终端的资源处理装置的框图。
图9是根据另一示例性实施例示出的一种移动终端的资源处理装置的框图。
图10是根据另一示例性实施例示出的一种移动终端的资源处理装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
图1a是根据一示例性实施例示出的一种移动终端的资源处理方法的流程图，如图1a 所示，该方法用于移动终端中，包括以下步骤：
步骤11，确定移动终端的当前应用场景及使用数据。
这里，所述移动终端可以是移动手机、平板电脑、智能手环、智能手表、车载终端等；
这里，所述应用场景表示的是用户在某一个时间点或者某一个时间段内使用移动终端的某种功能或多种功能时的应用情形。这里，移动终端的功能可以是播放音乐、交通导航、社交聊天、语音通话、拍照、打游戏等。在一个实施例中，针对播放音乐的功能，用户在当前时间点正在播放音乐，并且播放音乐时移动终端的屏幕处于息屏状态，则这种应用情形对应移动终端的一种应用场景。这里，所述应用场景可以是所述移动终端息屏听音乐的应用场景、交通导航的应用场景、社交聊天的应用场景、语音通话的应用场景、拍照的应用场景、打游戏的应用场景等。这里，不同应用场景下，所述移动终端中会运行不同的应用程序。
在一个实施例中，在息屏听音乐时，所述移动终端中运行有屏幕管理应用程序和音乐播放器应用程序。
这里，所述使用数据可以是在所述当前应用场景下运行所述应用程序时的特征数据。所述特征输数据指示的当前应用场景下终端的运行特征。例如，该运行特征可包括：所述移动终端屏幕的屏幕分辨率、执行指令的频率、连网状态、内存的占用情况及功耗等。这里，所述应用场景和所述使用数据能够真实反映用户使用所述移动终端的使用习惯。在一个实施例中，在所述移动终端息屏听音乐的场景下，用户的使用数据为：息屏时间为中午 1点至2点、播放器处于连网状态。则可以反映用户使用移动终端息屏听音乐时，时长一般为中午1点至2点，且一般是处于连网状态听音乐。
步骤12，将所述使用数据输入到所述当前应用场景所对应的机器学习算法模型中，获得预测的推荐参数。
这里，所述机器学习算法模型可以是因子分解机模型(FM，factorizationmachine)、深度神经网络模型(DNN，Deep Neural Networks)、深度因子分解机模型(DeepFM，Deep factorization machine)等，其中，深度因子分解机模型可以是由因子分解机模型FM 和深度神经网络模型DNN两部分组成。
在一个实施例中，所述机器学习算法模型为深度神经网络模型。在将所述使用数据输入到所述当前应用场景所对应的机器学习算法模型中之前，可以事先训练所述深度神经网络模型。在一个实施例中，请参见图1b，以A场景下内核中运行应用程序为例，训练所述深度神经网络模型的步骤可以包括：
步骤a1，获取训练样本；其中，所述训练样本包括不同场景下内核中运行的应用的使用数据和对应的配置参数标签；这里。所述配置参数标签可以是使用数据对应的配置参数。
步骤a2，将所述训练样本输入所述深度学习算法模型进行迭代训练直至收敛函数收敛，获得训练后的所述深度学习算法模型。
在一个实施例中，应用本公开实施例的方法，移动终端在息屏听音乐场景中，在基于因子分解机模型FM模型、深度神经网络模型DNN模型和深度因子分解机模型DeepFM 模型下，预测所述推荐参数，并基于所述推荐参数配置所述移动终端的资源。请分别参见图1c、图1d和图1e，其中，横轴坐标epoch代表时间，纵轴坐标normalized Gini代表基尼系数。图1c、图1d和图1e分别对应应用因子分解机模型FM模型、深度神经网络模型DNN模型和深度因子分解机模型DeepFM模型的情况，示出了用户需要消耗功耗的预测值(train)与真实消耗的功耗值(valid)。其中，标识train-1、valid-1代表第一次迭代，标识train-2、valid-2代表第二次迭代，标识train-3、valid-3代表第三次迭代。这里，基于 DeepFM模型中准确率能达到97％。
这里，所述推荐参数包括硬件资源或者软件资源的分配参数。所述硬件资源可以是输入输出接口的资源、内存资源等。所述软件资源可以是调度管理程序的资源、执行程序指令的频率资源等。
步骤13，基于所述推荐参数配置所述移动终端的资源。
这里，配置所述移动终端的资源可以是给移动终端中运行的系统程序或者应用程序分配资源。在一个实施例中，可以是通过配置文件的方式配置所述移动终端的资源。其中，所述配置文件中包含所述推荐参数。
本公开实施例中，通过确定移动终端的当前应用场景及使用数据；将所述使用数据输入到所述当前应用场景所对应的机器学习算法模型中，获得预测的推荐参数；基于所述推荐参数配置所述移动终端的资源。这里，所述推荐参数是基于所述移动终端的所述当前应用场景和所述使用数据获得的，所述应用场景和所述使用数据都能够真实反映用户的资源配置需求，将所述使用数据输入到所述当前应用场景所对应的机器学习算法模型中能够获得更加准确和满足个性化用户需求的预测的推荐参数。基于所述推荐参数配置所述移动终端的资源，实现终端内资源配置的个性化，能够提升用户个性化体验并提高资源利用率。能够解决采用经验参数进行配置带了的各种问题，例如，能够解决在内存管理时给用户在游戏场景下的内存分配不足带来的系统响应慢并影响用户体验的问题。还能解决当过量分配内存时造成的资源浪费问题。
图2是根据另一示例性实施例示出的一种移动终端的资源处理方法的流程图，如图2 所示，该方法用于移动终端中，在步骤12中，在将所述使用数据输入到所述当前应用场景所对应的机器学习算法模型中之前，还包括以下步骤：
步骤21，将不同场景下采集的使用数据的样本上报给云端服务器。
这里，不同场景可以包括所述移动终端息屏听音乐的应用场景、交通导航的应用场景、社交聊天的应用场景、语音通话的应用场景、拍照的应用场景、打游戏的应用场景等。也可以是应用运行在不同模式下的应用场景。例如，交通导航应用的白天导航场景和黑夜导航场景；社交聊天应用的自动答复场景和人工答复场景。
在一个实施例中，可以是在某个场景下周期性地采集所述使用数据的样本并上报给所述云端服务器。
这里，云端服务器可以是为大量移动终端远程部署的具备强大运算能力的服务器或服务器群组。所述云端服务器用于分担所述移动终端的运算任务。
步骤22，接收所述云端服务器基于所述样本训练得到的机器学习算法模型的模型信息。
在一个实施例中，可以是在云端服务器对移动终端进行软件升级时接收所述云端服务器基于所述样本训练得到的机器学习算法模型的模型信息。
在另一个实施例中，可以是云端服务器实时向所述移动终端发送基于所述样本训练得到的机器学习算法模型的模型信息。在一个实施例中，当经过训练后，所述机器学习算法模型的预测推荐参数的准确度大于设置阈值时，向所述移动终端发送基于所述样本训练得到的机器学习算法模型的模型信息。例如，当所述机器学习算法模型的预测推荐参数的准确度大于90％、95％、98％时，分别对应向所述移动终端发送基于所述样本训练得到的机器学习算法模型的模型信息。
这里，所述模型信息可以是搭建和运行所述机器学习算法模型的信息。在一个实施例中，所述模型信息可以包括程序数据。
步骤23，基于所述模型信息，在所述移动终端中搭建所述机器学习算法模型。
在一个实施例中，在所述移动终端中搭建所述机器学习算法模型包括存储所述模型信息，并运行所述模型信息包含的程序数据。
图3是根据另一示例性实施例示出的一种移动终端的资源处理方法的流程图，如图3 所示，在步骤21中，所述将不同场景下采集的使用数据的样本上报给云端服务器，包括以下步骤：
步骤31，获取目标场景下采集的所述使用数据的样本；其中，所述使用数据的样本包括：系统资源的使用数据、设备资源的使用数据、所述系统资源的配置参数和所述设备资源的配置参数；其中，所述系统资源用于调度所述设备资源。
这里，所述系统资源可以是移动终端的操作系统运行时，实现某一功能的调度程序资源、执行指令的频率资源等。这里，设备资源可以是输入输出接口资源、总线资源、内存资源等。
这里，系统资源的配置参数可以是将系统资源分配给目标应用的配置参数；所述设备资源的配置参数可以是将设备资源配置给目标应用的配置参数。
步骤32，将所述使用数据的样本上报给所述云端服务器。
图4是根据另一示例性实施例示出的一种移动终端的资源处理方法的流程图，如图4 所示，所述方法还包括如下步骤：
步骤41，向所述云端服务器发送当前应用场景的场景信息；
步骤42，接收所述云端服务器基于场景信息发送的第一控制指令；其中，所述第一控制指令携带有根据所述场景信息确定的机器学习算法模型的指示信息。
这里，所述场景信息可以是多个特征参数的集合，例如，在交通导航应用中，第一特征参数为表征白天导航或傍晚导航的参数；第二特征参数为表征近距离导航的参数或远距离导航的参数。基于所述特征参数就可以确定所述交通导航应用的应用场景。
在一个实施例中，某一个场景可能对应有多个机器学习算法模型，云端服务器可以基于其强大的运算能力迅速从多个机器学习算法模型中选择一个具有最佳预测结果的机器学习算法模型供所述移动终端使用。在一个实施例中，所述第一控制指令携带有被选择的所述算法模型的标识。例如，第一机器学习算法模型的标识为“001”，则“001”携带在所述第一控制指令中。
所述步骤12中，所述将所述使用数据输入到所述当前应用场景所对应的机器学习算法模型中，获得预测的推荐参数，包括：
步骤43，将所述使用数据输入到所述第一控制指令从多个就备选的模型中选择的机器学习算法模型中，获得预测的所述推荐参数。
在一个实施例中，所述移动终端中事先存储有多个备选的机器学习算法模型的模型信息。在一个实施例中，当所述机器学习算法模型被选中时，从存储区域获取所述机器学习算法模型的模型信息，并运行所述模型信息中包含的程序。
图5是根据另一示例性实施例示出的一种移动终端的资源处理方法的流程图，如图5 所示，所述方法还包括如下步骤：
步骤51，接收所述云端服务器发送的第二控制指令；
其中，所述第二控制指令携带有如下至少之一的信息：控制所述移动终端采集所述使用数据的种类指示信息、控制所述移动终端向所述云端服务器上报或终止向所述云端服务器上报所述使用数据的指示信息；
在一个实施例中，在所述移动终端息屏听音乐的场景下，所述指示信息包括：采集息屏时间为中午1点至2点的所述使用数据的指示信息、采集播放器连网状态的指示信息。
在一个实施例中，所述第二控制指令可以是携带有在当所述使用数据的上报数量大于设置阈值时，控制所述移动终端终止向所述云端服务器上报所述使用数据的指示信息。
在另一个实施例中，所述第二控制指令可以是携带有在当所述机器学习算法模型的预测推荐参数的准确度大于设置阈值时，控制所述移动终端终止向所述云端服务器上报所述使用数据的指示信息。
步骤52，基于所述第二控制指令向所述云端服务器上报或终止向所述云端服务器上报所述使用数据。
在一个实施例中，可以是当所述使用数据的上报数量大于设置阈值时控制所述移动终端终止向所述云端服务器上报所述使用数据。
在另一个实施例中，当经过训练后，所述机器学习算法模型的预测推荐参数的准确度大于设置阈值时，控制所述移动终端终止向所述云端服务器上报所述使用数据。
图6是根据另一示例性实施例示出的一种移动终端的资源处理方法的流程图，如图6 所示，所述步骤11中，所述确定所述移动终端的当前应用场景及使用数据，包括：
步骤61，确定所述移动终端的内核中运行应用的当前应用场景及使用数据；
在一个实施例中，内核中可以运行有多个应用。一个应用场景可以包括运行多个应用的场景。所述使用数据可以包括多个应用的使用数据。
所述步骤13中，所述基于所述推荐参数配置所述移动终端的资源，包括：
步骤62，基于所述推荐参数配置所述内核的资源。
这里，所述内核的资源可以包括内核管理的硬件资源和软件资源。这里，所述硬件资源可以是输入输出接口的资源、内存资源等。所述软件资源可以是调度管理程序的资源、执行程序指令的频率资源等。
图7是根据另一示例性实施例示出的一种移动终端的资源处理方法的流程图，如图7 所示，所述方法还包括：
步骤71，将所述推荐参数封装成配置模块；
这里，将所述推荐参数封装成配置模块，方便配置时的调用。在一个实施例中，每种应用场景都可以对应有一个所述配置模块，这样，在出现相同所述应用场景时，就可以直接调用所述配置模块，效率会更高。
步骤13中，所述基于推荐参数配置所述内核的资源，包括：
步骤72，调用所述配置模块，基于所述配置模块中的推荐参数配置所述内核。
这里，所述配置模块可以对应一个配置文件，基于所述配置模块中的推荐参数配置所述内核可以是基于所述配置文件中的推荐参数配置所述内核。
图8是根据一示例性实施例示出的一种移动终端的资源处理装置框图。参照图8，该装置包括确定模块81、预测模块82和处理模块83，其中，
所述确定模块81，用于确定移动终端的当前应用场景及使用数据；
所述预测模块82，用于将所述使用数据输入到所述当前应用场景所对应的机器学习算法模型中，获得预测的推荐参数；
所述处理模块83，用于基于所述推荐参数配置所述移动终端的资源。
在一个实施例中，所述装置还包括发送模块84、接收模块85和搭建模块86；其中，所述发送模块84，用于将不同场景下采集的使用数据的样本上报给云端服务器；
所述接收模块85，用于接收所述云端服务器基于所述样本训练得到的机器学习算法模型的模型信息；
所述搭建模块86，用于基于所述模型信息，在所述移动终端中搭建所述机器学习算法模型。
在一个实施例中，所述发送模块84还用于获取目标场景下采集的所述使用数据的样本；其中，所述使用数据的样本包括：系统资源的使用数据、设备资源的使用数据、所述系统资源的配置参数和所述设备资源的配置参数；其中，所述系统资源用于调度所述设备资源；将所述使用数据的样本上报给所述云端服务器。
在一个实施例中，所述发送模块84还用于向所述云端服务器发送当前应用场景的场景信息；所述接收模块85还用于接收所述云端服务器基于场景信息发送的第一控制指令；其中，所述第一控制指令携带有根据所述场景信息确定的机器学习算法模型的指示信息；所述处理模块83还用于将所述使用数据输入到所述第一控制指令从多个就备选的模型中选择的机器学习算法模型中，获得预测的所述推荐参数。
在一个实施例中，所述接收模块85还用于接收所述云端服务器发送的第二控制指令；
其中，所述第二控制指令携带有如下至少之一的信息：控制所述移动终端采集所述使用数据的种类指示信息、控制所述移动终端向所述云端服务器上报或终止向所述云端服务器上报所述使用数据的指示信息；
所述处理模块83还用于基于所述第二控制指令向所述云端服务器上报或终止向所述云端服务器上报所述使用数据。
在一个实施例中，所述确定模块81还用于确定所述移动终端的内核中运行应用的当前应用场景及使用数据；
所述处理模块83还用于基于所述推荐参数配置所述内核的资源。
在一个实施例中，所述装置还包括封装模块87；其中，所述封装模块用于将所述推荐参数封装成配置模块；所述处理模块83，还用于调用所述配置模块，基于所述配置模块中的推荐参数配置所述内核。
本公开实施例还提供一种计算机设备，包括存储器和处理器，其中，
处理器，与所述存储器连接，被配置为通过执行存储在所述存储器上的计算机可执行指令，实现本公开任一实施例提供的方法。
所述存储器可包括各种类型的存储介质，该存储介质为非临时性计算机存储介质，在通信设备掉电之后能够继续记忆存储其上的信息。
所述处理器可以通过总线等与存储器连接，用于读取存储器上存储的可执行程序，例如，本公开任一实施例所述方法的至少其中之一。
本公开实施例还提供一种计算机存储介质，所述计算机存储介质存储有计算机可执行指令，所述计算机可执行指令被处理器执行后能够实现本公开任一实施例提供的方法。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
图9是根据一示例性实施例示出的一种用于移动终端的资源处理的装置800的框图。例如，装置800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。
参照图9，装置800可以包括以下一个或多个组件：处理组件802，存储器804，电力组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件 814，以及通信组件816。
处理组件802通常控制装置800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在设备800的操作。这些数据的示例包括用于在装置800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电力组件806为装置800的各种组件提供电力。电力组件806可以包括电源管理系统，一个或多个电源，及其他与为装置800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述装置800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当装置800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为装置800提供各个方面的状态评估。例如，传感器组件814可以检测到设备800的打开/关闭状态，组件的相对定位，例如所述组件为装置800的显示器和小键盘，传感器组件814还可以检测装置800或装置800 一个组件的位置改变，用户与装置800接触的存在或不存在，装置800方位或加速/减速和装置800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD 图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA) 技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，装置800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器804，上述指令可由装置800的处理器820执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本公开实施例还提供一种计算机存储介质，所述计算机存储介质存储有计算机可执行指令，所述计算机可执行指令被处理器执行后能够实现本公开任一实施例提供的方法。
图10是根据一示例性实施例示出的一种用于移动终端的资源处理的装置1900的框图。例如，装置1900可以被提供为一服务器。参照图10，装置1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法……
装置1900还可以包括一个电源组件1926被配置为执行装置1900的电源管理，一个有线或无线网络接口1950被配置为将装置1900连接到网络，和一个输入输出(I/O)接口1958。装置1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，MacOS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims (12)

1.一种移动终端的资源处理方法，其特征在于，包括：
将在不同应用场景下采集的使用数据的样本上报给云端服务器；其中，所述使用数据包括在所述应用场景下移动终端运行应用程序时的运行特征，所述运行特征包括连网状态和内存的占用情况；
接收所述云端服务器基于所述样本训练得到的机器学习算法模型的模型信息；其中，一个应用场景对应有多个机器学习算法模型；基于所述模型信息，在所述移动终端中搭建所述机器学习算法模型；
确定移动终端的当前应用场景及使用数据；
向所述云端服务器发送当前应用场景的场景信息；
接收所述云端服务器基于所述场景信息发送的第一控制指令；其中，所述第一控制指令携带有根据所述场景信息确定的机器学习算法模型的指示信息；
将所述使用数据输入到所述第一控制指令从多个就备选的模型中选择的一个机器学习算法模型中，获得预测的推荐参数；
基于所述推荐参数配置所述移动终端的资源。
2.根据权利要求1所述的方法，其特征在于，所述将不同场景下采集的使用数据的样本上报给云端服务器，包括：
获取目标场景下采集的所述使用数据的样本；其中，所述使用数据的样本包括：系统资源的使用数据、设备资源的使用数据、所述系统资源的配置参数和所述设备资源的配置参数；其中，所述系统资源用于调度所述设备资源；
将所述使用数据的样本上报给所述云端服务器。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
接收所述云端服务器发送的第二控制指令；
其中，所述第二控制指令携带有如下至少之一的信息：控制所述移动终端采集所述使用数据的种类指示信息、控制所述移动终端向所述云端服务器上报或终止向所述云端服务器上报所述使用数据的指示信息；
基于所述第二控制指令向所述云端服务器上报或终止向所述云端服务器上报所述使用数据。
4.根据权利要求1所述的方法，其特征在于，所述确定所述移动终端的当前应用场景及使用数据，包括：
确定所述移动终端的内核中运行应用的当前应用场景及使用数据；
所述基于所述推荐参数配置所述移动终端的资源，包括：
基于所述推荐参数配置所述内核的资源。
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
将所述推荐参数封装成配置模块；
所述基于推荐参数配置所述内核的资源，包括：
调用所述配置模块，基于所述配置模块中的推荐参数配置所述内核。
6.一种移动终端的资源处理装置，其特征在于，所述装置包括发送模块、接收模块、搭建模块、确定模块和处理模块，其中，
所述发送模块，用于将不同应用场景下采集的使用数据的样本上报给云端服务器；所述使用数据包括在所述应用场景下移动终端运行应用程序时的运行特征，所述运行特征包括连网状态和内存的占用情况；
所述接收模块，用于接收所述云端服务器基于所述样本训练得到的机器学习算法模型的模型信息；其中，一个应用场景对应有多个机器学习算法模型；
所述搭建模块，用于基于所述模型信息，在所述移动终端中搭建所述机器学习算法模型；
所述确定模块，用于确定移动终端的当前应用场景及使用数据；
所述发送模块还用于向所述云端服务器发送当前应用场景的场景信息；所述接收模块还用于接收所述云端服务器基于场景信息发送的第一控制指令；其中，所述第一控制指令携带有根据所述场景信息确定的机器学习算法模型的指示信息；
所述处理模块还用于将所述使用数据输入到所述第一控制指令从多个就备选的模型中选择的机器学习算法模型中，获得预测的推荐参数；
所述处理模块，用于基于所述推荐参数配置所述移动终端的资源。
7.根据权利要求6所述的装置，其特征在于，所述发送模块还用于获取目标场景下采集的所述使用数据的样本；其中，所述使用数据的样本包括：系统资源的使用数据、设备资源的使用数据、所述系统资源的配置参数和所述设备资源的配置参数；其中，所述系统资源用于调度所述设备资源；将所述使用数据的样本上报给所述云端服务器。
8.根据权利要求6所述的装置，其特征在于，
所述接收模块还用于接收所述云端服务器发送的第二控制指令；
其中，所述第二控制指令携带有如下至少之一的信息：控制所述移动终端采集所述使用数据的种类指示信息、控制所述移动终端向所述云端服务器上报或终止向所述云端服务器上报所述使用数据的指示信息；
所述处理模块还用于基于所述第二控制指令向所述云端服务器上报或终止向所述云端服务器上报所述使用数据。
9.根据权利要求6所述的装置，其特征在于，
所述确定模块还用于确定所述移动终端的内核中运行应用的当前应用场景及使用数据；
所述处理模块还用于基于所述推荐参数配置所述内核的资源。
10.根据权利要求9所述的装置，其特征在于，所述装置还包括封装模块；其中，所述封装模块用于将所述推荐参数封装成配置模块；所述处理模块，还用于调用所述配置模块，基于所述配置模块中的推荐参数配置所述内核。
11.一种计算机设备，其特征在于，包括存储器和处理器，其中，
处理器，与所述存储器连接，被配置为通过执行存储在所述存储器上的计算机可执行指令，实现权利要求1至5任一项提供的方法。
12.一种计算机存储介质，所述计算机存储介质存储有计算机可执行指令，所述计算机可执行指令被处理器执行后能够实现权利要求1至5任一项提供的方法。
CN202010088415.4A 2020-02-12 2020-02-12 移动终端的资源处理方法、装置、计算机设备及存储介质 Active CN111651263B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202010088415.4A CN111651263B (zh) 2020-02-12 2020-02-12 移动终端的资源处理方法、装置、计算机设备及存储介质
US16/914,670 US11561837B2 (en) 2020-02-12 2020-06-29 Resource processing method and apparatus for mobile terminal, computer device and storage medium
EP20187991.3A EP3866011A1 (en) 2020-02-12 2020-07-27 Resource processing method and apparatus for mobile terminal, computer device and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010088415.4A CN111651263B (zh) 2020-02-12 2020-02-12 移动终端的资源处理方法、装置、计算机设备及存储介质

Publications (2)

Publication Number Publication Date
CN111651263A CN111651263A (zh) 2020-09-11
CN111651263B true CN111651263B (zh) 2023-10-13

Family

ID=71833275

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010088415.4A Active CN111651263B (zh) 2020-02-12 2020-02-12 移动终端的资源处理方法、装置、计算机设备及存储介质

Country Status (3)

Country Link
US (1) US11561837B2 (zh)
EP (1) EP3866011A1 (zh)
CN (1) CN111651263B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230422134A1 (en) * 2020-11-02 2023-12-28 Beijing Xiaomi Mobile Software Co., Ltd. Communication method and communication device
CN112600876A (zh) * 2020-11-25 2021-04-02 宝能(广州)汽车研究院有限公司 Ota升级包下载方法、ota服务器以及电子设备和存储介质
KR20220135498A (ko) * 2021-03-30 2022-10-07 삼성전자주식회사 전자 장치 및 이의 제어 방법
CN113613074B (zh) * 2021-07-27 2023-08-18 Oppo广东移动通信有限公司 直播场景检测方法、装置、终端及存储介质
WO2023015431A1 (en) * 2021-08-10 2023-02-16 Qualcomm Incorporated Dci-based indication to trigger the combined ml model
CN114302506B (zh) * 2021-12-24 2023-06-30 中国联合网络通信集团有限公司 一种基于人工智能ai的协议栈单元、数据处理方法和装置
CN114363579B (zh) * 2022-01-21 2024-03-19 中国铁塔股份有限公司 一种监控视频的共享方法、装置及电子设备
CN117112881A (zh) * 2022-05-16 2023-11-24 中兴通讯股份有限公司 资源列表的推荐方法、终端设备及服务器
CN115145730B (zh) * 2022-07-05 2023-03-24 小米汽车科技有限公司 运行监测方法、装置、电子设备和存储介质
CN116661584B (zh) * 2022-10-11 2024-04-12 荣耀终端有限公司 一种资源调度方法及相关设备
CN116600020B (zh) * 2023-07-13 2023-10-10 支付宝(杭州)信息技术有限公司 协议生成方法、端云协同推荐方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108076224A (zh) * 2017-12-21 2018-05-25 广东欧珀移动通信有限公司 应用程序控制方法、装置及存储介质和移动终端
CN108664329A (zh) * 2018-05-10 2018-10-16 努比亚技术有限公司 一种资源配置方法、终端及计算机可读存储介质
CN110339567A (zh) * 2019-07-17 2019-10-18 三星电子（中国）研发中心 系统资源配置、场景预测模型训练方法和装置

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10318882B2 (en) * 2014-09-11 2019-06-11 Amazon Technologies, Inc. Optimized training of linear machine learning models
US10824958B2 (en) * 2014-08-26 2020-11-03 Google Llc Localized learning from a global model
US9723145B2 (en) * 2015-05-30 2017-08-01 Genesys Telecommunications Laboratories, Inc. System and method for analysis and correlation of scoring and customer satisfaction
US10659542B2 (en) * 2016-04-27 2020-05-19 NetSuite Inc. System and methods for optimal allocation of multi-tenant platform infrastructure resources
CN106095592B (zh) 2016-05-31 2021-08-24 Oppo广东移动通信有限公司 一种前景应用程序场景同步方法及装置、系统
US20180089587A1 (en) * 2016-09-26 2018-03-29 Google Inc. Systems and Methods for Communication Efficient Distributed Mean Estimation
CN107885591A (zh) 2016-09-27 2018-04-06 华为技术有限公司 为应用分配系统资源的方法和终端
US11132220B2 (en) * 2016-09-27 2021-09-28 Telefonaktiebolaget Lm Ericsson (Publ) Process scheduling
CN107483725A (zh) * 2017-07-31 2017-12-15 广东欧珀移动通信有限公司 资源配置方法及相关产品
CN107995357A (zh) 2017-11-15 2018-05-04 广东欧珀移动通信有限公司 资源配置方法及装置
CN108415770B (zh) * 2018-01-18 2021-07-20 陕西师范大学 一种面向移动Web服务的CPU资源自适应调度系统及方法
US11227187B1 (en) * 2019-05-23 2022-01-18 Augustus Intelligence Inc. Generating artificial intelligence solutions using raw data and simulated data
CN110188472B (zh) 2019-05-30 2023-05-26 小耳朵（广东）电子科技股份有限公司 基于ai运算管理的智能测重方法及手机测重管理系统
US11178065B2 (en) * 2019-08-07 2021-11-16 Oracle International Corporation System and methods for optimal allocation of multi-tenant platform infrastructure resources
US10803184B2 (en) * 2019-08-09 2020-10-13 Alibaba Group Holding Limited Generation of a model parameter
US20210056458A1 (en) * 2019-08-20 2021-02-25 Adobe Inc. Predicting a persona class based on overlap-agnostic machine learning models for distributing persona-based digital content
US10831452B1 (en) * 2019-09-06 2020-11-10 Digital Asset Capital, Inc. Modification of in-execution smart contract programs
US11017322B1 (en) * 2021-01-28 2021-05-25 Alipay Labs (singapore) Pte. Ltd. Method and system for federated learning

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108076224A (zh) * 2017-12-21 2018-05-25 广东欧珀移动通信有限公司 应用程序控制方法、装置及存储介质和移动终端
CN108664329A (zh) * 2018-05-10 2018-10-16 努比亚技术有限公司 一种资源配置方法、终端及计算机可读存储介质
CN110339567A (zh) * 2019-07-17 2019-10-18 三星电子（中国）研发中心 系统资源配置、场景预测模型训练方法和装置

Also Published As

Publication number Publication date
US11561837B2 (en) 2023-01-24
US20210248009A1 (en) 2021-08-12
CN111651263A (zh) 2020-09-11
EP3866011A1 (en) 2021-08-18

Similar Documents

Publication Publication Date Title
CN111651263B (zh) 移动终端的资源处理方法、装置、计算机设备及存储介质
EP3188066B1 (en) A method and an apparatus for managing an application
US9588805B2 (en) Method and terminal device for controlling background application
US20160381629A1 (en) Virtual sim card for accessing operator network
CN109792752B (zh) 直连资源配置方法及装置
US10248855B2 (en) Method and apparatus for identifying gesture
US20180342029A1 (en) Method, apparatus terminal device, and computer readable storage medium for invoking a virtual public transport card
CN108307308B (zh) 无线局域网设备的定位方法、装置和存储介质
CN111160448B (zh) 一种图像分类模型的训练方法及装置
CN109117874A (zh) 操作行为预测方法及装置
US20220342706A1 (en) Method for data processing and apparatus, and electronic device
CN107463372B (zh) 一种数据驱动的页面更新方法和装置
CN109214175B (zh) 基于样本特征训练分类器的方法、装置及存储介质
CN106254669A (zh) 数据流量提醒方法及装置
US11570693B2 (en) Method and apparatus for sending and receiving system information, and user equipment and base station
EP3667453A1 (en) Drone control method and device, drone and core network device
CN106208271B (zh) 移动电源的管理方法及装置
CN105786561B (zh) 进程调用的方法及装置
US20180062934A1 (en) Method and apparatus for device identification
CN107885464B (zh) 数据存储方法、装置及计算机可读存储介质
CN109088920B (zh) 智能音箱的评价方法、装置、设备及存储介质
CN108154092B (zh) 人脸特征预测方法及装置
CN112489650A (zh) 唤醒控制方法、装置、存储介质及终端
CN111008606A (zh) 图像预测方法及装置、电子设备和存储介质
CN112201236B (zh) 终端唤醒方法、装置及计算机可读存储介质

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