CN115185687A - 基于深度学习的内存分配方法 - Google Patents
基于深度学习的内存分配方法 Download PDFInfo
- Publication number
- CN115185687A CN115185687A CN202210804535.9A CN202210804535A CN115185687A CN 115185687 A CN115185687 A CN 115185687A CN 202210804535 A CN202210804535 A CN 202210804535A CN 115185687 A CN115185687 A CN 115185687A
- Authority
- CN
- China
- Prior art keywords
- program
- memory space
- state
- starting
- memory
- 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
- 238000013135 deep learning Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000007935 neutral effect Effects 0.000 claims description 4
- 230000009286 beneficial effect Effects 0.000 description 8
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 1
Images
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
- G06F9/5011—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resources being hardware resources other than CPUs, Servers and Terminals
- G06F9/5016—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resources being hardware resources other than CPUs, Servers and Terminals the resource being the memory
-
- 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
- G06F9/5011—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resources being hardware resources other than CPUs, Servers and Terminals
- G06F9/5022—Mechanisms to release resources
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Stored Programmes (AREA)
Abstract
本发明提供了基于深度学习的内存分配方法,其根据终端设备处于开机自启动状态的程序进行运行状态深度预测分析,确定处于开机自启动状态的程序的内存使用状态信息,以此判断对应程序属于闲置程序还是非闲置程序,并调整对应程序的当前占空的内存空间;再获取处于前台运行状态的程序的数据运算信息,并对述数据运算信息进行深度学习分析处理,确定处于前台运行状态的程序的内存空间缺口量,将处于后台运行状态的程序进行释放得到的内存空间分配至处于前台运行状态的程序;可见,上述方法通过对终端设备不同类型程序进行内存空间使用情况的深度学习分析,适应性释放其中的内存空间,对终端设备的实际内存使用情况进行灵活和准确的分配。
Description
技术领域
本发明涉及内存空间管理的技术领域,特别涉及基于深度学习的内存分配方法。
背景技术
终端设备的正常运行需要依靠其自身内存空间,在终端设备运行过程中针对不同程序分配相应的内存空间,从而保证不同程序的稳定运行。现有的内存空间分配方式主要包括手动分配和统一分配。其中,手动分配是通过程序员在堆区栈和在合适的时间进行内存空间的释放分配,这对程序员提出较高的要求。统一分配则是利用内存池对内存空间进行统一管理,这需要设计复杂的内存结构相配合。可见,现有的内存空间分配方式无法针对终端设备的实际内存使用情况进行灵活和准确的分配,无法保证内存空间获得高效可靠的利用。
发明内容
针对现有技术存在的缺陷,本发明提供基于深度学习的内存分配方法,其根据终端设备处于开机自启动状态的程序进行运行状态深度预测分析,确定处于开机自启动状态的程序的内存使用状态信息,以此判断对应程序属于闲置程序还是非闲置程序,并调整对应程序的当前占空的内存空间;再获取处于前台运行状态的程序的数据运算信息,并对述数据运算信息进行深度学习分析处理,确定处于前台运行状态的程序的内存空间缺口量,以及将处于后台运行状态的程序进行内存空间释放处理得到的内存空间分配至处于前台运行状态的程序;可见,上述方法通过对终端设备不同类型程序进行内存空间使用情况的深度学习分析,适应性释放其中的内存空间,保证处于前台运行状态的程序能够分配获得足够的内存空间,从而对终端设备的实际内存使用情况进行灵活和准确的分配,保证内存空间获得高效可靠的利用。
本发明提供基于深度学习的内存分配方法,其包括如下步骤:
步骤S1,当终端设备开机时,确定终端设备处于开机自启动状态的程序;根据所述处于开机自启动状态的程序进行运行状态深度预测分析,确定所述处于开机自启动状态的程序的内存使用状态信息;
步骤S2,根据所述内存使用状态信息,对所述处于开机自启动状态的程序进行识别区分,判断其属于闲置程序还是非闲置程序;根据上述判断结果,调整所述处于开机自启动状态的程序当前占空的内存空间;
步骤S3,获取终端设备当前处于前台运行状态的程序的数据运算信息,对所述数据运算信息进行深度学习分析处理,确定处于前台运行状态的程序的内存空间缺口量;
步骤S4,获取终端设备当前处于后台运行状态的程序的内存使用率信息,根据所述内存使用率信息,对处于后台运行状态的程序进行内存空间释放处理;再根据所述内存空间缺口量,将所述内存空间释放处理得到的内存空间分配至所述处于前台运行状态的程序。
进一步,在所述步骤S1中,当终端设备开机时,确定终端设备处于开机自启动状态的程序具体包括:
当终端设备开机时,确定在开机过程中同步自动开启的所有程序;根据终端设备的开机运行需求,将同步自动开启的所有程序区分为必要开启程序和非必要开启程序。
进一步,在所述步骤S1中,根据所述处于开机自启动状态的程序进行运行状态深度预测分析,确定所述处于开机自启动状态的程序的内存使用状态信息具体包括:
获取所述非必要开机程序的历史运行状态日志信息,并对所述历史运行状态日志信息进行运行状态深度预测分析,确定所述非必要开机程序的内存空间使用值。
进一步,在所述步骤S2中,根据所述内存使用状态信息,对所述处于开机自启动状态的程序进行识别区分,判断其属于闲置程序还是非闲置程序具体包括:
将所述内存空间使用值与预设内存空间使用阈值进行比对;若所述内存空间使用值大于或等于预设内存空间使用阈值,则将相应的非必要开机程序确定为属于非闲置程序;若所述内存空间使用值小于预设内存空间使用阈值,则将相应的非必要开机程序确定为属于闲置程序。
进一步,在所述步骤S2中,根据上述判断结果,调整所述处于开机自启动状态的程序当前占空的内存空间具体包括:
将所述闲置程序当前占用的所有内存空间进行释放,同时关闭所述闲置程序;
对所述非闲置程序当前占用的内存空间进行预定比例的降低释放。
进一步,在所述步骤S3中,获取终端设备当前处于前台运行状态的程序的数据运算信息,对所述数据运算信息进行深度学习分析处理,确定处于前台运行状态的程序的内存空间缺口量具体包括:
获取终端设备当前处于前台运行状态的程序的数据运算速率变化信息,对所述数据运算速率变化信息进行深度学习分析处理,确定处于前台运行状态的程序在未来预设时间段内的内存空间缺口量;其中,所述内存空间缺口量是指所述深度学习分析处理确定的处于前台运行状态的程序的期望分配内存空间与当前分配内存空间之间的差值。
进一步,在所述步骤S4中,获取终端设备当前处于后台运行状态的程序的内存使用率信息,根据所述内存使用率信息,对处于后台运行状态的程序进行内存空间释放处理具体包括:
获取终端设备当前处于后台运行状态的程序的实时内存空间占用值与终端设备的总内存空间之间的比值,以此作为处于后台运行状态的程序的内存使用率信息;
若所述比值大于或等于预设比例阈值,则对处于后台运行状态的程序进行内存空间释放处理;否则,不对处于后台运行状态的程序进行内存空间释放处理。
进一步,在所述步骤S4中,根据所述内存空间缺口量,将所述内存空间释放处理得到的内存空间分配至所述处于前台运行状态的程序具体包括:
根据所述内存空间缺口量,从所有处于后台运行状态的程序进行内存空间释放处理后得到的空档内存空间中选取相匹配大小的内存空间,并分配至所述处于前台运行状态的程序。
相比于现有技术,该基于深度学习的内存分配方法根据终端设备处于开机自启动状态的程序进行运行状态深度预测分析,确定处于开机自启动状态的程序的内存使用状态信息,以此判断对应程序属于闲置程序还是非闲置程序,并调整对应程序的当前占空的内存空间;再获取处于前台运行状态的程序的数据运算信息,并对述数据运算信息进行深度学习分析处理,确定处于前台运行状态的程序的内存空间缺口量,以及将处于后台运行状态的程序进行内存空间释放处理得到的内存空间分配至处于前台运行状态的程序;可见,上述方法通过对终端设备不同类型程序进行内存空间使用情况的深度学习分析,适应性释放其中的内存空间,保证处于前台运行状态的程序能够分配获得足够的内存空间,从而对终端设备的实际内存使用情况进行灵活和准确的分配,保证内存空间获得高效可靠的利用。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
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
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的基于深度学习的内存分配方法的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
参阅图1,为本发明实施例提供的基于深度学习的内存分配方法的流程示意图。该基于深度学习的内存分配方法包括如下步骤:
步骤S1,当终端设备开机时,确定终端设备处于开机自启动状态的程序;根据该处于开机自启动状态的程序进行运行状态深度预测分析,确定该处于开机自启动状态的程序的内存使用状态信息;
步骤S2,根据该内存使用状态信息,对该处于开机自启动状态的程序进行识别区分,判断其属于闲置程序还是非闲置程序;根据上述判断结果,调整该处于开机自启动状态的程序当前占空的内存空间;
步骤S3,获取终端设备当前处于前台运行状态的程序的数据运算信息,对该数据运算信息进行深度学习分析处理,确定处于前台运行状态的程序的内存空间缺口量;
步骤S4,获取终端设备当前处于后台运行状态的程序的内存使用率信息,根据该内存使用率信息,对处于后台运行状态的程序进行内存空间释放处理;再根据该内存空间缺口量,将该内存空间释放处理得到的内存空间分配至该处于前台运行状态的程序。
上述技术方案的有益效果为:该基于深度学习的内存分配方法根据终端设备处于开机自启动状态的程序进行运行状态深度预测分析,确定处于开机自启动状态的程序的内存使用状态信息,以此判断对应程序属于闲置程序还是非闲置程序,并调整对应程序的当前占空的内存空间;再获取处于前台运行状态的程序的数据运算信息,并对述数据运算信息进行深度学习分析处理,确定处于前台运行状态的程序的内存空间缺口量,以及将处于后台运行状态的程序进行内存空间释放处理得到的内存空间分配至处于前台运行状态的程序;可见,上述方法通过对终端设备不同类型程序进行内存空间使用情况的深度学习分析,适应性释放其中的内存空间,保证处于前台运行状态的程序能够分配获得足够的内存空间,从而对终端设备的实际内存使用情况进行灵活和准确的分配,保证内存空间获得高效可靠的利用。
优选地,在该步骤S1中,当终端设备开机时,确定终端设备处于开机自启动状态的程序具体包括:
当终端设备开机时,确定在开机过程中同步自动开启的所有程序;根据终端设备的开机运行需求,将同步自动开启的所有程序区分为必要开启程序和非必要开启程序。
上述技术方案的有益效果为:基于终端设备的开机启动需要和终端设备内部不同程序自身的设定状态,当终端设备开启时,相应的部分程序会同步自动开启,并占用相应的内存空间。通过上述方式,根据终端设备的开机运行需求,将同步自动开启的所有程序区分为必要开启程序(对应于终端设备的开机启动需要的程序)和非必要开启程序(对应于终端设备其他非开机启动需要的程序并且设定了开机自启动模式的程序),能够便于后续对不同类型的程序进行区分化的内存空间使用情况深度预测分析。
优选地,在该步骤S1中,根据该处于开机自启动状态的程序进行运行状态深度预测分析,确定该处于开机自启动状态的程序的内存使用状态信息具体包括:
获取该非必要开机程序的历史运行状态日志信息,并对该历史运行状态日志信息进行运行状态深度预测分析,确定该非必要开机程序的内存空间使用值。
上述技术方案的有益效果为:通过上述方式,以非必要开机程序的历史运行状态日志信息为基础,对非必要开机程序进行运行状态深度预测分析,能够预测确定非必要开机程序在一定时间段内的内存空间使用值,从而便于后续准确判断非必要开机程序是否属于闲置程序。
优选地,在该步骤S2中,根据该内存使用状态信息,对该处于开机自启动状态的程序进行识别区分,判断其属于闲置程序还是非闲置程序具体包括:
将该内存空间使用值与预设内存空间使用阈值进行比对;若该内存空间使用值大于或等于预设内存空间使用阈值,则将相应的非必要开机程序确定为属于非闲置程序;若该内存空间使用值小于预设内存空间使用阈值,则将相应的非必要开机程序确定为属于闲置程序。
上述技术方案的有益效果为:通过上述方式,能够量化判断非必要开机程序是否属于闲置程序,从而为后续对闲置程序和非闲置程序进行内存空间的释放提供可靠的依据。
优选地,在该步骤S2中,根据上述判断结果,调整该处于开机自启动状态的程序当前占空的内存空间具体包括:
将该闲置程序当前占用的所有内存空间进行释放,同时关闭该闲置程序;
对该非闲置程序当前占用的内存空间进行预定比例的降低释放。
上述技术方案的有益效果为:通过上述方式,对闲置程序和非闲置程序当前占用的内存空间进行不同程度的释放,能够保证非闲置程序的正常运行以及实现内存空间最大程度释放利用。
优选地,在该步骤S3中,获取终端设备当前处于前台运行状态的程序的数据运算信息,对该数据运算信息进行深度学习分析处理,确定处于前台运行状态的程序的内存空间缺口量具体包括:
获取终端设备当前处于前台运行状态的程序的数据运算速率变化信息,对该数据运算速率变化信息进行深度学习分析处理,确定处于前台运行状态的程序在未来预设时间段内的内存空间缺口量;其中,该内存空间缺口量是指该深度学习分析处理确定的处于前台运行状态的程序的期望分配内存空间与当前分配内存空间之间的差值。
上述技术方案的有益效果为:通过上述方式,能够准确预测处于前台运行状态的程序在未来预设时间段内的内存空间缺口量,便于后续有针对性地对处于前台运行状态的程序进行合理的内存空间重新分配,保证处于前台运行状态的程序的稳定运行。
优选地,在该步骤S4中,获取终端设备当前处于后台运行状态的程序的内存使用率信息,根据该内存使用率信息,对处于后台运行状态的程序进行内存空间释放处理具体包括:
获取终端设备当前处于后台运行状态的程序的实时内存空间占用值与终端设备的总内存空间之间的比值,以此作为处于后台运行状态的程序的内存使用率信息;
若该比值大于或等于预设比例阈值,则对处于后台运行状态的程序进行内存空间释放处理;否则,不对处于后台运行状态的程序进行内存空间释放处理。
上述技术方案的有益效果为:通过上述方式,能够对特定的处于后台运行状态的程序进行内存空间释放处理,在保证处于后台运行状态的程序正常运行的情况下,有效释放可用的内存空间,提高内存空间的利用效率。
优选地,在该步骤S4中,根据该内存空间缺口量,将该内存空间释放处理得到的内存空间分配至该处于前台运行状态的程序具体包括:
根据该内存空间缺口量,从所有处于后台运行状态的程序进行内存空间释放处理后得到的空档内存空间中选取相匹配大小的内存空间,并分配至该处于前台运行状态的程序。
上述技术方案的有益效果为:通过上述方式,以内存空间缺口量为基准,从所有处于后台运行状态的程序进行内存空间释放处理后得到的空档内存空间中选取相匹配大小的内存空间,这样能够保证处于前台运行状态的程序被分配合适的内存空间,有效避免内存空间分配过少或过多。
从上述实施例的内容可知,该基于深度学习的内存分配方法根据终端设备处于开机自启动状态的程序进行运行状态深度预测分析,确定处于开机自启动状态的程序的内存使用状态信息,以此判断对应程序属于闲置程序还是非闲置程序,并调整对应程序的当前占空的内存空间;再获取处于前台运行状态的程序的数据运算信息,并对述数据运算信息进行深度学习分析处理,确定处于前台运行状态的程序的内存空间缺口量,以及将处于后台运行状态的程序进行内存空间释放处理得到的内存空间分配至处于前台运行状态的程序;可见,上述方法通过对终端设备不同类型程序进行内存空间使用情况的深度学习分析,适应性释放其中的内存空间,保证处于前台运行状态的程序能够分配获得足够的内存空间,从而对终端设备的实际内存使用情况进行灵活和准确的分配,保证内存空间获得高效可靠的利用。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (8)
1.基于深度学习的内存分配方法,其特征在于,其包括如下步骤:
步骤S1,当终端设备开机时,确定终端设备处于开机自启动状态的程序;根据所述处于开机自启动状态的程序进行运行状态深度预测分析,确定所述处于开机自启动状态的程序的内存使用状态信息;
步骤S2,根据所述内存使用状态信息,对所述处于开机自启动状态的程序进行识别区分,判断其属于闲置程序还是非闲置程序;根据上述判断结果,调整所述处于开机自启动状态的程序当前占空的内存空间;
步骤S3,获取终端设备当前处于前台运行状态的程序的数据运算信息,对所述数据运算信息进行深度学习分析处理,确定处于前台运行状态的程序的内存空间缺口量;
步骤S4,获取终端设备当前处于后台运行状态的程序的内存使用率信息,根据所述内存使用率信息,对处于后台运行状态的程序进行内存空间释放处理;再根据所述内存空间缺口量,将所述内存空间释放处理得到的内存空间分配至所述处于前台运行状态的程序。
2.如权利要求1所述的基于深度学习的内存分配方法,其特征在于:
在所述步骤S1中,当终端设备开机时,确定终端设备处于开机自启动状态的程序具体包括:
当终端设备开机时,确定在开机过程中同步自动开启的所有程序;根据终端设备的开机运行需求,将同步自动开启的所有程序区分为必要开启程序和非必要开启程序。
3.如权利要求2所述的基于深度学习的内存分配方法,其特征在于:
在所述步骤S1中,根据所述处于开机自启动状态的程序进行运行状态深度预测分析,确定所述处于开机自启动状态的程序的内存使用状态信息具体包括:
获取所述非必要开机程序的历史运行状态日志信息,并对所述历史运行状态日志信息进行运行状态深度预测分析,确定所述非必要开机程序的内存空间使用值。
4.如权利要求3所述的基于深度学习的内存分配方法,其特征在于:
在所述步骤S2中,根据所述内存使用状态信息,对所述处于开机自启动状态的程序进行识别区分,判断其属于闲置程序还是非闲置程序具体包括:
将所述内存空间使用值与预设内存空间使用阈值进行比对;若所述内存空间使用值大于或等于预设内存空间使用阈值,则将相应的非必要开机程序确定为属于非闲置程序;若所述内存空间使用值小于预设内存空间使用阈值,则将相应的非必要开机程序确定为属于闲置程序。
5.如权利要求4所述的基于深度学习的内存分配方法,其特征在于:
在所述步骤S2中,根据上述判断结果,调整所述处于开机自启动状态的程序当前占空的内存空间具体包括:
将所述闲置程序当前占用的所有内存空间进行释放,同时关闭所述闲置程序;
对所述非闲置程序当前占用的内存空间进行预定比例的降低释放。
6.如权利要求5所述的基于深度学习的内存分配方法,其特征在于:
在所述步骤S3中,获取终端设备当前处于前台运行状态的程序的数据运算信息,对所述数据运算信息进行深度学习分析处理,确定处于前台运行状态的程序的内存空间缺口量具体包括:
获取终端设备当前处于前台运行状态的程序的数据运算速率变化信息,对所述数据运算速率变化信息进行深度学习分析处理,确定处于前台运行状态的程序在未来预设时间段内的内存空间缺口量;其中,所述内存空间缺口量是指所述深度学习分析处理确定的处于前台运行状态的程序的期望分配内存空间与当前分配内存空间之间的差值。
7.如权利要求6所述的基于深度学习的内存分配方法,其特征在于:
在所述步骤S4中,获取终端设备当前处于后台运行状态的程序的内存使用率信息,根据所述内存使用率信息,对处于后台运行状态的程序进行内存空间释放处理具体包括:
获取终端设备当前处于后台运行状态的程序的实时内存空间占用值与终端设备的总内存空间之间的比值,以此作为处于后台运行状态的程序的内存使用率信息;
若所述比值大于或等于预设比例阈值,则对处于后台运行状态的程序进行内存空间释放处理;否则,不对处于后台运行状态的程序进行内存空间释放处理。
8.如权利要求7所述的基于深度学习的内存分配方法,其特征在于:
在所述步骤S4中,根据所述内存空间缺口量,将所述内存空间释放处理得到的内存空间分配至所述处于前台运行状态的程序具体包括:
根据所述内存空间缺口量,从所有处于后台运行状态的程序进行内存空间释放处理后得到的空档内存空间中选取相匹配大小的内存空间,并分配至所述处于前台运行状态的程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210804535.9A CN115185687B (zh) | 2022-07-08 | 2022-07-08 | 基于深度学习的内存分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210804535.9A CN115185687B (zh) | 2022-07-08 | 2022-07-08 | 基于深度学习的内存分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115185687A true CN115185687A (zh) | 2022-10-14 |
CN115185687B CN115185687B (zh) | 2023-11-14 |
Family
ID=83516887
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210804535.9A Active CN115185687B (zh) | 2022-07-08 | 2022-07-08 | 基于深度学习的内存分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115185687B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115756872A (zh) * | 2022-12-13 | 2023-03-07 | 陈应钦 | 基于数据分析的计算机内存释放系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090119654A1 (en) * | 2007-10-30 | 2009-05-07 | International Business Machines Corporation | Compiler for optimizing program |
CN101859261A (zh) * | 2010-06-09 | 2010-10-13 | 中兴通讯股份有限公司 | 一种释放内存的控制方法及控制设备 |
CN104281510A (zh) * | 2013-07-05 | 2015-01-14 | 贝壳网际(北京)安全技术有限公司 | 应用程序耗电程度的获得方法、系统及节能方法、系统 |
CN109656722A (zh) * | 2019-01-04 | 2019-04-19 | Oppo广东移动通信有限公司 | 内存优化方法、装置、移动终端及存储介质 |
CN113961060A (zh) * | 2020-07-21 | 2022-01-21 | 宏碁股份有限公司 | 电子装置与其电量管理方法 |
US20220121434A1 (en) * | 2020-10-19 | 2022-04-21 | Oracle International Corporation | Prioritized non-active memory device update |
-
2022
- 2022-07-08 CN CN202210804535.9A patent/CN115185687B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090119654A1 (en) * | 2007-10-30 | 2009-05-07 | International Business Machines Corporation | Compiler for optimizing program |
CN101859261A (zh) * | 2010-06-09 | 2010-10-13 | 中兴通讯股份有限公司 | 一种释放内存的控制方法及控制设备 |
CN104281510A (zh) * | 2013-07-05 | 2015-01-14 | 贝壳网际(北京)安全技术有限公司 | 应用程序耗电程度的获得方法、系统及节能方法、系统 |
CN109656722A (zh) * | 2019-01-04 | 2019-04-19 | Oppo广东移动通信有限公司 | 内存优化方法、装置、移动终端及存储介质 |
CN113961060A (zh) * | 2020-07-21 | 2022-01-21 | 宏碁股份有限公司 | 电子装置与其电量管理方法 |
US20220121434A1 (en) * | 2020-10-19 | 2022-04-21 | Oracle International Corporation | Prioritized non-active memory device update |
Non-Patent Citations (1)
Title |
---|
毛宏斌: "Android虚拟机内存管理机制的分析及性能优化", 中国优秀硕士学位论文全文数据库信息科技辑 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115756872A (zh) * | 2022-12-13 | 2023-03-07 | 陈应钦 | 基于数据分析的计算机内存释放系统 |
CN115756872B (zh) * | 2022-12-13 | 2023-05-26 | 北京望京科技孵化服务有限公司 | 基于数据分析的计算机内存释放系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115185687B (zh) | 2023-11-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN100363898C (zh) | 能够使用过去处理空间的信息处理器 | |
CN113467933B (zh) | 分布式文件系统线程池优化方法、系统、终端及存储介质 | |
CN110580195B (zh) | 一种基于内存热插拔的内存分配方法和装置 | |
CN106598740A (zh) | 一种限制多线程程序占用cpu利用率的系统及限制方法 | |
CN115185687A (zh) | 基于深度学习的内存分配方法 | |
CN105320570A (zh) | 资源管理方法和系统 | |
CN111638953B (zh) | 一种实现gpu虚拟化的方法、装置和存储介质 | |
CN110471769B (zh) | 一种虚拟机的资源管理方法及装置 | |
CN107370783B (zh) | 一种云计算集群资源的调度方法及装置 | |
CN114860449B (zh) | 数据处理方法、装置、设备和存储介质 | |
CN107341060B (zh) | 一种虚拟机内存分配方法和装置 | |
CN115151902A (zh) | 集群扩容方法、装置、存储介质及电子设备 | |
CN110806918A (zh) | 基于深度学习神经网络的虚拟机运行方法和装置 | |
CN115242637B (zh) | 远程桌面网关的调配方法、计算机装置及存储介质 | |
CN116795520A (zh) | 资源调度方法、装置、电子设备和存储介质 | |
CN114661497A (zh) | 操作系统分区共享内存方法和系统 | |
CN108874546B (zh) | 一种linux优化资源使用的系统及方法 | |
CN105740064A (zh) | Linux系统中防止服务端重启的方法及装置 | |
CN111930502A (zh) | 一种服务器管理方法、装置、设备及存储介质 | |
CN111381943A (zh) | 一种应用程序闪退处理方法、智能终端及存储介质 | |
CN114003182B (zh) | 指令交互方法、装置、存储设备以及介质 | |
CN116302572B (zh) | 基于ai智能推荐的算力资源调度分配系统及方法 | |
CN115309344B (zh) | nor flash的全片擦除方法、装置、设备及介质 | |
CN114741201B (zh) | 一种计算机硬盘存储空间调配分配系统及分配方法 | |
CN116204134B (zh) | 缓存管理方法、装置、设备、存储系统及存储介质 |
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 |