CN115658289A - 终端调节方法、装置、存储介质及电子设备 - Google Patents
终端调节方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN115658289A CN115658289A CN202211137202.1A CN202211137202A CN115658289A CN 115658289 A CN115658289 A CN 115658289A CN 202211137202 A CN202211137202 A CN 202211137202A CN 115658289 A CN115658289 A CN 115658289A
- Authority
- CN
- China
- Prior art keywords
- terminal
- strategy
- predicted
- adjusting
- 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.)
- Pending
Links
Images
Abstract
本申请实施例公开了一种终端调节方法、装置、存储介质及电子设备,涉及机器学习技术领域。其中,该方法包括:确定终端的当前运行状态;基于当前运行状态,通过行为感知模型确定终端在下一阶段的预测运行状态,行为感知模型为通过终端的历史使用特征训练得到的模型;基于预测运行状态对终端的运行资源进行调节。根据本申请实施例的技术方案,能够提前预测终端的运行状态,从而能够提前调节终端的运行资源,进而使得终端的运行资源能够满足突发的负载变化。
Description
技术领域
本申请涉及机器学习技术领域,尤其涉及一种终端调节方法、装置、存储介质及电子设备。
背景技术
随着互联网技术的发展,终端设备例如智能手机成为了人们生活中不可或缺的一部分。如何提高终端设备的性能成为了关注的焦点。
在一种技术方案中,基于终端设备的前台应用的包名以及前后台切换事件,对终端设备的CPU(Central Processing Unit,中央处理单元)、GPU(Graphics ProcessingUnit)的频率进行调节。然而,这种技术方案仅能根据终端设备的当前使用情况进行频率调节,在时间上具有一定的滞后性。
发明内容
本申请实施例提供了一种终端调节方法、装置、存储介质及电子设备,能够提前预测终端设备的运行状态,从而能够提前调节终端的运行资源。所述技术方案如下:
第一方面,本申请实施例提供了一种终端调节方法,所述方法包括:
确定终端的当前运行状态;
基于所述当前运行状态,通过行为感知模型确定所述终端在下一阶段的预测运行状态,所述行为感知模型为通过所述终端的历史使用特征训练得到的模型;
基于所述预测运行状态对所述终端的运行资源进行调节。
第二方面,本申请实施例提供了一种终端调节装置,所述装置包括:
状态确定模块,用于确定终端的当前运行状态;
预测模块,用于基于所述当前运行状态,通过行为感知模型确定所述终端在下一阶段的预测运行状态,所述行为感知模型为通过所述终端的历史使用特征训练得到的模型;
调节模块,用于基于所述预测运行状态对所述终端的运行资源进行调节。
第三方面,本申请实施例提供一种计算机存储介质,所述计算机存储介质存储有多条指令,所述指令适于由处理器加载并执行上述的方法的步骤。
第四方面,本申请实施例提供一种电子设备,可包括:处理器和存储器;其中,所述存储器存储有计算机程序,所述计算机程序适于由所述处理器加载并执行上述的方法的步骤。
本申请一些实施例提供的技术方案带来的有益效果至少包括:
在本申请一个或多个实施例中,一方面,基于终端的当前运行状态,通过行为感知模型确定终端在下一阶段的预测运行状态,行为感知模型为通过终端的历史使用特征训练得到的模型,能够从分析用户使用习惯出发,通过大量的用户使用数据,训练行为感知模型,通过行为感知模型不断学习用户的使用习惯,预测终端接下来一段时间内的运行状态;另一方面,根据预测运行状态调节终端的运行资源,能够提前预测终端设备的运行状态例如前后台应用和系统的负载情况,从而能够提前调节终端的运行资源,进而使得终端的运行资源能够满足突发的负载变化。
附图说明
为了更清楚地说明本申请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申请的一些实施例,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示出了根据本申请的一些实施例提供的终端调节方法的应用场景的示意图;
图2示出了根据本申请的一些实施例提供的终端调节方法的流程示意图;
图3示出了根据本申请的另一些实施例提供的终端调节方法的流程示意图;
图4示出了根据本申请的又一些实施例提供的终端调节方法的流程示意图;
图5示出了根据本申请的一些实施例提供的行为感知器的结构示意图;
图6示出了根据本申请的一些实施例提供的策略规则引擎的流程处理示意图;
图7示出了根据本申请的一些实施例提供的效果评判器的流程处理示意图;
图8示出了本申请实施例提供的一种终端调节装置的结构示意图;
图9示出了本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
在一种技术方案中,在检测到由应用程序前台启动操作所触发的场景进入事件时,获取与该场景进入事件对应的当前场景进程包;根据获取的当前场景进程包以及预先存储的调频模式列表,调整终端中CPU的调频模式。然而,一方面,通过前台应用的包名匹配调频策略,具有明显的滞后性,无法应对突发的负载变化;另一方面,这种技术方案只能根据当前场景,匹配固定的调频、调度策略,无法提前预测终端的运行状态例如性能状态和续航状态。
基于上述内容,本申请实施例提供了一种终端调节方法以及终端调节装置。根据本申请实施例的技术方案,确定终端的当前运行状态;基于当前运行状态,通过行为感知模型确定终端在下一阶段的预测运行状态,行为感知模型为通过终端的历史使用特征训练得到的模型;基于预测运行状态对终端的运行资源进行调节,能够结合用户使用习惯,提前预测终端设备的运行状态例如前后台应用和系统的负载情况,从而能够提前调节终端的运行资源,进而使得终端的运行资源能够满足突发的负载变化。
进一步地,该终端调节方法可依赖于计算机程序实现,可运行于基于冯诺依曼体系的终端调节装置上。该计算机程序可集成在应用中,也可作为独立的工具类应用运行。其中,本申请实施例中的终端调节装置可以为终端设备,包括但不限于:个人电脑、平板电脑、手持设备、可穿戴设备、计算设备或连接到无线调制解调器的其它处理设备等。在不同的网络中终端设备可以叫做不同的名称,例如:用户设备、接入终端、用户单元、用户站、移动站、移动台、远程终端、移动设备、用户终端、终端、无线通信设备、用户代理或用户装置、蜂窝电话、无绳电话、5G网络或未来演进网络中的终端设备等。
下面,将结合附图对本申请实施例的终端调节方法的技术方案进行详细的说明。
图1示出了根据本申请实施例提供的终端调节方法的应用场景的示意图。
如图1所示,该应用场景的系统架构可以包括终端设备110、120、130中的一个或多个,网络140和服务器150。网络140用以在终端设备110、120、130和服务器150之间提供通信链路的介质。网络140可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等,例如,网络140可以为公共交换电话网络(Public Switched Telephone Network,PSTN)或因特网。终端设备110、120、130可以是具有计算能力的各种电子设备,包括但不限于台式计算机、便携式计算机、智能手机和平板电脑等。
应该理解的是,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。比如服务器150可以是多个服务器组成的服务器集群等。
本说明书实施例所提供的终端调节方法可以由终端设备110、120、130执行,相应地,终端调节装置可以设置于终端设备中。但本领域技术人员容易理解的是,本说明书实施例所提供的终端调节方法的部分步骤也可以由服务器150执行,相应的,终端调节装置也可以设置于服务器150中,本示例性实施例中对此不做特殊限定。
需要说明的是,本说明书的示例实施例中的终端调节方法中的步骤可以部分由终端设备执行,部分由服务器执行,也可以全部由终端设备执行,本说明书对此不进行特殊限定。
基于图1所示系统架构,下面将结合图2-图7,对本说明书实施例提供的终端调节方法进行详细介绍。需要注意的是,上述应用场景仅是为了便于理解本说明书的精神和原理而示出,本说明书的实施例在此方面不受任何限制。相反,本说明书的实施例可以应用于适用的任何场景。
图2示出了根据本申请的一些实施例提供的终端调节方法的流程示意图。该终端调节方法的执行主体可以是具有计算处理功能的计算设备,例如上述终端设备。该终端调节方法包括步骤S210至步骤S240,下面,结合附图对示例实施例中的终端调节方法进行详细的说明。
参照图2所示,在步骤S210中,确定终端的当前运行状态。
在示例实施例中,终端的当前运行状态包括当前电量、当前时间、当前启动的应用程序、当前前台应用程序、当前后台应用程序中的一种或多种。需要说明的是,终端的当前运行状态不限于上述内容,例如当前运行状态还可以为当前CPU频率或内存水位等,这同样在本申请实施例的范围内。当前启动的应用程序可以为游戏应用程序、视频应用程序以及社交应用程序等。
进一步地,在使用终端的过程中,获取终端的当前运行数据,根据终端的当前运行数据确定终端的当前运行状态。例如,预先设置需要采集的运行数据项,例如电量项、时间项、启动应用项等,在获得用户授权的情况下,根据设置的运行数据项,采集对应的终端的当前运行数据,根据采集的当前运行数据,确定终端的当前运行状态,例如当前电量为60%、当前时间为下午2点、当前启动应用为浏览器等。
在步骤S220中,基于当前运行状态,通过行为感知模型确定终端在下一阶段的预测运行状态,行为感知模型为通过终端的历史使用特征训练得到的模型。
在示例实施例中,行为感知模型为神经网络模型,该神经网络模型包括输入层、输出层以及若干隐藏层,可以从服务器端获取预训练的行为感知模型。例如,在服务器端通过采集的终端的历史使用特征,将采集的终端的历史使用特征作为训练样本,对该行为感知模型进行训练,将训练完成后的行为感知模型推送给终端设备。终端的历史使用特征可以包括历史充电时间、历史应用启动记录、目标应用在前台时的后台应用列表、应用切换记录以及各时间段的系统负载中的一种或多种。
进一步地,基于终端的当前运行状态,通过预训练的行为感知模型确定终端在下一阶段的预测运行状态。在示例实施例中,预测运行状态可以包括:下一阶段的前台应用列表、下一阶段的后台应用列表、下一阶段的内存占比以及续航时长中的一种或多种。需要说明的是,预测运行状态不限于上述内容,例如预测运行状态还可以为下一阶段的CPU频率以及下一阶段的GPU频率等,这同样在本申请实施例的范围内。
需要说明的是,虽然以行为感知模型为神经网络模型为例进行了说明,但是本领域技术人员应该理解的是,行为感知模型还可以为其他适当的模型例如决策树模型或贝叶斯模型等,这同样在本申请实施例的范围内。
在步骤S230中,基于预测运行状态对终端的运行资源进行调节。
在示例实施例中,终端的运行资源包括系统运行资源和/或应用运行资源,系统运行资源可以包括操作系统运行占用的CPU资源、GPU资源、内存资源;应用运行资源包括各个应用运行占用的CPU资源、GPU资源、内存资源。
进一步地,根据预测运行状态对终端的运行资源进行评估,根据评估结果对终端的运行资源进行调节,例如,若根据评估结果确定运行资源无法满足终端的运行需求,则降低终端的运行资源的效果,例如清理后台释放足够的内存资源,或者提前预加载应用程序;若根据评估结果确定运行资源能够满足终端的运行需求,则可以不对终端的运行资源进行调节。
举例而言,根据预测的续航时长对终端的当前功耗进行评估,确定当前功耗是否能够维持到充电时间,若当前功耗较高,则降低终端的当前功耗,例如降低CPU或GPU的负载。
根据图2的示例实施例中的技术方案,一方面,基于终端的当前运行状态,通过行为感知模型确定终端在下一阶段的预测运行状态,行为感知模型为通过终端的历史使用特征训练得到的模型,能够从分析用户使用习惯出发,通过大量的用户使用数据,训练行为感知模型,通过行为感知模型不断学习用户的使用习惯,预测终端接下来一段时间内的运行状态;另一方面,根据预测运行状态调节终端的运行资源,能够提前预测终端设备的运行状态例如前后台应用和系统的负载情况,从而能够提前调节终端的运行资源,进而使得终端的运行资源能够满足突发的负载变化。
进一步地,在示例实施例中,该终端调节方法还包括:获取与预测运行状态的各预测项对应的实际运行状态,实际运行状态包括应用运行状态和/或系统运行状态,预测运行状态的各预测项包括:内存占用项、续航时长项、启动应用项、CPU负载等;若实际运行状态与所述预测运行状态一致,则对行为感知模型进行正反馈;若实际运行状态与预测运行状态不一致,则对行为感知模型进行负反馈。
举例而言,根据与预测项对应的实际运行状态,得出行为感知器或行为感知模型的各预测项的预测评判结果,即预测项的预测运行状态与实际运行状态是否一致,例如:行为感知器预测一下阶段的启动应用,若实际启动的应用与预测的启动应用不同,则做出负向反馈,若实际启动的应用与预测的启动应用相同,则做出正向反馈。若实际的内存占用与预测的内存水位相同,则对行为感知器进行正向反馈;若实际的内存占用与预测的内存水位不同,则对行为感知器进行正向反馈。
根据上述示例实施例中的技术方案,根据终端的实际运行结果对行为感知模型的预测结果进行评估,根据评估结果对行为感知模型进行反馈,行为感知模型在接收到效果评判器的反馈后,根据反馈结果更新模型内部参数,调整参数的权重,从而能够进一步提高模型预测的准确性,实现了通过强化学习的方式,不断通过正、负反馈优化行为感知模型,不断提高模型预测的准确性。
图3示出了根据本申请的另一些实施例提供的终端调节方法的流程示意图。
参照图3所示,在步骤S310中,确定终端的当前运行状态。
在示例实施例中,步骤S310的实施过程与实施效果与步骤S210的实施过程与实施效果类似,在此不再赘述。
在步骤S320中,基于当前运行状态,通过行为感知模型确定终端在下一阶段的预测运行状态,行为感知模型为通过终端的历史使用特征训练得到的模型。
在示例实施例中,步骤S320的实施过程与实施效果与步骤S220的实施过程与实施效果类似,在此不再赘述。
在步骤S330中,基于预测运行状态确定终端的调节策略。
在示例实施例中,基于预测运行状态,通过策略规则引擎从规则库中匹配对应的调节策略,规则库包括多个调节策略。策略规则引擎用于匹配预测运行状态和调节策略即规则。规则引擎是一种嵌入在应用程序中的组件,实现了将业务决策从应用程序代码中分离出来,并使用预定义的语义模块编写业务决策。规则引擎可以为Drools引擎、JRules引擎或QuickRules等。规则引擎中的规则文件有一个或多个规则声明。每个规则声明由一个或多个条件元素以及要执行的一个或多个调节策略actions组成,例如条件元素为:内存占比大于75%,对应的调节策略为后台清理策略。
进一步地,在示例实施例中,调节策略可以包括调频策略、应用预加载策略、后台清理策略以及续航策略中的一种或多种。策略规则引擎包括推理模块,通过推理模块对预测运行状态与调节策略进行匹配,推理模块通过匹配算法将预测运行状态与调节策略进行匹配,确定终端的调节策略,匹配算法包括RETE、LFA、TREAI或LEAPS等匹配算法。例如,若预测运行状态包括下一阶段的内存占比大于预定阈值例如75%,则匹配到的调节策略为后台清理策略。
在步骤S340中,基于调节策略对终端的运行资源进行调节,终端的运行资源包括系统运行资源和/或应用运行资源。
在示例实施例中,终端的运行资源包括系统运行资源和/或应用运行资源,系统运行资源可以包括操作系统运行占用的CPU资源、GPU资源、内存资源;应用运行资源包括各个应用运行占用的CPU资源、GPU资源、内存资源。
进一步地,基于终端的调节策略对终端的运行资源进行调节,例如若调节策略为后台清理策略,则对后台应用占用的运行资源进行清理;若调节策略为调频策略例如降低CPU的频率,则对CPU的频率进行降频处理。
根据图3的示例实施例中的技术方案,一方面,根据行为感知模型预测的结果,经过规则引擎的策略匹配过程,提前加载可能被启动的应用,提前清理出合适的内存,提前匹配到合适的频率档位;能够在用户无感知的情况下,准备好了终端的运行环境,为用户接下来的使用提供更好的流畅性体验;另一方面,通过规则引擎实现了策略规则与业务的分离、策略规则的快速匹配和优化迭代。
进一步地,在示例实施例中,若从策略规则引擎的规则库中匹配到对应的至少两个调节策略,则将至少两个调节策略放入到冲突集合,基于预定冲突解决策略,从冲突集合中确定当前激活的调节策略;基于当前激活的调节策略,调节终端的运行资源。预定冲突解决策略可以包括:(1)优先级策略、(2)复杂度优先策略、(3)简单性优先策略、(4)广度策略、(5)深度策略、(6)装载序号策略以及(7)随机策略中的一种或多种。
以优先级策略为例,根据冲突集合中的各个调节策略的优先级,从冲突集合中确定当前激活的调节策略即优先级最高的调节策略,基于优先级最高的调节策略,调节终端的运行资源。
根据上述实施例中的技术方案,通过预定冲突解决策略对出现冲突的多个调节策略进行冲突解决处理,能够避免出现相互矛盾的调节策略,从而能够使得调节的结果更准确。
此外,在示例实施例中,获取与经调节策略调节后的终端的实际运行状态;基于该调节策略对应的实际运行状态,对策略规则引擎进行反馈。举例而言,执行规则引擎输出的调节策略后,若终端的实际的丢帧情况增加,则向策略规则引擎进行流畅性负反馈;若终端的实际的平均电流减少,则对策略规则引擎进行续航策略的正反馈。
根据上述实施例中的技术方案,根据终端的实际运行状态对策略规则引擎进行反馈,策略规则引擎在接收到效果评判器的反馈后,会更新策略规则引擎内部的推理模块的参数,调整结果的权重,从而优化输出效果,提高策略匹配的准确性。
图4示出了根据本申请的又一些实施例提供的终端调节方法的流程示意图。
参照图4所示,(1)获取终端的历史使用特征405,基于历史使用特征对行为感知器410进行训练。
在示例实施例中,历史使用特征405包括历史充电时间、应用启动记录、目标应用在前台时的后台应用列表、应用间的切换记录以及各时段的负载。例如,在用户使用终端的过程中,采集终端的应用启动记录、后台应用列表记录、应用切换记录、系统负载记录、以及充电记录。通过上述记录数据,训练行为感知器410,行为感知器410用于分析用户启动应用的关联关系、前后台应用组合场景下的内存占用情况,以及用户的充电习惯等。
进一步地,参照图5所示,行为感知器410的核心是一个神经网络模型,由输入层、输出层和若干隐藏层组成。以前期采集的应用启动记录、后台应用列表记录、应用切换记录、系统负载记录、充电记录等数据作为训练数据,计算神经网络中的权重参数。随着用户的使用,训练数据不断累积,并结合效果评判器440的评判结果,对神经网络的网络参数不断优化,提高行为感知器的输出准确性。
(2)获取当前运行状态415,基于当前运行状态415,通过行为感知器410预测下一阶段的终端的预测运行状态。
在示例实施例中,当前运行状态415包括当前电量、当前时间以及当前启动的应用,基于当前运行状态,通过预训练的行为感知器预测下一阶段的终端的预测运行状态420,预测运行状态420包括下阶段的前台应用列表、后台应用列表、下阶段需要的内存水位以及续航时长。
举例而言,通过用户以往点击图标打开应用和应用间切换的使用习惯,以及当前启动的应用,预测未来下一阶段可能启动的应用和服务,以及需要的内存。例如:用户经常在中午休息时,观看短视频或电影,同时连接蓝牙耳机;在晚上20点后,打开游戏应用程序,进行2个小时游戏;在24点将手机充电等,根据用户的这些应用使用习惯以及当前启动的应用,结合当前时间预测未来下一阶段可能启动的应用。根据用户的充电习惯和当前电量,评估终端的续航时长,评判是否能以当期功耗维持用户的使用,直到充电时间。
(3)基于预测运行状态,通过策略规则引擎425从规则库430中匹配对应的调节策略435。
在示例实施例中,策略规则引擎425用于匹配预测运行状态和调节策略即规则。参照图6所示,策略规则引擎425通过云端可视化配置实现增加、删除、修改规则,生成规则定义文件48,通过云端推送,应用到终端的策略规则引擎425中,并存储于规则库430。终端的策略规则引擎425接收到行为感知器410的输出结果后,通过推理模块42和冲突处理模块44,得到当前需要应用的一系列调节策略435。
进一步地,可以通过场内测试,对于不同应用的前后台组合情况,形成了大量的调频、调度、清理规则即调节策略。这些调节策略如果写成代码逻辑会非常复杂且不易维护,需要成熟的规则引擎来实现规则与业务逻辑相分离,独立的维护和规则匹配功能。
(4)效果评判器440通过检测系统在应用最新策略以后一段时间的运行情况,来评判预测结果和规则策略的好坏。例如,参照图7所示,效果评判器440检测应用启动数据、系统的内存占用情况、CPU负载、GPU负载、丢帧统计数据以及电流数据等。效果评判器440根据检测到的数据,得出行为感知器410的各预测项的预测评判结果和策略规则引擎425各调节策略的效果评判结果,对行为感知器410和/或策略规则引擎425进行正反馈/负反馈。例如:行为感知器410预测到下阶段的启动应用后,若用户实际启动的应用与预测启动的应用不同,则对行为感知器410进行负向反馈;若实际内存占用与预测的内存水位相同,则对行为感知器410进行正向反馈。应用策略规则引擎425输出的调节策略后,若实际的丢帧情况增加,则进行流畅性负反馈;若实际的平均电流减少,则进行续航正反馈。
根据图4的示例实施例中的技术方案,一方面,从分析用户使用习惯出发,通过大量的用户使用数据,通过行为感知器不断学习用户的使用习惯,预测用户接下来一段时间内的行为;另一方面,根据行为感知器预测的结果,经过规则引擎的策略匹配过程,提前加载可能被启动的应用,提前清理出合适的内存,提前匹配到合适的频率档位,在用户无感知的情况下,准备好了一切环境,为用户接下来的使用提供更好的流畅性体验,同时综合考虑续航情况,确保电量可以支撑用户完整使用过程;再一方面,通过效果评判器实现了强化学习的方式,不断通过正、负反馈优化行为感知器和策略规则引擎的输出结果。
下述为本申请装置实施例,可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节,请参照本申请方法实施例。
请参见图8,其示出了本申请一个示例性实施例提供的终端调节装置的结构示意图。该终端调节装置可以通过软件、硬件或者两者的结合实现成为装置的全部或一部分。该终端调节装置800包括状态确定模块810、预测模块820以及调节模块830。其中,
状态确定模块810,用于确定终端的当前运行状态;
预测模块820,用于基于所述当前运行状态,通过行为感知模型确定所述终端在下一阶段的预测运行状态,所述行为感知模型为通过所述终端的历史使用特征训练得到的模型;
调节模块830,用于基于所述预测运行状态对所述终端的运行资源进行调节。
在一些示例实施例中,基于上述方案,所述调节模块830包括:
策略确定单元,用于基于所述预测运行状态确定所述终端的调节策略;
资源调节单元,用于基于所述调节策略对所述终端的运行资源进行调节,所述终端的运行资源包括系统运行资源和/或应用运行资源。
在一些示例实施例中,基于上述方案,所述策略确定单元被配置为:
基于所述预测运行状态,通过策略规则引擎从规则库中匹配对应的调节策略,所述规则库包括多个所述调节策略。
在一些示例实施例中,基于上述方案,所述终端调节装置800还包括:
冲突处理模块,用于若从所述规则库中匹配到对应的至少两个调节策略,则将所述至少两个调节策略放入到冲突集合,
所述资源调节单元被配置为:
基于预定冲突解决策略,从所述冲突集合中确定当前激活的调节策略;
基于所述当前激活的调节策略,调节所述终端的运行资源。
在一些示例实施例中,基于上述方案,所述调节策略包括调频策略、应用预加载策略、后台清理策略以及续航策略中的一种或多种。
在一些示例实施例中,基于上述方案,所述终端调节装置800还包括:
第一运行检测模块,用于获取经所述调节策略调节后的所述终端的实际运行状态,所述实际运行状态包括应用运行状态和/或系统运行状态;
第一反馈模块,用于基于所述调节策略对应的所述实际运行状态,对所述策略规则引擎进行反馈。
在一些示例实施例中,基于上述方案,所述终端调节装置800还包括:
第二运行检测模块,用于获取与所述预测运行状态的各预测项对应的实际运行状态;
第二反馈模块,用于若所述实际运行状态与所述预测运行状态一致,则对所述行为感知模型进行正反馈;若所述实际运行状态与所述预测运行状态不一致,则对所述行为感知模型进行负反馈。
在一些示例实施例中,基于上述方案,所述终端调节装置800还包括:
历史数据采集模块,用于获取所述终端的所述历史使用特征,所述历史使用特征包括历史充电时间、历史应用启动记录、目标应用在前台时的后台应用列表、应用切换记录以及各时间段的系统负载中的一种或多种;
训练模块,用于基于所述历史使用特征对所述行为感知模型进行训练。
根据图8的示例实施例中的技术方案,一方面,基于终端的当前运行状态,通过行为感知模型确定终端在下一阶段的预测运行状态,行为感知模型为通过终端的历史使用特征训练得到的模型,能够从分析用户使用习惯出发,通过大量的用户使用数据,训练行为感知模型,通过行为感知模型不断学习用户的使用习惯,预测终端接下来一段时间内的运行状态;另一方面,根据预测运行状态调节终端的运行资源,能够提前预测终端设备的运行状态例如前后台应用和系统的负载情况,从而能够提前调节终端的运行资源,进而使得终端的运行资源能够满足突发的负载变化。
需要说明的是,上述实施例提供的终端调节装置在执行终端调节方法时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的终端调节装置与终端调节方法实施例属于同一构思,其体现实现过程详见方法实施例,这里不再赘述。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
本申请实施例还提供了一种计算机存储介质,所述计算机存储介质可以存储有多条指令,所述指令适于由处理器加载并执行如上述实施例的所述终端调节方法,具体执行过程可以参见上述实施例的具体说明,在此不进行赘述。
本申请还提供了一种计算机程序产品,该计算机程序产品存储有至少一条指令,所述至少一条指令由所述处理器加载并执行如上述实施例的所述终端调节方法,具体执行过程可以参见上述实施例的具体说明,在此不进行赘述。
请参见图9,为本申请实施例提供了一种电子设备的结构示意图。如图9所示,所述电子设备900可以包括:至少一个处理器901,至少一个网络接口904,输入输出接口903,存储器905,至少一个通信总线902。
其中,通信总线902用于实现这些组件之间的连接通信。
其中,输入输出接口903可以包括显示屏(Display)、摄像头(Camera),可选输入输出接口903还可以包括标准的有线接口、无线接口。
其中,网络接口904可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
其中,处理器901可以包括一个或者多个处理核心。处理器901利用各种接口和线路连接整个电子设备900内的各个部分,通过运行或执行存储在存储器905内的指令、程序、代码集或指令集,以及调用存储在存储器905内的数据,执行电子设备900的各种功能和处理数据。可选的,处理器901可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(Programmable Logic Array,PLA)中的至少一种硬件形式来实现。处理器901可集成中央处理器(Central Processing Unit,CPU)、图像处理器(Graphics Processing Unit,GPU)和调制解调器等中的一种或几种的组合。其中,CPU主要处理操作系统、用户界面和应用程序等;GPU用于负责显示屏所需要显示的内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到处理器901中,单独通过一块芯片进行实现。
其中,存储器905可以包括随机存储器(Random Access Memory,RAM),也可以包括只读存储器(Read-Only Memory)。可选的,该存储器905包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器905可用于存储指令、程序、代码、代码集或指令集。存储器905可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等;存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器905可选的还可以是至少一个位于远离前述处理器901的存储装置。如图9所示,作为一种计算机存储介质的存储器905中可以包括操作系统、网络通信模块、输入输出接口模块以及终端调节应用程序。
在图9所示的电子设备900中,输入输出接口903主要用于为用户提供输入的接口,获取用户输入的数据;而处理器901可以用于调用存储器905中存储的终端调节应用程序,并具体执行以下操作:
确定终端的当前运行状态;
基于所述当前运行状态,通过行为感知模型确定所述终端在下一阶段的预测运行状态,所述行为感知模型为通过所述终端的历史使用特征训练得到的模型;
基于所述预测运行状态对所述终端的运行资源进行调节。
在一些实施例中,基于上述方案,所述处理器901在执行所述基于所述预测运行状态对所述终端的运行资源进行调节时,具体执行以下操作:
基于所述预测运行状态确定所述终端的调节策略;
基于所述调节策略对所述终端的运行资源进行调节,所述终端的运行资源包括系统运行资源和/或应用运行资源。
在一些实施例中,基于上述方案,所述处理器901在执行所述基于所述预测运行状态确定所述终端的调节策略时,具体执行以下操作:
基于所述预测运行状态,通过策略规则引擎从规则库中匹配对应的调节策略,所述规则库包括多个所述调节策略。
在一些实施例中,基于上述方案,所述调节策略包括调频策略、应用预加载策略、后台清理策略以及续航策略中的一种或多种。
在一些实施例中,基于上述方案,所述处理器901还执行以下操作:
若从所述规则库中匹配到对应的至少两个调节策略,则将所述至少两个调节策略放入到冲突集合,
所述基于所述调节策略对所述终端的运行资源进行调节,包括:
基于预定冲突解决策略,从所述冲突集合中确定当前激活的调节策略;
基于所述当前激活的调节策略,调节所述终端的运行资源。
在一些实施例中,基于上述方案,所述处理器901还执行以下操作:
获取经所述调节策略调节后的所述终端的实际运行状态,所述实际运行状态包括应用运行状态和/或系统运行状态;
基于所述调节策略对应的所述实际运行状态,对所述策略规则引擎进行反馈。
在一些实施例中,基于上述方案,所述处理器901还执行以下操作:
获取与所述预测运行状态的各预测项对应的实际运行状态;
若所述实际运行状态与所述预测运行状态一致,则对所述行为感知模型进行正反馈;
若所述实际运行状态与所述预测运行状态不一致,则对所述行为感知模型进行负反馈。
在一些实施例中,基于上述方案,所述处理器901还执行以下操作:
获取所述终端的所述历史使用特征,所述历史使用特征包括历史充电时间、历史应用启动记录、目标应用在前台时的后台应用列表、应用切换记录以及各时间段的系统负载中的一种或多种;
基于所述历史使用特征对所述行为感知模型进行训练。
上述为本说明书实施例的一种电子设备的示意性方案。需要说明的是,该电子设备的技术方案与上述的终端调节处理方法的技术方案属于同一构思,电子设备的技术方案未详细描述的细节内容,均可以参见上述终端调节处理方法的技术方案的描述。
在本申请的描述中,需要理解的是,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。在本申请的描述中,需要说明的是,除非另有明确的规定和限定,“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单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本申请中的具体含义。此外,在本申请的描述中,除非另有说明,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体或随机存储记忆体等。
以上所揭露的仅为本申请较佳实施例而已,当然不能以此来限定本申请之权利范围,因此依本申请权利要求所作的等同变化,仍属本申请所涵盖的范围。
Claims (11)
1.一种终端调节方法,其特征在于,所述方法包括:
确定终端的当前运行状态;
基于所述当前运行状态,通过行为感知模型确定所述终端在下一阶段的预测运行状态,所述行为感知模型为通过所述终端的历史使用特征训练得到的模型;
基于所述预测运行状态对所述终端的运行资源进行调节。
2.根据权利要求1所述的方法,其特征在于,所述基于所述预测运行状态对所述终端的运行资源进行调节,包括:
基于所述预测运行状态确定所述终端的调节策略;
基于所述调节策略对所述终端的运行资源进行调节,所述终端的运行资源包括系统运行资源和/或应用运行资源。
3.根据权利要求2所述的方法,其特征在于,所述基于所述预测运行状态确定所述终端的调节策略,包括:
基于所述预测运行状态,通过策略规则引擎从规则库中匹配对应的调节策略,所述规则库包括多个所述调节策略。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
若从所述规则库中匹配到对应的至少两个调节策略,则将所述至少两个调节策略放入到冲突集合,
所述基于所述调节策略对所述终端的运行资源进行调节,包括:
基于预定冲突解决策略,从所述冲突集合中确定当前激活的调节策略;
基于所述当前激活的调节策略,调节所述终端的运行资源。
5.根据权利要求2所述的方法,其特征在于,所述调节策略包括调频策略、应用预加载策略、后台清理策略以及续航策略中的一种或多种。
6.根据权利要求3所述的方法,其特征在于,所述方法还包括:
获取经所述调节策略调节后的所述终端的实际运行状态,所述实际运行状态包括应用运行状态和/或系统运行状态;
基于所述调节策略对应的所述实际运行状态,对所述策略规则引擎进行反馈。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取与所述预测运行状态的各预测项对应的实际运行状态;
若所述实际运行状态与所述预测运行状态一致,则对所述行为感知模型进行正反馈;
若所述实际运行状态与所述预测运行状态不一致,则对所述行为感知模型进行负反馈。
8.根据权利要求1至7中任一项所述的方法,其特征在于,所述方法还包括:
获取所述终端的所述历史使用特征,所述历史使用特征包括历史充电时间、历史应用启动记录、目标应用在前台时的后台应用列表、应用切换记录以及各时间段的系统负载中的一种或多种;
基于所述历史使用特征对所述行为感知模型进行训练。
9.一种终端调节装置,其特征在于,所述装置包括:
状态确定模块,用于确定终端的当前运行状态;
预测模块,用于基于所述当前运行状态,通过行为感知模型确定所述终端在下一阶段的预测运行状态,所述行为感知模型为通过所述终端的历史使用特征训练得到的模型;
调节模块,用于基于所述预测运行状态对所述终端的运行资源进行调节。
10.一种计算机存储介质,所述计算机存储介质存储有多条指令,所述指令适于由处理器加载并执行如权利要求1~8任一项所述方法的步骤。
11.一种电子设备,包括:处理器和存储器;其中,所述存储器存储有计算机程序,所述计算机程序适于由所述处理器加载并执行如权利要求1~8任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211137202.1A CN115658289A (zh) | 2022-09-19 | 2022-09-19 | 终端调节方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211137202.1A CN115658289A (zh) | 2022-09-19 | 2022-09-19 | 终端调节方法、装置、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115658289A true CN115658289A (zh) | 2023-01-31 |
Family
ID=84982924
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211137202.1A Pending CN115658289A (zh) | 2022-09-19 | 2022-09-19 | 终端调节方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115658289A (zh) |
-
2022
- 2022-09-19 CN CN202211137202.1A patent/CN115658289A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109976821B (zh) | 应用程序加载方法、装置、终端及存储介质 | |
CN108076224B (zh) | 应用程序控制方法、装置及存储介质和移动终端 | |
KR101122817B1 (ko) | 사용자 커뮤니티의 선호도 인코딩을 고려하여애플리케이션 및 서비스의 개인화를 지원하는 통계 모델및 방법 | |
CN107943583B (zh) | 应用程序的处理方法、装置、存储介质及电子设备 | |
CN109656722A (zh) | 内存优化方法、装置、移动终端及存储介质 | |
CN111435482A (zh) | 一种外呼模型的构建方法、外呼方法、装置和存储介质 | |
EP2266078A2 (en) | Method and apparatus for detecting patterns of behavior | |
CN107911798A (zh) | 消息推送方法、装置及终端 | |
CN110321863A (zh) | 年龄识别方法及装置、存储介质 | |
CN107402808B (zh) | 进程管理方法、装置、存储介质及电子设备 | |
WO2019062405A1 (zh) | 应用程序的处理方法、装置、存储介质及电子设备 | |
CN109947497A (zh) | 应用程序预加载方法、装置、存储介质及移动终端 | |
US20230252353A1 (en) | On-device training method to train an artificial intelligent model and a system therefor | |
CN113055984B (zh) | 终端控制方法、装置、移动终端及存储介质 | |
CN114090108A (zh) | 算力任务执行方法、装置、电子设备及存储介质 | |
CN112368723A (zh) | 一种模型选择方法和终端 | |
CN107450951B (zh) | 应用程序处理方法、装置、存储介质和终端 | |
CN110516151B (zh) | 有效行为检测和个性化推荐方法 | |
CN105095049B (zh) | 用于监控应用操作的方法和装置 | |
CN107291543B (zh) | 应用程序处理方法、装置、存储介质和终端 | |
CN115658289A (zh) | 终端调节方法、装置、存储介质及电子设备 | |
CN108681480B (zh) | 后台应用程序管控方法、装置、存储介质及电子设备 | |
CN111143608A (zh) | 一种信息推送方法、装置、电子设备及存储介质 | |
CN113064660A (zh) | 设备控制方法、装置、电子设备及存储介质 | |
CN113127159B (zh) | 应用程序处理方法、装置、电子设备以及存储介质 |
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 |