TW202034216A - 用於預測系統回應的聚合隨機方法 - Google Patents
用於預測系統回應的聚合隨機方法 Download PDFInfo
- Publication number
- TW202034216A TW202034216A TW108136107A TW108136107A TW202034216A TW 202034216 A TW202034216 A TW 202034216A TW 108136107 A TW108136107 A TW 108136107A TW 108136107 A TW108136107 A TW 108136107A TW 202034216 A TW202034216 A TW 202034216A
- Authority
- TW
- Taiwan
- Prior art keywords
- information processing
- processing system
- feature
- influencing
- sensor fusion
- Prior art date
Links
Images
Classifications
-
- 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
- H04L67/2866—Architectures; Arrangements
- H04L67/30—Profiles
- H04L67/306—User profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
- G06N3/0418—Architecture, e.g. interconnection topology using chaos or fractal principles
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Mobile Radio Communication Systems (AREA)
- Power Sources (AREA)
- Radar Systems Or Details Thereof (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一種資訊處理系統,其操作基於感測器融合預測的自動調節系統,並且可包括:感測器,其測量包括資訊處理系統操作值的影響屬性,其中影響屬性的子集影響多個系統特徵中的一個;以及存儲裝置,其存儲使用者行為特徵、性能映射特徵、功率狀態特徵、安全設定檔特徵和策略配置特徵。處理器可執行代碼指令以將隨機預測應用於影響屬性值的子集,以預測在將來時間受影響屬性值的子集影響的系統特徵的將來值;如果系統特徵的預測的將來值落在當前策略定義的操作範圍之外,確定對控制系統特徵的操作範圍的策略的調節;以及在該將來時間之前,自動執行該策略調節。
Description
發明領域
本發明係關於資訊處理系統性能特徵的自適應調整。本公開更具體地係關於一種使用感測器融合演算法(sensor fusion algorithm)的聚合隨機方法(aggregated stochastic method),其用於對一個或多個資訊處理系統操作特徵進行預測回應和自動調整。
發明背景
隨著資訊的價值和使用持續增加,個人和企業尋求處理和存儲資訊的其他方式。客戶可以使用的一個選項是資訊處理系統。資訊處理系統通常為商業、個人或其他目的處理、編譯、存儲和/或傳輸資訊或資料,藉以允許客戶利用資訊的價值。由於不同客戶或應用之間的技術和資訊處理需求和要求各不相同,因此資訊處理系統也可能因所處理的資訊,處理資訊的方式,處理、存儲或傳輸信息量以及處理、存儲或傳輸資訊的處理速度和效率而有所不同。資訊處理系統的變化允許資訊處理系統是通用的,或為特定客戶或特定用途配置,其中特定用途例如電子商務、金融交易處理、航空公司預訂、企業資料存儲或全球通信。另外,資訊處理系統可以包括可以被配置為處理、存儲和傳輸資訊的各種硬體和軟體組件,並且可以包括一個或多個電腦系統、資料存儲系統和網路系統。資訊處理系統可以包括電信、網路通信和視頻通信功能。此外,資訊處理系統可以包括多個感測器設備,以用於測量資訊處理系統的功能、安全性、位置和/或資源處理。
發明概要
一種資訊處理系統,其操作基於感測器融合預測的自動調節系統,該資訊處理系統包括:多個感測器,其測量多個影響屬性,該多個影響屬性包括資訊處理系統操作值或狀態值,其中,該影響屬性的子集影響多個系統特徵中的一個;存儲裝置,其存儲該多個系統特徵的定義,包括使用者行為特徵、性能映射特徵、功率狀態特徵、安全設定檔特徵和策略配置特徵;處理器,其執行基於感測器融合預測的自動調節系統的代碼指令,以執行以下動作:將隨機預測應用於影響屬性值的子集,以預測在將來時間中受該影響屬性值的子集影響的多個系統特徵中的至少一個的將來值;如果第一系統特徵的預測的將來值落在指示異常操作的當前策略定義的操作範圍之外,則確定對控制該第一系統特徵的操作範圍的策略的第一調節;以及在該將來時間出現之前,對控制該第一系統特徵的操作範圍的該策略自動執行該第一調節。
具體實施例
提供以下結合附圖的描述以幫助理解本文公開的教導。描述集中於教導的具體實施方式和實施例,並且被提供以幫助描述該教導。該集中不應被解釋為對教導的範圍或適用性的限制。
優化功能性能是所有資訊處理系統和那些資訊處理系統的作業系統的製造商的持續目標。除了其他考慮因素之外,這種最佳性能可能涉及計算資源(例如,存儲裝置、電池電力、處理能力等)的有效消耗,自適應地優化無線通訊鏈路,並為給定情況提供足夠的安全性。現有技術中的資訊處理系統試圖基於過去的性能特徵來優化性能特徵。換句話說,這樣的現有資訊處理系統僅響應於已經發生的操作的變化來優化性能。需要一種方法來預測這種操作改變的時間,並在操作變化發生之前或之時自動調節資訊處理系統的性能,以保持無縫優化。
在本公開的實施例中,基於感測器融合預測的自動調節系統通過以下方式來解決這些問題:通過預測某些性能指標的將來狀態,並調節控制那些指標的策略以即時地實現最佳性能。該方法可以包括首先確定多個影響屬性如何影響多個系統特徵中的每一個的方式。本公開的實施例中的影響屬性可以描述資訊處理系統的操作條件,並且系統特徵可以描述可能受到一個或多個影響屬性影響的性能指標。
影響屬性可以包括例如資訊處理系統的應用程式設定檔、策略調節、功能設定檔和功率設定檔,或資訊處理系統的各個元件或程式。進一步的示例影響屬性可以包括資訊處理系統的或者資訊處理系統的各個元件或程式的特徵/能力映射、網路設定檔、小時/天映射、屬性設定檔、威脅設定檔、位置映射、歷史性能。資訊處理系統或其子元件的影響屬性的其他示例可以包括管理設定檔、配置調節設定檔和預設設置增量設定檔。
這些屬性中的每一個也可以與一個或多個其他影響屬性相互關聯。例如,網路設定檔影響屬性(例如,RSSI值)可以與位置映射影響屬性(例如,距已知網路基站的距離)相關。一些實施例還可經由功能設定檔影響屬性來測量兩個或更多個影響屬性之間的相互關係,該功能設定檔影響屬性測量在給定時間段內、其中一個影響屬性影響一個或多個其他影響屬性的值的次數。
本公開的實施例中的影響屬性可以提供關於資訊處理系統或其子元件的性能的高度細化的資訊。響應於性能的預測變化而對資訊處理系統的功能性能進行的調節可以在較高級別、較小細化度的級別上進行。例如,可以對更高級別的系統特徵(例如功率子系統)進行調節。本公開的實施例中的這種子系統可以例如指示資訊處理系統的一個或多個過程或子元件所消耗的功率。對這樣的功率系統的示例性調節可以包括例如通過降低發光強度或者通過將視頻顯示器從始終開啟狀態切換到螢幕閒置達兩分鐘後進入休眠狀態,來減少資訊處理系統的視頻顯示器所消耗的功率量。在本公開的實施例中,可以對其進行這種更高級別的調節的資訊處理系統的系統功能特徵在本文中可以被稱為系統特徵。可以直接測量本公開的實施例中的每一個系統特徵。例如,功率狀態系統特徵可以測量資訊處理系統的每一個子元件(例如,視頻顯示器)接收和消耗的功率量,和/或可以確定資訊處理系統當前是否已插入壁裝電源插座或僅靠電池供電。
在一個實施例中的每一個較高級別的系統特徵可能會受到一個或多個影響屬性的影響。例如,功耗和網路連通性可能會影響一些屬性,這些屬性影響或指示描述功率狀態的系統特徵的狀態。功耗影響屬性可以指示例如資訊處理系統當前已插入A/C插座,並且網路連接影響屬性可以指示正在使用大於平均功率量來經由資訊處理系統天線傳輸資料,以保持信號強度。這些影響屬性(例如, A/C功率和天線的高功耗)可能會導致資訊處理系統的功率狀態在由當前實施的低功率策略所指示的範圍之外操作,藉以提示需要轉向全功率策略,在全功率策略中,將不限制或抑制向天線供應的功率。
在本公開的實施例中描述的基於感測器融合預測的自動調節系統可以使用疊代運算統計推斷方法,來確定哪些影響屬性影響每一個系統特徵的值。這種統計推斷演算法(例如,貝葉斯推斷和貝葉斯更新、或荷蘭賭方法)可以確定給定影響屬性的任何可能組合引起或顯著影響所測量的系統特徵的概率。在其他實施例中,可以用機器學習系統來實現確定哪些影響屬性影響給定系統特徵的設置/測量/值。基於感測器融合預測的自動調節系統可以應用機器學習演算法的一種或多種應用,以經由學習的目標函數將本文所述的一種或多種影響屬性映射到一種或多種系統特徵的輸出設置或值。
一旦在一些實施例中的基於感測器融合預測的自動調節系統確定了每一個影響屬性和每一個系統特徵之間的關係,它就可以進入預測階段,在該預測階段,它基於一個或多個影響屬性隨時間變化的測量值以及每一個系統特徵和每一個影響屬性之間的已知關係來預測一個或多個系統特徵的將來狀態。基於感測器融合預測的自動調節系統可以對影響屬性的所有預測的將來值執行感測器融合演算法,以預測多個系統特徵中的每一個系統特徵的將來狀態,並減少與每一個預測的將來狀態相關的不確定性。通過使用融合演算法分析多個影響屬性中的每一個的將來狀態,與一次確定僅一個系統特徵的將來狀態的方法相比,預測屬性融合演算法可以更高程度的確定性確定每一個系統特徵的將來狀態。這可能是由於每一個系統特徵的相互關聯的性質。
在本公開的實施例中,基於感測器融合預測的自動調節系統可以確定當前策略或設置不允許系統特徵的預測的將來狀態。在這種情況下,基於感測器融合預測的自動調節系統可以確定與該系統特徵相關聯的調節的設置或策略,該調節的設置或策略將允許當前設置或策略不允許的系統特徵的預測的狀態。在一個實施例中的系統特徵的每一個可能狀態可以與記憶體中的一個或多個策略或配置相關聯,以使得給定的系統特徵的每一個可能狀態與允許或不允許這種狀態發生的策略和/或配置之間的關係是已知的。在一個實施例中,基於感測器融合預測的自動調節系統可以訪問存儲在記憶體中的這種關係描述,以便識別已知允許系統特徵的預期將來狀態的策略/配置。
在一些實施例中,基於感測器融合預測的自動調節系統可以自動調節與該系統特徵相關聯的策略/配置,以允許該系統特徵的預期的將來狀態。在其他實施例中,在執行調節之前,基於感測器融合預測的自動調節系統可以確定這種調節是否會導致其他系統特徵的將來狀態發生變化。在這樣的實施例中,如果確定該調節將不會不利地影響其他系統特徵設置,則基於感測器融合預測的自動調節系統可以自動執行所需的調節。然而,如果確定該調節將不利地影響其他系統特徵設置,則一些實施例中的基於感測器融合預測的自動調節系統可以確定對多於一個系統特徵設置所需的多個調節,以便優化策略/配置,藉以使得每一個預測的將來狀態在將來策略下是允許的。實施例中的基於感測器融合預測的自動調節系統然後可以在預期那些將來狀態時,自動執行所有識別到的調節。以這種方式,基於感測器融合預測的自動調節系統可以調節資訊處理系統的功能,而沒有使使用者體驗到低品質的性能,並且無需使用者手動更改系統的任何設置。因此,本公開的實施例中的基於感測器融合預測的自動調節系統可以在需求出現之前,預期這種所需的系統特徵調節,並且自動執行這種調節,藉以提供資訊處理系統的無縫優化的性能。
圖1示出了與根據本公開的幾個方面的資訊處理系統相似的資訊處理系統100。在本文所述的實施例中,資訊處理系統可以包括可用於計算、分類、處理、發送、接收、檢索、發起、切換、存儲、顯示、表明、檢測、記錄、複製、處理、或使用用於商業、科學、控制、娛樂或其他目的任何形式的資訊、情報或資料的任何工具或工具集合。例如,資訊處理系統可以是個人電腦、移動設備(例如,個人數位助理(PDA)或智慧型電話)、伺服器(例如,刀片式伺服器或主機殼式伺服器)、消費電子設備、網路服務器或存放裝置、網路路由器、交換機、或橋接器、無線路由器、或其他網路通信設備、網路連接設備(蜂窩電話、平板設備等)、IoT計算設備、可穿戴計算設備、機上盒(STB)、移動資訊處理系統、掌上型電腦、膝上型電腦、桌上型電腦、通信設備、接入點(AP)、基站收發器、無線電話、座機電話、控制系統、相機、掃描器、傳真機、印表機、傳呼機、個人可信設備、網路器具或能夠執行一組指定機器要執行的動作的指令(順序或其他方式)的任何其他合適的機器,並且在大小、形狀、性能、價格和功能上可能會有所不同。
在網路部署中,資訊處理系統100可以在伺服器-使用者端網路環境中作為伺服器操作或者作為使用者端電腦操作,或者可以在對等(或分散式)網路環境中作為對等電腦系統操作。在一個具體實施例中,電腦系統100可以使用提供語音、視頻或資料通信的電子設備來實現。例如,資訊處理系統100可以是能夠執行指定機器要採取的動作的一組指令(順序的或其他方式)的任何移動或其他計算設備。此外,儘管示出了單個資訊處理系統100,但是術語“系統”也應被認為包括單獨地或共同地執行一組或多組指令以執行一個或多個電腦功能的系統或子系統的任何集合。
資訊處理系統可以包括記憶體(易失性(例如,隨機存取記憶體等)、非易失性(唯讀記憶體、快閃記憶體等)或其任意組合)、一個或多個處理資源(例如中央處理單元(CPU)、圖形處理單元(GPU)、硬體或軟體控制邏輯、或其任何組合)。資訊處理系統的其他元件可以包括一個或多個存儲裝置,用於與外部設備進行通信的一個或多個通訊連接埠,以及各種輸入和輸出(I/O)設備(例如鍵盤、滑鼠、視頻/圖形顯示、或其任何組合)。資訊處理系統還可包括一個或多個可操作以在各種硬體元件之間傳輸通信的匯流排。資訊處理系統的一部分本身可以被認為是資訊處理系統。
資訊處理系統100可以包括體現上述一個或多個設備或為上述一個或多個系統和模組執行指令的設備或模組,並且操作以執行上述一種或多種方法。資訊處理系統100可以執行代碼指令124,該代碼指令124可以在根據本文的各個實施例中的各個使用者端資訊處理系統中的伺服器或系統、遠端資料中心、或機上盒上操作。在一些實施例中,應理解的是,代碼指令124的任何或全部部分可以在多個資訊處理系統100上操作。
資訊處理系統100可以包括處理器102,例如中央處理單元(CPU)、控制邏輯或它們的某種組合。任何該處理資源都可操作以執行代碼,該代碼或是固件或是軟體代碼。此外,資訊處理系統100可以包括記憶體(記憶體諸如主存儲裝置104、靜態存儲裝置106)、電腦可讀介質122,該電腦可讀介質122存儲基於感測器融合預測的自動調節系統132的指令124,以及驅動單元116(易失性(例如,隨機存取記憶體等)、非易失性(唯讀記憶體、快閃記憶體等)或其任意組合)。資訊處理系統100還可包括一個或多個匯流排108,匯流排108可操作以在各種硬體元件(例如各種輸入和輸出(I/O)設備的任何組合)之間傳輸通信。
如圖所示,資訊處理系統100還可以包括視頻顯示器110。在一個實施例中,視頻顯示器110可以用作液晶顯示器(LCD)、有機發光二極體(OLED)、平板顯示器、固態顯示器、或陰極射線管(CRT)。另外,資訊處理系統100可以包括字母數位元輸入裝置112(諸如鍵盤),和/或遊標控制設備(諸如滑鼠、觸控板、或手勢或觸控式螢幕輸入)。資訊處理系統100還可以包括一個或多個感測器114、電池118、和磁碟機單元116。在一個實施例中,感測器114可以是能夠記錄資訊處理系統100的周圍環境的測量或描述資訊處理系統100的操作效率的任何指標的任何設備。在一個實施例中的感測器114的示例可以包括:用於提供小時/天測量的數字計時器、用於提供位置測量的GPS感測器、用於提供資訊處理系統的當前配置(例如翻蓋模式、平板電腦模式、帳篷模式)的測量值的在GPS感測器內的加速度計、以及提供通信鏈路品質測量的天線前端感測器。感測器114還可以包括指標記錄系統,該指標記錄系統能夠監控資訊處理系統作業系統性能的各種指標,包括輸入裝置112、視頻顯示器110、以及電池118的操作特徵。
顯示為無線適配器120的網路介面設備可以提供與網路128的連線,例如廣域網路(WAN)、局域網(LAN)、無線局域網(WLAN)、無線個人局域網(WPAN)、無線廣域網路(WWAN)或其他網路。連接可以經由有線或無線連接。無線適配器120可以包括一個或多個射頻子系統134,其具有發射器/接收器電路、數據機電路、一個或多個統一射頻前端電路、一個或多個無線控制器電路、放大器、天線系統130和其他射頻子系統電路,其用於經由多種無線電訪問技術進行無線通訊。每一個射頻子系統134可以利用一個或多個無線技術協議通信。射頻子系統134可以包括用於每一個技術服務提供商的單獨的訂戶身份模組(SIM)設定檔,以及它們對於基於訂戶的無線接入技術(諸如蜂窩LTE通信之類)可用的協議。無線適配器120還可包括天線系統130,該天線系統130可以是可調天線系統,其可用於與本文公開的系統和方法。在一些實施例中,網路介面設備120可以包括多達四個天線系統130。
在本公開的一些方面,一個無線適配器120可以操作兩個或更多個無線鏈路,並且多達四個無線鏈路,或者每一個天線一個無線鏈路。在另一個方面,無線適配器120可以使用單個共用的通信頻帶來操作兩個或更多個無線鏈路,例如,與用於小蜂窩5G操作的或者在一個示例性方面用於未許可的Wi-Fi WLAN操作的未許可的無線頻譜相關的5G標準。例如,可以在5G標準下分配5 GHz無線通訊頻帶,以便在小蜂窩WWAN無線鏈路操作或Wi-Fi WLAN操作上進行通信。在一些實施例中,可以通過一個或多個天線來發送共用的無線通訊頻帶。還預期其他共用通信頻帶也可以用在本公開的實施例中。
在其他方面,作為移動資訊處理系統操作的資訊處理系統100可以操作多個無線適配器120,以同時在一個或多個無線通訊頻帶中進行無線電操作。在一些公開的實施例中,多個無線適配器120可以進一步共用無線通訊頻帶或在接近的無線通訊頻帶中操作。此外,如在一些當前描述的實施例中,當多個無線鏈路同時操作時,諧波和其他影響可能影響無線鏈路的操作。在共用的頻帶或干擾的頻帶中同時進行的無線電發送或接收的接近性導致需要評估同時作業的天線系統,並且可能根據本公開的天線優化系統進行天線系統調節。
無線適配器120可以根據任何無線資料通信標準來操作。為了與無線局域網通信,可以使用包括IEEE 802.11 WLAN標準、IEEE 802.15 WPAN標準、諸如3GPP或3GPP2的WWAN或諸如藍牙的類似無線標準。無線適配器120可以連接到巨集蜂窩無線連接的任何組合,巨集蜂窩無線連接包括來自一個或多個服務提供商的2G、2.5G、3G、4G、5G等。根據本公開的幾個示例性實施例,射頻通信頻帶的利用可以包括與WLAN標準和WWAN載波一起使用的頻帶,其可以在許可頻譜和未許可頻譜兩者中操作。例如,WLAN和WWAN都可以使用未經許可的國家資訊基礎架構(U-NII)頻段,該頻段通常在〜5MHz頻段中操作,頻段例如802.11 a/h/j/n/ac/ad/ax(例如中心頻率在5.170-5.785 GHz之間),以及在60 GHz和80 GHz頻段(例如802.11ad)。應該理解的是,在5 GHz共用通信頻帶下,任何數量的可用信道都是可用的。例如,WLAN也可以在2.4 GHz頻帶上操作。WWAN可以在多個頻帶中操作,其中一些頻帶是專有的,但是可以包括例如大約2.5 GHz頻帶的無線通訊頻帶。在其他示例中,WWAN載波許可的頻帶也可以在例如大約700 MHz、800 MHz、1900 MHz或1700/2100 MHz的頻帶上操作。在示例性實施例中,移動資訊處理系統100包括未許可的無線射頻通信能力以及許可的無線射頻通信能力。例如,可以經由訂戶載波無線服務來獲得許可的無線射頻通信能力。
無線適配器120可以代表附加卡,與資訊處理系統的主機板集成或與另一無線網路介面功能集成或其任何組合的無線網路介面模組。在一個實施例中,無線適配器120可以包括一個或多個射頻子系統130,該射頻子系統130包括用於經由多個無線鏈路進行連接的發射機和無線控制器。在示例性實施例中,資訊處理系統可以具有用於5G小蜂窩WWAN、Wi-Fi WLAN或WiGig連接的天線系統發射機130以及用於巨集蜂窩通信的一個或多個附加天線系統發射機130。射頻子系統134包括無線控制器,以用於管理身份驗證、連接、通信、傳輸的功率電平、緩衝、糾錯、基帶處理、以及無線適配器120的其他功能。
無線適配器的射頻子系統134還可以根據本公開中的天線優化系統的操作,來測量與無線通訊有關的各種指標。例如,射頻子系統134的無線控制器可以管理檢測和測量接收到的信號強度級別、誤碼率、信噪比、延遲、抖動、以及與信號品質和強度有關的其他指標。在一個實施例中,無線介面適配器120的無線控制器可以管理一個或多個射頻子系統134。
本公開內容預期了一種電腦可讀介質,其包括指令、參數和設定檔124,或者響應於傳播的信號來接收並執行指令、參數和設定檔124;因此,連接到網路128的設備可以通過網路128傳送語音、視頻或資料。此外,可以經由網路介面設備或無線適配器120通過網路128發送或接收指令124。
資訊處理系統100可以包括一組指令124,該指令124可被執行以使電腦系統執行本文公開的方法或基於電腦的功能中的任何一個或多個。例如,指令124可以執行基於感測器融合預測的自動調節系統132、軟體代理或其他方面或元件。包括應用程式指令124的各種軟體模組可以由作業系統(OS)和/或經由應用程式設計介面(API)進行協調。示例性作業系統可以包括Windows®、Android®、和本領域已知的其他OS類型。API的示例可能包括WinAPI(例如Win32、Win32s、Win64和WinCE)、Core Java API或Android API。
磁碟機單元116和基於感測器融合預測的自動調節系統132可以包括電腦可讀介質122,其中可以嵌入一組或多組指令124,例如軟體。類似地,主存儲裝置104和靜態存儲裝置106也可包括用於存儲一組或多組指令、參數或設定檔124的電腦可讀介質,該指令、參數或設定檔124包括一個或多個多工器配置方案表和/或一個或多個資料流配置方案表。磁碟機單元116和靜態存儲裝置106還包括用於資料存儲的空間。此外,指令124可以體現本文所述的一種或多種方法或邏輯。例如,這裡也可以存儲與基於感測器融合預測的自動調節系統和特設路由演算法有關的指令。在一個具體實施例中,在由資訊處理系統100的處理器102執行期間,指令、參數和設定檔124可以完全或至少部分地駐留在主存儲裝置104、靜態存儲裝置106和/或磁碟機116內。如所解釋的,可以在本地或遠端處執行基於感測器融合預測的自動調節系統中的一些或全部。主存儲裝置104和處理器102還可以包括電腦可讀介質。
主存儲裝置104可以包括電腦可讀介質(未示出),例如在示例性實施例中的RAM。主存儲裝置104的示例包括隨機存取存儲裝置(RAM),諸如靜態RAM(SRAM)、動態RAM(DRAM)、非易失性RAM(NV-RAM)等、唯讀存儲裝置(ROM)、另一種類型的存儲裝置或其組合。在一些示例性實施例中,靜態存儲裝置106可以包括電腦可讀介質(未示出),諸如NOR或NAND快閃記憶體。在一個示例性實施例中,基於感測器融合預測的自動調節系統132和磁碟機單元116可以包括諸如磁片的電腦可讀介質122。儘管電腦可讀介質被示為單一介質,但是術語“電腦可讀介質”可以包括單一介質或多種介質,例如集中式或分散式資料庫,和/或存儲一組或多組指令的相關聯的緩存和伺服器。術語“電腦可讀介質”還應包括能夠存儲、編碼或承載一組指令以供處理器執行、或使電腦系統執行本文公開的方法或操作中的任何一個或多個的任何介質。
在一個具體的非限制性的示例性實施例中,電腦可讀介質可以包括固態存儲裝置(諸如存儲卡)或容納一個或多個非易失性唯讀存儲裝置的其他封裝。此外,電腦可讀介質可以是隨機存取存儲裝置或其他易失性可重寫存儲裝置。另外,電腦可讀介質可以包括磁光或光學介質(諸如磁片或磁帶之類或其他存儲裝置),以存儲經由載波信號(諸如通過傳輸介質傳送的信號)接收的資訊。此外,電腦可讀介質可以存儲從諸如基於雲的環境的分散式網路資源接收的資訊。電子郵件或其他獨立資訊檔案或檔案集的數位元檔附件可以被視為等同於有形存儲介質的分佈介質。因此,本公開被認為包括可以將資料或指令存儲在其中的電腦可讀介質或分佈介質以及其他等效物和後繼介質中的任何一個或多個。
資訊處理系統100還可以包括可操作地連接到匯流排108的基於感測器融合預測的自動調節系統132。基於感測器融合預測的自動調節系統132電腦可讀介質122也可以包括用於資料存儲的空間。基於感測器融合預測的自動調節系統132可以基於接收到的感測器資料或系統指標的測量來執行與預測一個或多個資訊處理系統特徵中的狀態變化有關的任務,並自動執行那些預期的狀態變化。在一個實施例中,基於感測器融合預測的自動調節系統132可以經由匯流排108與主存儲裝置104、處理器102、視頻顯示器110、字母數位元輸入裝置112、感測器114、電池118和網路介面設備120進行通信,並且可以使用若干形式的通信,包括ACPI、SM匯流排(SMBus)、24MHZ BFSK編碼的傳輸信道或共用存儲裝置。
在其他實施例中,專用硬體實現方式(諸如專用積體電路、可程式化邏輯陣列、和其他硬體設備)可以被構造為實現本文描述的一種或多種方法。可以包括各種實施例的裝置和系統的應用可以廣泛地包括各種電子和電腦系統。本文描述的一個或多個實施例可以使用兩個或更多個特定的互連硬體模組或設備來實現功能,其中相關的控制和資料信號可以在該模組之間和通過模組進行通信,或者作為專用積體電路的一些部分。此外,在一個示例性非限制性實施例中,實現方式可以包括分散式處理、元件/物件分散式處理和並行處理。替代地,虛擬電腦系統處理可以被構造為實現本文描述的方法或功能中的一個或多個。因此,本系統包括軟體、固件和硬體的實現方式。
當被稱為“系統”、“設備”、“模組”、“控制器”等時,本文描述的實施例可以被配置為硬體。例如,資訊處理系統設備的一部分可以是硬體,例如積體電路(例如專用積體電路(ASIC)、現場可程式化閘陣列(FPGA)、結構化ASIC、或嵌入在較大晶片上的設備),卡(例如週邊元件介面(PCI)卡、串列匯流排(PCI Express)卡、國際個人電腦記憶卡協會(PCMCIA)卡、或其他此類擴展卡),或系統(例如主機板、片上系統(SoC)、或獨立設備)。系統、設備、控制器或模組可以包括軟體(包括嵌入在設備上的固件,例如,英特爾®酷睿類處理器、ARM®品牌處理器、高通®驍龍(Qualcomm®Snapdragon)處理器或其他處理器和晶片組,或其他此類設備),或能夠操作資訊處理系統相關環境的軟體。該系統、設備、控制器、或模組還可以包括前述示例的硬體或軟體的組合。應注意,資訊處理系統可以包括積體電路或板級產品,其一些部分也可以是硬體和軟體的任意組合。除非另有明確說明,否則彼此通信的設備、模組、資源、控制器或程式無需彼此持續地通信。另外,彼此通信的設備、模組、資源、控制器或程式可以直接通信或通過一個或多個仲介裝置間接通信。
圖2是示出根據本公開的實施例的多個感測器、週邊設備和影響屬性的框圖。本公開的實施例中的基於感測器融合預測的自動調節系統可以對多個影響屬性或由資訊處理系統中的感測器測量的指標執行感測器融合演算法。以這種方式,基於感測器融合預測的自動調節系統可以最佳地適應預期到的、將來可能發生的性能變化。
在一個實施例中,多個感測器114和週邊或內部設備可以接收若干不同類型的感測器測量值或系統指標。在一個實施例中的示例性週邊設備和/或內部設備可以包括輸入裝置112、視頻顯示器110和電池118。示例性感測器114可以包括用於提供小時/天測量的數位計時器、用於提供位置測量的GPS感測器、用於提供對資訊處理系統的當前配置(例如,翻蓋模式、平板電腦模式、帳篷模式)的測量的在GPS感測器內的加速度計、用於提供通信鏈路品質測量的天線前端感測器。感測器114可以進一步包括指標記錄系統,該指標記錄系統能夠監控資訊處理系統作業系統性能的各種指標,包括輸入裝置112、視頻顯示器110和電池118的操作特徵。這種指標可以用作影響屬性200來以多種方式影響系統特徵。
影響屬性200可以包括用於例如資訊處理系統或資訊處理系統的各個元件或程式的應用程式設定檔202、策略調節204、功能設定檔206和功率設定檔208。在一個實施例中,應用程式設定檔202影響屬性可以識別哪些應用程式正在運行和/或使用者正積極參與的應用程式。在一個實施例中,策略調節204影響屬性可以描述對於資訊處理系統特定的策略進行的調節的細節,例如電池消耗策略、喚醒/休眠策略、使用者識別策略、以及安全性策略。在一個實施例中,功能設定檔206影響屬性可以識別一個或多個其他影響屬性之間的關係。例如,功能設定檔影響屬性206可以識別在一個訓練時間段中、其他影響屬性(例如202、204或210-228)中的每一個影響其他影響屬性中的另一個的值的次數,和/或可以識別其所影響的其他影響屬性中的每一個。例如,在一個實施例中,功率策略影響屬性可以描述電池消耗策略、喚醒/休眠策略、推送通知的接收、和/或無線通訊策略(例如,使用一個或多個多無線電接入技術天線)。
其他示例影響屬性可以包括用於資訊處理系統或用於資訊處理系統的單個元件或程式的歷史性能210、特徵/能力映射212、網路設定檔214、小時/天映射216、屬性設定檔218、威脅設定檔220、和位置映射222。在一個實施例中,歷史性能設定檔210影響屬性可以描述多個不同計算資源(例如,存儲裝置、處理能力、電池功率等)隨時間推移的消耗。在一個實施例中,特徵/能力影響屬性212可以描述高級特徵的啟用/禁用,該高級特徵諸如特殊輔助功能選項(例如,隱藏式字幕)、擴增或虛擬實境使用者介面的使用、將資訊處理系統的螢幕內容無線地投影到附近的顯示裝置,連接一個或多個外部視頻顯示器110、和/或使用藍牙連接到附近設備、使用其他可操作地連接的附件設備(例如指紋掃描器、網路相機或攝影機、三維相機等)。在一個實施例中,網路設定檔影響屬性214可以識別資訊處理系統連接到的一個或多個網路,和/或所建立每一個通信鏈路的性能特徵(例如,RSSI、擁塞分數、頻率、資料速率)。在一個實施例中,小時/天映射影響屬性216可以將多個其他影響屬性映射到其發生或調節的小時或天。在一個實施例中,屬性設定檔218影響屬性可以操作以動態地管理其他影響屬性中的每一個。例如,一個屬性設定檔218可以操作以動態地管理由功率設定檔影響屬性208所指示的可操作電池。在一個實施例中,威脅設定檔影響屬性220可以識別例行執行的電腦硬碟驅動器安全掃描的時間和結果。在一個實施例中,位置映射222影響屬性可以描述在一段時間內的位置測量的歷史,其可以用於建立使用者的關於在房屋、建築物、鄰裡、城鎮、城市、州、國家,或不同國家的每日、每週、或每月歷程,或使用者的關於一個或多個無線網路的每日、每週、或每月歷程。
影響資訊處理系統或其子元件的屬性的又一些示例可以包括管理設定檔224、配置調節設定檔226、和默認設置增量設定檔228。在一個實施例中,管理設定檔224影響屬性可以描述下載的和安裝的電腦配置設定檔或系統更新的細節。在一個實施例中,配置調節影響屬性226可以識別對資訊處理系統的配置進行的調節的每一個實例,包括對顯示功能的調節(例如,有線地或無線地增加或移除新的顯示裝置)、資訊處理系統從筆記型電腦配置到平板電腦配置的操縱、將資訊處理系統配置為網狀網路中的節點、將資訊處理系統從高覺醒狀態更改為低覺醒或休眠狀態、以更高或更低的解析度顯示圖像、啟用或禁用一種或多種類型的無線通訊、啟用或禁用IT專業人員對資訊處理系統的遠端存取、添加或移除授權的使用者、或者對資訊處理系統內的一個或多個系統的配置進行的任何其他調節。在一個實施例中,預設設置增量影響屬性228可以識別對在由IT專業人員設置或在製造時設置的資訊處理系統的預設設置的調節,以及進行這種調節的時間。
在一些實施例中,影響屬性200可以具有在可能值的範圍內的可測量值。例如,網路設定檔影響屬性214可以為由網路介面設備建立的特定通信鏈路提供具有在零和一百之間的值的RSSI。作為另一個示例,位置映射影響屬性222可以包括資訊處理系統的GPS座標,或者可以測量資訊處理系統與已知的網路閘道、基站、接入點或網狀網路節點之間的距離(以米為單位)。在一個實施例的其他方面,一些影響屬性200可以具有反映“開”或“關”狀態的二進位值。此外,這些屬性中的每一個也可以與一個或多個其他影響屬性相互關聯。例如,網路設定檔影響屬性214(例如,RSSI值)可以與位置映射影響屬性222(例如,距已知網路基站的距離)相關。在一個實施例中,影響屬性200因此可以提供關於資訊處理系統或其子元件的性能的高度細化的資訊。
圖3是示出根據本公開的一個實施例的、經由隨機過程的多個影響屬性和多個系統特徵之間的相互關係的框圖。響應於性能的預測的變化而對資訊處理系統的功能性能進行的調節可以在比細化的影響屬性200更高級別上進行。例如,可以對高級別系統特徵300進行調節。系統特徵300可以包括例如行為使用特徵302、性能映射特徵304、功率狀態特徵306、安全設定檔特徵308、和配置特徵310。每一個系統特徵300可以由多個性能指標來描述,並且在一個實施例中,每一個系統特徵300與其定義的多個性能指標之間的關聯可以存儲在存儲裝置中。在一個實施例中定義系統特徵300的多個性能指標中的每一個可以是影響屬性,或者可以描述若干影響屬性200的組合。在另一方面,定義一個系統特徵的性能指標可以包括其他系統特徵的狀態或值。
在一個實施例中的行為使用系統特徵302可以描述和/或指示資訊處理系統可能被使用的位置和/或天/周的時間,和使用其的方式。例如,行為使用系統特徵302可以識別資訊處理系統的時間和/或位置,該時間和/或位置指示使用者在家、在公司或在兩者之間的路上。能夠區分這兩種狀態可能有助於預測將來的通信、功率和性能要求。在這樣的實施例中,可以部分地基於包括資訊處理系統在給時間的位置的性能指標來定義行為使用302系統特徵。在另一個示例中,行為使用302系統特徵可以測量使用者隨時間的行為。例如,在這樣的一個實施例中,其中資訊處理系統在預設時間段後進入到睡眠、休眠、鎖定或變暗狀態,並且使用者此後立即將資訊處理系統從該狀態持續移至喚醒或變亮狀態,行為使用302系統特徵可以使該使用者與在資訊處理系統移入睡眠、休眠、鎖定或變暗狀態之前,與延長所需的閒置時間段的需求相關聯。
在其他方面,行為使用特徵302可以識別使用者在某時間段從事的活動類型,以及完成這些任務所需的一個或多個性能資源的測量值。例如,行為使用系統特徵302可以區分主要使用資訊處理系統以串流和觀看視頻內容(需要高性能的互聯網連接、圖形處理和顯示能力)的第一使用者,以及主要使用資訊處理系統以用於編寫和編譯電腦代碼指令(需要相對較低性能的互聯網連接、圖形處理和顯示功能但需要相對較高的處理能力)的第二使用者。在這樣的實施例中,可以部分地基於性能指標來定義行為使用者302的系統特徵,該性能指標包括使用者在給定時間正在運行哪些應用,以及對於這種用途所需的圖形/計算資源的識別。
在一個實施例中,性能映射系統特徵304可以確定某些操作資源可以專用於哪些應用程式或過程,以便優化當前由使用者使用的資訊處理系統的性能。例如,性能映射系統特徵304可以基於使用者正在從事的哪些活動(例如,如由行為使用302系統特徵所規定),預期有多少功率可用(例如,通過功率狀態306系統特徵所規定),由於建立的策略(如配置310系統特徵所規定)或由於安全考慮(如安全設定檔308系統特徵所規定)而不允許進行哪些活動,來為各種計算元件的任務進行優先順序排序。以這種方式,定義性能映射304系統特徵的性能指標可以包括其他系統特徵302和306-310中的每一個的狀態或值。
在一個實施例中的功率狀態系統特徵306可以描述和/或指示資訊處理系統的一個或多個過程或子元件消耗的功率以及預期在給定時間可用的功率。對這種功率狀態306的示例性調節可以包括例如通過降低發光強度、或通過將視頻顯示器從始終開啟狀態移入在閒置兩分鐘後螢幕進入休眠的狀態,來減少資訊處理系統的視頻顯示器所消耗的功率量。
在一個實施例中,安全設定檔308系統特徵可以確定訪問資訊處理系統的要求。示例性要求可以包括滿足視網膜掃描、指紋掃描、語音掃描、面部識別掃描、密碼或這些或任何其他已知安全特徵的組合。換句話說,在一個實施例中的安全設定檔系統特徵308可以指示能夠經由這些方法中的任何一種來執行識別的週邊或集成的指紋掃描器、麥克風或相機是否需要保持在活動或休眠狀態,或者可以在檢測到附近的使用者時自動接合。在其他實施例中,安全設定檔308系統特徵可以基於資訊處理系統的測量位置、或者通過經由麥克風測量的環境雜訊來確定使用者在公共場所中,並且發起安全觀看會話(在安全觀看會話中,使用者可以經由公眾可觀看的視頻顯示來觀看非安全資訊),並且僅可以經由可穿戴式頭戴式耳機顯示裝置查看安全資訊以形成擴增實境。在其他實施例中,安全性設定檔308系統特徵可以描述是否需要輔助BIOS級別的安全性密碼,或者是否建立了基於輔助地理位置的安全性協定,藉以僅當資訊處理系統處於預先指定的位置時才允許使用者訪問。在其他實施例中,安全設定檔308系統特徵可以指示哪些應用程式或過程可以經由網路介面設備與遠端網路通信,以及出於安全原因可以沙盒化哪些應用程式。
在一個實施例中的配置系統特徵310可以描述資訊處理系統的軟體配置、BIOS配置、物理/硬體配置、或相對於較大企業網路的配置。物理配置可以描述資訊處理系統與一個或多個週邊設備的交互,週邊設備例如多個顯示器、虛擬實境耳機、擴增實境耳機、電磁共振筆或觸控筆、藍牙麥克風、有線和/或無線印表機、和/由物聯網(IoT)無線感測器或設備。配置系統特徵310指示的其他配置可以包括根據與學生、訪客、客戶、雇員或企業網路的管理員相關聯的預設規則來配置作業系統或在其上運行的應用程式。配置系統特徵310的其他示例可以描述策略內(例如,軟體或固件內)的設置,其中每一個可能的策略設置是預設的並且是已知的。
每一個系統特徵300可以具有預定或已知的設置或值的範圍,並且每一個這樣的設置或值可以指示性能配置的特定組合。例如,功率狀態306系統特徵可以包括沿著從低功率到全功率設置的頻譜的若干設置。在這樣的示例性實施例中,更接近頻譜的低功率側的設置可以指示性能配置的組合,包括不允許推送通知、禁止藍牙連接、以及不允許某些應用程式在後台運行或訪問處理資源。在一個實施例中,這些可能設置中的每一個可以被預設並存儲在存儲裝置中。
在本公開的實施例中,可以通過確定每一個系統特徵可能置於的哪些可能狀態,在給定時間直接測量每一個系統特徵300。例如,功率狀態系統特徵可以測量資訊處理系統的每一個子元件(例如,視頻顯示器)接收和消耗的功率量,和/或可以確定資訊處理系統當前是否已插入壁裝電源插座或僅僅靠電池功率來操作。作為另一個示例,性能映射系統特徵304可以被設置為禁止所有推送通知。類似地,可以確定行為使用系統特徵302是否被設置為在家庭模式、工作模式和旅行模式,安全設定檔系統特徵308是否需要視網膜掃描、語音辨識、和/或面部識別以用於訪問,以及配置系統特徵310是否被設置為與諸如藍牙麥克風的週邊設備集成在一起。
在一個實施例中,基於感測器融合預測的自動調節系統可以使用反覆運算預測演算法在事件發生之前預期可能觸發系統特徵300的所需變化的事件,並在該事件發生之前自動進行調節。為了提高反覆運算預測演算法的準確性,基於感測器融合預測的自動調節系統可以將其對將來系統特徵狀態的預測基於多個影響屬性資料200,該影響屬性資料比系統特徵300的測量更細化。在本公開的實施例中,基於感測器融合預測的自動調節系統可以對影響屬性採用隨機過程/統計推斷演算法312,以便識別哪個影響屬性影響每一個系統特徵以及如何影響系統特徵。
在一個實施例中,基於感測器融合預測的自動調節系統可以通過隨機過程312來歸一化每一個影響屬性的值和每一個系統特徵,以使得可以避免關於這些指標中的每一個指標之間的衝突單元對這些預測的有害影響。這種隨機方法可以通過將每一個值除以在任何給定情況下可能取值的潛在範圍來對每一個值進行歸一化。例如,如果網路基站的已知範圍為一公里,並且位置映射影響屬性描述距基站的距離為100米,則基於感測器融合預測的自動調節系統可以將位置映射影響屬性的值歸一化為等於可能的一百分之十的值(例如100米除以一公里)。隨機方法可以類似地應用於所有其他影響屬性,以賦予它們介於零到一百之間的值,以指示測量值相對於可能的值的範圍的百分比。此外,可以將隨機方法類似地應用於所有系統特徵,以使賦予它們介於零到一百之間的值。此外,每一個系統特徵300的每一個可能狀態可以被歸一化為零到一百之間的值。例如,如果行為使用302系統特徵能夠在家庭狀態、工作狀態和旅行狀態下運作,則這些值中的每一個可以分別歸一化為零、五十和一百的值。
一旦每一個影響屬性和每一個系統特徵都被歸一化,則基於感測器融合預測的自動調節系統就可以執行統計推斷演算法,以確定給定影響屬性200的任何可能組合引起或顯著影響測量的系統特徵300的可能性。在一個實施例中,如果給定組合的可能性滿足預設的推斷閾值,則基於感測器融合預測的自動調節系統可以將該組合中的每一個影響屬性200與該特定系統特徵300相關聯。另外,在一些實施例中的基於感測器融合預測的自動調節系統可以在學習時間段內重複執行這樣的統計推斷演算法,以便確定影響屬性200的組合的哪些狀態(值)最有可能導致系統特徵300的給定狀態(值)。換句話說,基於感測器融合預測的自動調節系統可以學習在哪些情況下(如由多個影響屬性200的值所描述的),給定的系統特徵300可以從第一狀態移動到第二狀態。在一個實施例中的統計推斷演算法的示例可以包括貝葉斯推斷和貝葉斯更新,以及其他已知的非貝葉斯推斷方法(例如,荷蘭賭方法)。
在其他實施例中,可以用機器學習系統來實現對哪些影響屬性影響給定系統特徵300的設置/測量/值的確定。如本文所述,每一個影響屬性可以具有可測量的值(例如,在可能設置的歸一化規模或頻譜上),或者可以具有指示“開”或“關”狀態的二進位值。在其他方面,可將反覆運算加權應用於各種影響屬性200,以訓練人工神經網路或決策樹,藉以使得一些影響屬性200將被認為在影響一個或多個系統特徵300的測量結果方面具有更大的重要性。
基於感測器融合預測的自動調節系統可以應用機器學習演算法的一個或多個應用,以經由學習的目標函數來將本文所述的一個或多個影響屬性200映射到一個或多個系統特徵300的輸出設置或值。例如,可以採用預測分析來將功率狀態306系統特徵與影響屬性200相關聯,該影響屬性200包括網路設定檔、應用程式設定檔、功率設定檔、歷史性能、特徵/能力。
將理解的是,影響屬性通常可以包括一個或多個其他系統特徵,這些特徵可以被視為用於機器學習演算法確定的用於另一系統特徵的值/設置的各個單獨的輸入變數。在一個示例性實施例中,可能需要在影響屬性或系統特徵的兩個可能狀態之間進行二進位分類確定。在這樣的示例性實施例中,可以使用適合於二進位分類分析的任何機器學習演算法。在一些實施例中,用於這種分析的示例性機器學習演算法可以包括邏輯回歸技術、線性判別分析、線性回歸分析、人工神經網路或分類/回歸樹。在示例性實施例中,可以採用機器學習分類器演算法來確定影響屬性的分類,該影響屬性影響給定系統特徵的結果。
在各種其他實施例中,機器學習系統可以採用若干品種的單純貝葉斯預測模型分析,學習向量量化人工神經網路演算法,或諸如Adaboost或隨機梯度增強系統之類的增強演算法的實現,以反覆運算地更新權重,來訓練機器學習分類器,以確定影響屬性和系統特徵之間的關係和/或這種影響屬性影響這種系統特徵的結果的程度。這後幾種演算法中的幾種可以利用訓練資料建立模型,以供基於感測器融合預測的自動調節系統使用。一方面,增強可以與決策樹一起使用,而學習向量量化可以與人工神經網路演算法一起使用。有多種可用於具有多個變數的分類預測中的機器學習範式,例如在本文的基於感測器融合預測的自動調節系統的實施例中描述的那些。
在一個實施例中,隨機過程312還可基於在學習時間段的影響屬性200的測量、記錄、和/或歸一化的值來進一步預測一個或多個影響屬性200的將來狀態。在這樣的實施例中,閉環的反覆運算過程可以用於基於影響屬性的先前狀態來確定相同的影響屬性200的將來值。例如,在一個實施例中,可以使用卡爾曼濾波器來進行該確定。作為另一個示例,可以使用採用梯度下降方法的神經網路或機器學習演算法來對將來狀態進行該預測。
圖4是示出根據本公開的一個實施例的基於預測屬性融合演算法的系統特徵的調節的框圖。在一個實施例中的基於感測器融合預測的自動調節系統可以使用感測器融合演算法402,基於由已知會影響一個或多個系統特徵302-310的一個或多個影響屬性的隨機過程所確定的將來狀態,來確定是否針對每一個預測的將來系統特徵狀態來優化當前可調節的設置。
每一個系統特徵302-310可以具有多個可能的設置,如圖4所示的調節介面404-412所示。例如,行為使用系統特徵302可以包括在第一已知狀態和第二已知狀態之間的、多個可能的可調節的行為設置404,其中第一已知狀態指示使用者正在流覽互聯網並且需要很少的計算資源,第二已知狀態指示使用者正在串流超高清視頻並且需要更多處理能力和非常快速的互聯網連接。作為另一個示例,性能映射系統特徵304可以包括在第一已知狀態和第二已知狀態之間的、多個可調節的性能設置406,其中第一已知狀態允許高清圖形應用程式消耗盡可能所有其所需的處理能力,第二已知狀態限制了此類程式可用的處理能力,限制網路介面設備訪問的處理能力的量,關閉後台應用程式,或禁止來自空閒應用程式的推送通知。作為又一個示例,功率狀態系統特徵306可以包括在第一已知低功率模式414和第二已知的全功率模式416之間的多個可能的可調節功率設置408,其中在第一已知低功率模式414中,網路介面設備和/或一個或多個無線電接入技術(例如,藍牙)被關閉以節約用電;在第二已知的全功率模式416中,可以允許這種活動。安全設定檔系統特徵308可以包括在第一已知狀態和第二已知狀態之間的多個可能的可調節安全設置410,其中在第一已知狀態中,僅需要密碼以訪問資訊處理系統,在第二已知狀態中,也需要面部識別、語音辨識、指紋掃描、或視網膜掃描以獲得存取權限。作為又一個示例,配置系統特徵310可以包括在第一狀態和第二狀態之間的多個可能的可調節配置設置412,其中在第一狀態中,資訊處理系統被配置為檢測附近的藍牙麥克風並自動與其連接,在第二狀態中,資訊處理系統被替代地配置為可操作地連接到頭戴式顯示裝置,以用於擴增實境使用者介面。
給定系統特徵內的每一個可能的設置可以與指示資訊處理系統性能的策略、設置(例如,硬體、軟體、固件、元件)或配置的不同組合相關聯。例如,低功率模式設置414可以與禁止藍牙連接的連接策略、禁止空閒應用程式訪問處理資源的應用程式策略、限制顯示器內的圖元的照明以節省能量的顯示策略、和/或禁止推送通知的通知策略相關聯。在一個實施例中,在低功率模式414和全功率模式416之間的每一個可能的設置與受該設置影響的每一個策略、設置或配置之間的關聯可以被預設並存儲在存儲裝置中。
在一個實施例中的預測屬性融合演算法402可基於每一個影響屬性的預測的將來狀態,以及基於每一個系統特徵與每一個影響屬性和/或其他系統特徵之間的已知關係,來為每一個系統特徵302-210確定將來狀態。例如,在一個實施例中,基於感測器融合預測的自動調節系統可能經由統計推斷演算法確定了功率狀態系統特徵306的給定狀態將在功率設定檔、歷史性能、功能設定檔、位置映射、網路設定檔、配置調節、和應用程式設定檔影響屬性的多個指標測量的給定組合發生。在這樣的示例中,感測器融合演算法402可以組合這些影響屬性中的每一個的預測的將來狀態,以便確定那些影響屬性的預測的將來狀態的組合是否可能引起功率狀態系統特徵306的改變。以這種方式,在出現這種需求之前,本公開實施例中的基於感測器融合預測的自動調節系統可以預測一個或多個資訊處理系統特徵302-310的所需變化。通過使用融合演算法來分析多個影響屬性中的每一個的將來狀態,與一次僅確定一個系統特徵的將來狀態的方法相比,預測屬性融合演算法可以更大程度地確定每一個系統特徵的將來狀態。在一個實施例中,這可能是由於每一個系統特徵302-310的相互關聯的性質。
一旦在本公開的實施例中已經識別出該將來需求,基於感測器融合預測的自動調節系統就可以確定與該系統特徵相關聯的當前設置是否允許這種改變。例如,功率狀態306的當前狀態可以指示資訊處理系統正在依靠電池功率操作,並且被設置為低功率模式414。在這樣的示例性實施例中,由預測屬性融合演算法402確定的功率狀態306系統特徵的將來狀態可指示資訊處理系統可能已插入到連續的電源中,並且使用者當時將從事的活動將消耗高級別的處理資源,因此消耗高級別的電力。在這種情況下,基於感測器融合預測的自動調節系統可確定當前的低功耗模式414設置不允許處理器消耗當時預期使用者將需要的高級別處理資源和電力。在一個實施例中,這種高電力需求和對連續的電源的訪問可以與全功率模式416而不是低功率模式414相關聯。在一個實施例中,基於感測器融合預測的自動調節系統可以將與功率狀態306系統特徵相關的設置自動調節到全功率模式416,其基於預期需求以及基於預期當時那資訊處理系統將被插入到連續的電源中,來確實允許處理器消耗使用者當時預期需要的高級別處理資源和電力。
在另一個實施例中,在對任何一個系統特徵設置執行任何自動調節之前,預測屬性融合演算法可以優化多個系統特徵的設置。例如,在這樣一個實施例中,其中可能需要更改多個系統特徵的設置以適應那些系統特徵的預測的將來狀態,預測屬性融合演算法可以確保這樣的設置調節不會相互衝突,並如果在這種情況下減輕有害影響。例如,如果行為使用302系統特徵的將來狀態指示使用者將可能開始串流超高清(UHD)視頻,則預測屬性融合演算法402可以確定可能需要更改行為使用302系統特徵設置以允許這種活動。但是,如果功率狀態306系統特徵的將來狀態指示資訊處理系統可能僅靠電池電源操作,則預測屬性融合演算法可確定可能需要調節功率狀態306設置以禁止進行該相同的活動(例如串流超高清視頻)。
在這樣的實施例中,預測屬性融合演算法可以分析每一個系統特徵302-310的所有可能的設置,以便識別可能滿足預測的將來需求的所有系統特徵的設置的最佳組合。在這樣的實施例中,預測屬性融合演算法可以例如修改其他系統特徵(例如304、308-310)的設置,以便節省足夠的電池功率量,使得串流UHD視頻不會有害地影響系統性能。例如,預測屬性融合演算法402可以確定安全設定檔308系統特徵的將來狀態不指示需要視網膜掃描器訪問資訊處理系統,並且將安全調節410設置為不需要視網膜掃描的較低安全設置。通過避免使用這種視網膜掃描器,用於視網膜掃描的功率可以改為用於串流UHD視頻的更高優先順序活動。然後,在這樣的實施例中的預測屬性融合演算法可以自動調節每一個受影響的系統特徵的設置,以便優化所有系統特徵的性能。
以這種方式,基於感測器融合預測的自動調節系統可以調節資訊處理系統的功能,而使用者不會經受效率低下或性能不佳,並且不需要使用者手動地更改系統的任何設置。因此,在一個實施例中,基於感測器融合預測的自動調節系統可以在出現這種需求之前預期這種所需的系統特徵調節,並自動執行這種調節,藉以提供資訊處理系統的無縫優化性能。
圖5是示出根據本公開的一個實施例的使用統計推斷演算法將一個或多個影響屬性與系統特徵相關聯的方法的流程圖。在一個實施例中,基於感測器融合預測的自動調節系統可以進行這種關聯,以便基於已知會影響這種系統特徵的一個或多個影響屬性的預測的狀態,來預測系統特徵的將來狀態。
在框502處,在一個實施例中的基於感測器融合預測的自動調節系統可以定義由設置或策略控制的多個系統特徵,包括行為使用、性能映射、功率狀態、安全設定檔、以及資訊處理系統的配置。例如,在參考圖4描述的實施例中,每一個系統特徵302-310可以具有多個可能的設置,如調節介面404-412所示。在一個實施例中,調節介面404-412中所示的每一個可能的設置之間的關係可以在存儲裝置中與一個或多個策略設置相關聯。在一個實施例中,這些策略中的每一個都可以指示遵守這些策略的資訊處理系統可以允許的動作。例如,低功率模式設置414可以與禁止藍牙連接的連接策略,禁止空閒應用程式訪問處理資源的應用程式策略,限制顯示器內的圖元的照明以節省能量的顯示策略、和/或禁止推送通知的通知策略相關聯。
在框504處,在一個實施例中,基於感測器融合預測的自動調節系統可以接收影響屬性和/或系統特徵的值的測量。在一個實施例中,影響屬性可以包括影響一個或多個系統特徵的狀態的細化性能指標。例如,在參考圖2描述的實施例中,基於感測器融合預測的自動調節系統可以接收每一個影響屬性200的測量或指標,並且可以將每個單個影響屬性200的測量值存儲在資訊處理系統的存儲裝置中的單獨的索引或表中。在一個實施例中,這樣的索引或表中的每一個測量值可以與進行每一個測量的日期和時間相關聯。這樣的測量可以在資訊處理系統正在被動地記錄這樣的指標或測量值的初始學習時間段內進行,或者可以在資訊處理系統基於學習時間段期間記錄的影響屬性的狀態而自適應地並且自動地調節一個或多個系統特徵的調節時間段內進行。
在一些實施例中,基於感測器融合預測的自動調節系統可以在資訊處理系統上操作,其中在該資訊處理系統中測量每一個影響屬性。例如,基於感測器融合預測的自動調節系統可以在筆記型電腦上操作,其中在該筆記型電腦上測量每一個影響屬性,並且基於感測器融合預測的自動調節系統可以自動調節其系統特徵。在其他實施例中,基於感測器融合預測的自動調節系統可以遠離資訊處理系統進行遠端操作,其中在該資訊處理系統中測量每一個影響屬性。例如,基於感測器融合預測的自動調節系統可以在位於中心的遠端伺服器上操作,以從進行測量的筆記型電腦接收每一個影響屬性的測量值,並且可以在框502處將那些測量的影響屬性存儲在位於遠端的中央伺服器的存儲裝置中的多個索引或表中。
在一個實施例中,每一個系統特徵可以通過確定可以將每一個系統特徵所置於的哪個可能狀態而在給定時間直接測量。例如,功率狀態系統特徵306可以識別資訊處理系統當前是否已插入壁裝電源插座(例如,置於預設的全功率模式)或僅依靠電池電力來操作以將資訊處理系統置於中功率或低功率模式。作為另一個示例,性能映射系統特徵304可以被設置為禁止所有推送通知。類似地,可以確定行為使用系統特徵302是否被設置為家模式、工作模式或旅行模式,安全設定檔系統特徵308是否需要視網膜掃描,語音辨識和/或面部識別以進行訪問,以及配置系統特徵310是否被設置為與諸如藍牙麥克風的週邊設備集成在一起。可以在訓練時間段期間以例行間隔來測量每一個系統特徵300的狀態,並且可以將那些測量中的每一個存儲在這樣的系統特徵300所描述的資訊處理系統的存儲裝置中。
在一個實施例中,每一個系統特徵300可以是一個或多個影響屬性200的函數。換句話說,一個或多個影響屬性可以影響每一個系統特徵的值或狀態,儘管這種關係可能未知。例如,描述功耗方式以及哪些元件或過程比其他元件或過程消耗更多或更少功率的指標(如由功率狀態系統特徵306所描述的)可以受到來自以下的指標測量中反映的因素的影響:功率分佈、歷史性能、功能設定檔、位置映射、網路設定檔、配置調節和應用程式設定檔影響屬性。然而,在一個實施例中,可能不知道影響這種功率狀態系統特徵306測量的每一個影響屬性的身份、以及每一個影響屬性影響該測量的方式。
在框506處,在一個實施例中的基於感測器融合預測的自動調節系統可以將第一系統特徵識別為關注的系統特徵。例如,在參考圖3描述的實施例中,基於感測器融合預測的自動調節系統可以將行為使用系統特徵302識別為關注的系統特徵。作為同一個實施例的另一示例,基於感測器融合預測的自動調節系統可以將安全設定檔系統特徵308識別為關注的系統特徵。作為同一個實施例的又一個示例,基於感測器融合預測的自動調節系統可以將功率狀態系統特徵306識別為關注的系統特徵。
在框508,在一個實施例中的基於感測器融合預測的自動調節系統可以將初始概率值分配給影響屬性的每一個可能的組合,其中關注的系統特徵可以是其函數。在一個實施例中,這種初始概率值分配可以是用於確定哪些影響屬性影響關注的系統特徵的反覆運算統計推斷方法中的第一步。因為影響所關注的系統特徵的結果的影響屬性的身份是未知的,所以在這樣的實施例中,基於感測器融合預測的自動調節系統可以針對在學習時間段期間有測量其指標的每一個影響屬性執行該初始步驟。對於一個實施例中的影響屬性和給定系統特徵的給定組合,可以基於對在單個時間獲得的影響屬性和給定的系統特徵的給定組合的值的分析,來確定該初始概率值。換句話說,可以基於影響屬性的給定組合和給定的系統特徵中的每一個的僅一個狀態來分配初始概率值。
在一個實施例中的基於感測器融合預測的自動調節系統可以在一個實施例中使用反覆運算統計推斷方法來確定影響屬性的可能組合中的哪一個最有可能引起對關注的系統特徵值的測量(在框512處)。統計推斷演算法可以確定事件以先行事件的組合為有條件的概率。更具體地說,基於感測器融合預測的自動調節系統的統計推斷演算法可以確定給定影響屬性200的任何可能組合導致或顯著影響所測系統特徵300的概率。
在一個實施例中,統計推斷演算法的示例可以包括貝葉斯推斷和貝葉斯更新,以及其他已知的非貝葉斯推斷方法(例如,荷蘭賭方法)。例如,在所使用的反覆運算統計推斷方法是貝葉斯更新方法的實施例中,該方法的每次反覆運算可以處理直到另一個時間點所收集的影響屬性資料。換句話說,貝葉斯更新方法的第一反覆運算可以基於在針對那些值中的每一個進行記錄的第一時間點處的每一個影響屬性的單個狀態和關注的系統特徵,來考慮在框512中確定的初始概率。在這樣的實施例中的第二反覆運算可以基於那些單個狀態,加上在第二時間點(例如,比第一時間點晚一秒)的那些影響屬性和關注的系統特徵的每一個的第二狀態來考慮概率。在每次反覆運算中,對所考慮的影響屬性導致所測系統特徵值出現的邊際可能性進行計算。隨著執行更多反覆運算,當前反覆運算處的邊際可能性與先前反覆運算處的邊際可能性之間的差可減小。換句話說,在一個實施例中的邊際可能性可以隨著反覆運算次數的增加而收斂。
如果邊際可能性朝著最小收斂閾值收斂,則在一個實施例中的基於感測器融合預測的自動調節系統可以將該組合中的每一個影響屬性與該特定系統特徵相關聯。在一個實施例中,最小收斂閾值可以在訓練時間段之前預先設置,並且例如可以是百分之二。換句話說,在這樣的實施例中,可以採用進一步的反覆運算,直到來自當前反覆運算的邊際可能性與先前反覆運算的邊際可能性相差僅百分之二。在其他實施例中,最小收斂閾值可以例如等於十分之一、百分之一或百分之五。如果邊際可能性尚未朝著最小收斂閾值收斂,則在一個實施例中的基於感測器融合預測的自動調節系統可以通過分析影響屬性和給定系統特徵的給定組合中每一個的較晚狀態,來移至反覆運算統計推斷方法的下一個反覆運算。在一些實施例中,滿足最小收斂閾值所需的反覆運算次數可以指示訓練時間段的長度。換句話說,在一些實施例中,當邊際可能性已經朝著最小收斂閾值收斂時,訓練時間段可以結束。
此外,在一個實施例中的基於感測器融合預測的自動調節系統可以在學習時間段內重複執行這樣的統計推斷演算法,以便確定影響屬性200的組合的哪些狀態(值)最可能導致系統特徵300的給定狀態(值)。換句話說,基於感測器融合預測的自動調節系統可以學習到在哪些情況下(如多個影響屬性200的值所描述的),給定的系統特徵300可以從第一狀態移動到第二狀態。
在其他實施例中,可以用機器學習系統來實現對哪些影響屬性影響給定系統特徵300的設置/測量/值的確定。基於感測器融合預測的自動調節系統可以應用機器學習演算法的一次或多次應用,以經由學習的目標函數,將本文所述的一個或多個影響屬性200映射到一個或多個系統特徵300的輸出設置或值。例如,可以採用預測分析來將功率狀態306系統特徵與影響屬性200相關聯,該影響屬性200包括網路設定檔、應用程式設定檔、功率設定檔、歷史性能、特徵/能力。
在一些實施例中,用於這種分析的示例性機器學習演算法可以包括邏輯回歸技術、線性判別分析、線性回歸分析、人工神經網路、機器學習分類器演算法或分類/回歸樹。在各種其他實施例中,機器學習系統可以採用若干品種的單純貝葉斯預測模型分析,學習向量量化人工神經網路演算法,或諸如Adaboost或隨機梯度增強系統之類的增強演算法的實現,以反覆運算地更新權重來訓練機器學習分類器,以確定影響屬性和系統特徵之間的關係和/或這種影響屬性影響這種系統特徵的結果的程度。
在框512處,在一個實施例中,基於感測器融合預測的自動調節系統可以將關注的系統特徵與確定為最有可能引起關注的系統特徵的測量值發生的影響屬性相關聯。例如,在參考圖3描述的實施例中(其中功率狀態系統特徵306是所關注的系統特徵),功率狀態系統特徵306可以與功率設定檔、歷史性能、功能設定檔、位置映射、網路設定檔、配置調節、以及應用程式設定檔影響屬性相關聯。在一些實施例中,反覆運算統計推斷方法可以進一步用於確定與關注的系統特徵相關聯的影響屬性的值實際影響關注的系統特徵的測量值的程度。例如,在一個實施例中,基於感測器融合預測的自動調節系統可以確定網路設定檔和位置映射影響屬性的組合可能比功率設定檔、歷史性能、功能設定檔、配置調節、和應用程式設定檔影響屬性對功率狀態系統特徵的測量值具有更大的影響。
在一個實施例中,基於感測器融合預測的自動調節系統可以在框514處確定每一個定義的系統特徵是否已經與一個或多個影響屬性相關聯。例如,在其中行為使用系統特徵302是關注的系統特徵的實施例中,其餘系統特徵304-310可能尚未與任何影響屬性相關聯。如果每一個定義的系統特徵尚未與一個或多個影響屬性相關聯,則該方法可以進行到框516。如果每一個定義的系統特徵已經與一個或多個影響屬性相關聯,則該方法可以進行至框518。
在框516處,如果已經確定每一個定義的系統特徵尚未與一個或多個影響屬性相關聯,則在一個實施例中的基於感測器融合預測的自動調節系統可以將下一可用的系統特徵識別為關注的系統特徵。例如,在使用者行為系統特徵302已經與一個或多個影響屬性相關聯的實施例中,基於感測器融合預測的自動調節系統可以將性能映射系統特徵304識別為關注的系統特徵。該方法然後可以回到框504,並且可以循環遍歷到框514。在一個實施例中,通過執行框504至框514所描述的循環,基於感測器融合預測的自動調節系統可以確保每一個定義的系統特徵300與一個或多個影響屬性200相關聯。此外,在一些實施例中,通過執行這樣的循環,基於感測器融合預測的自動調節系統可以確定與系統特徵相關聯的每一個影響屬性可能影響那些系統特徵的測量值的程度。以這種方式,在一個實施例中,基於感測器融合預測的自動調節系統可以識別每一個影響屬性可能影響每一個系統特徵的方式。
在框518中,在其中每一個定義的系統特徵已經與一個或多個影響屬性相關聯的實施例中,還可以確定每一個系統特徵之間的關係。如本文所述,每一個系統特徵可以充當對其他系統特徵的影響屬性。例如,行為使用系統特徵302可以指示使用者當前正在參與處理器耗用型應用(例如,渲染三維圖像),藉以導致功率狀態系統特徵306指示不限制處理器消耗的功率量的全功率模式,因此允許處理器完成處理器耗用型任務。在框518處,可以使用在框510處用於確定影響屬性的可能組合中的哪一個最有可能引起關注的系統特徵的值的測量的相同反覆運算統計推斷方法,來確定哪個系統特徵影響其他系統特徵的值,以及如何影響和/或該影響的程度。在其他實施例中,在框518處使用的反覆運算統計推斷方法可以與在框510處使用的方法不同,但是可以是在框510處使用的方法的可能實施例中描述的方法中的一個。
在框520中,在一個實施例中,基於感測器融合預測的自動調節系統可以預測多個影響屬性中的每一個的將來狀態。例如,在參照圖3描述的實施例中,隨機過程312還可基於在學習時間段內對影響屬性200的測量、記錄和/或歸一化值,來預測一個或多個影響屬性200的將來狀態。在這樣的實施例中,閉環的反覆運算過程可用於基於相同影響屬性的先前狀態,來確定影響屬性200的將來值。例如,在一個實施例中,可以使用卡爾曼濾波器作出該確定。作為另一個示例,可以使用採用梯度下降方法的神經網路或機器學習演算法,來對將來狀態進行該預測。
在框522處,基於感測器融合預測的自動調節系統可以將多個影響屬性中的一個或多個的預測的將來狀態與影響屬性值的新接收到的測量值進行比較,以進行錯誤糾正。在一個實施例中,可以將一個或多個影響屬性200的預測的將來狀態與預測的預測的將來狀態發生時的一個或多個影響屬性200的新的測量狀態進行比較。以這種方式,閉環反覆運算過程還可以對預測的將來狀態不斷執行錯誤糾正。該方法然後可以結束。
圖6是示出根據本公開的一個實施例的使用反覆運算預測和感測器融合演算法來自動執行調節以允許被預測發生的系統特徵狀態的方法的流程圖。在一個實施例中,通過對影響屬性的多個將來狀態執行感測器融合演算法,基於感測器融合預測的自動調節系統可準確地預測將來可能發生的性能變化。以這種方式,在一個實施例中的基於感測器融合預測的自動調節系統可以自動且無縫地優化資訊處理系統的功能性能。
在框602處,在一個實施例中的基於感測器融合預測的自動調節系統可以對影響屬性的所有預測的將來值執行感測器融合演算法,以預測多個系統特徵中的每一個的將來狀態,並減少與每一個預測的將來狀態相關聯的不確定性。例如,感測器融合演算法可對作為上述流程圖5中所述方法的一部分而預測的影響屬性的所有將來值執行。本公開的實施例中的感測器融合演算法可以組合來自不同的源(例如,每一個影響屬性)的資料,使得與單獨地使用這些資源時相比,所得到的資訊具有更少的不確定性。例如,如果在一個實施例中的基於感測器融合預測的自動調節系統僅考慮單獨的位置映射影響屬性,則由於單獨的位置映射影響屬性不能描述資訊處理系統與基站的關係,它可能無法準確地估計功率狀態系統特徵306是否可能被改變。類似地,如果在一個實施例中的基於感測器融合預測的自動調節系統僅考慮單獨的網路設定檔影響屬性,則由於單獨的網路設定檔影響屬性不能描述檢測到的信號品質下降是由幹擾引起還是由與基站的距離引起,它可能無法準確地估計功率狀態系統特徵306是否可能被改變。因此,僅從網路設定檔影響屬性測量可能還不清楚知道提高天線的功率是否會有效地改善發射信號的品質。
如參考圖4的實施例中所述,在一個實施例中的預測屬性融合演算法402可以基於每一個影響屬性的預測的將來狀態,並且基於每一個系統特徵和每一個影響屬性和/或其他系統特徵之間的已知關係,來確定每一個系統特徵302-210的將來狀態。例如,感測器融合演算法402可以組合已知影響功率狀態系統特徵306的狀態的每一個影響屬性的預測的將來狀態(例如,功率設定檔、歷史性能、功能設定檔、位置映射、網路設定檔、配置調節和應用程式設定檔影響屬性),以確定那些影響屬性的預測的將來狀態的組合是否可能會引起功率狀態系統特徵306的狀態發生變化。以這種方式,本公開的一個實施例中的基於感測器融合預測的自動調節系統可以在這種變化產生之前,預測一個或多個資訊處理系統特徵302-310的預期變化。通過使用融合演算法分析多個影響屬性中的每一個的將來狀態,與一次確定僅一個系統特徵的將來狀態的方法相比,預測屬性融合演算法可以更高程度地確定每一個系統特徵的將來狀態。在一個實施例中,這可能是由於每一個系統特徵302-310的相互關聯的性質。
在一個實施例中,基於感測器融合預測的自動調節系統可以在框604處確定當前可調節的設置是否針對系統特徵的預測的將來狀態而優化。例如,在參考圖4描述的實施例中,可以將當前可調節的功率設置408設置為針對系統特徵302-310的預測的將來值未優化的低功率模式414。在一個實施例中,當一個或多個系統特徵的預測的將來狀態落在與當前可調節的設置相關聯的已知的一組最佳操作範圍之外時,可以針對預測的系統特徵優化當前的可調節的設置(例如404-412)。在一個實施例中,可以在每一個系統特徵302-310的將來狀態的確定之前,在預測屬性融合演算法402可訪問的存儲裝置內確定每一個可調節的設置(例如,圖4中所示的可調節的設置404-412內的每一個標記)的最佳操作範圍。
在框604處確定一個或多個可調節的設置未針對每一個系統特徵的將來值進行優化(如在框602處預測的)可以指示與系統性能有關的優先順序或將來需求的變化不處於當前可調節的設置404-412的最佳範圍內。例如,功率狀態306系統特徵的將來狀態可能指示資訊處理系統可能將來會插入到連續的電源中,並且使用者當時將從事的活動將消耗高級別的處理資源(因此消耗高級別的功率)。在這樣的情況下,基於感測器融合預測的自動調節系統可以確定與將來的預測功率狀態306相關聯的功耗渴求應用的使用落在當前低功率模式414設置的最佳操作範圍之外。然而,在一個實施例中,這種高功率需求和對連續的電源的訪問可能在全功率模式416的最佳操作範圍內。在一個實施例中,如果發現針對系統特徵302-310的所有預測的將來狀態優化了每一個當前可調節的設置,則可能不需要自動調節可調節的設置以優化資訊處理系統的性能,並且方法可以結束。但是,如果未針對系統特徵302-210的所有預測的將來狀態優化一個或多個當前可調節的設置,則這可能指示需要調節一個或多個可調節的設置404-412,並且該方法可以繼續進行到框606。
在框606處,在一個實施例中,基於感測器融合預測的自動調節系統可以將未針對將來的系統特徵狀態優化的可調節的設置識別為關注的可調節的設置。例如,在確定與將來的預測功率狀態306相關聯的功率渴求應用的使用落在當前低功率模式414設置的最佳操作範圍之外的實施例中,在框606處,可以將功率狀態系統特徵306識別為關注的系統特徵。在另一示例性實施例中,如果行為使用302系統特徵的將來預測的狀態包括串流UHD視頻,並且當前可調節的行為設置404沒有針對該活動進行優化,則可以將行為使用系統特徵302識別為關注的系統特徵。
在框608處,基於感測器融合預測的自動調節系統可以確定可以對關注的可調節的設置進行的調節,以針對系統特徵的將來的預測的狀態對其進行優化。再次,在一個實施例中,在確定每一個系統特徵302-310的將來狀態之前,可以在預測屬性融合演算法402可訪問的存儲裝置內確定每一個可調節設置的最優操作範圍(例如,圖4中所示的可調節的設置404-412內的每一個標記)。在一個實施例中,基於感測器融合預測的自動調節系統可以訪問存儲在存儲裝置中的該資訊,以在框608處識別針對其關注的設置的可調節的設置(除了當前可調節的設置外),該關注的設置的最佳操作範圍包括在框604處確定的系統特徵的預測的將來狀態在當前可調節的設置的最佳操作範圍之外。例如,在其中功率狀態306系統特徵的預測的將來狀態描述了功率渴求應用的預期使用落在可調節的功率設置408內的當前低功率模式414的最佳操作範圍之外的實施例中,基於感測器融合預測的自動調節系統可以在框608處確定功率渴求應用的預期使用落在全功率模式416設置的最佳操作範圍內。
在一些實施例中,該方法然後可以直接進行到框614,在此,基於感測器融合預測的自動調節系統可以將關注的可調節的設置自動調節為在框608處確定的設置,以將所有系統特徵的預測的將來狀態包括在最佳操作範圍內。例如,基於感測器融合預測的自動調節系統可以在預期使用功率渴求應用之前,將功率設置408從低功率模式414自動調節到全功率模式416。在其他實施例中,在執行調節之前,基於感測器融合預測的自動調節系統可以確定這種調節是否會導致其他系統特徵的將來狀態發生變化,並且該方法可以進行至框610,以優化所有系統特徵上作出的所有改變,以預期這種相互關係。
在框610中,在一個實施例中的基於感測器融合預測的自動調節系統可以基於在框608所識別的針對關注的可調節的設置的調節、以及每一個系統特徵之間的已知相互關係,來預測所有系統特徵的調節後的將來值。給定的系統特徵的值影響每一個其他系統特徵的值的方式,或系統特徵之間的關係的方式也可以是已知的並存儲在存儲裝置中。基於感測器融合預測的自動調節系統可以訪問該存儲的關係資訊,以便確定在執行框608處識別的調節將在其執行時對每一個系統特徵產生影響。例如,可以在框606確定,將來的行為使用系統特徵指示使用者將可能在將來時間使用資訊處理系統來串流超高清(UHD)視頻。然後,在框608處可以確定,串流UHD視頻落在當前可調節的行為使用設置404的操作範圍之外,並且可能需要將可調節的設置404調節到其最佳操作範圍包括串流UHD視頻的新設置。
在這樣的實施例中,在框610處,基於感測器融合預測的自動調節系統可以訪問存儲在存儲裝置中的資訊(該資訊描述了系統特徵302-310的相互關係)以便確定將行為設置404調節為新設置(其最佳操作範圍包括串流UHD視頻)將對每一個系統特徵302-310的將來的預測的狀態產生何種影響。例如,在一個實施例中的當前可調節的功率設置408可以是低功率模式414。在框610處可以確定可調節的行為設置404將可能被調節以允許將來串流UHD視頻,其繼而將導致預測的功率狀態306系統特徵發生改變,以使額外功率被轉移到GPU和顯示器以處理和顯示此類UHD視頻。以這種方式將功率轉移到GPU以及顯示器可能落在當前設置的低功率模式414的最佳操作範圍之外。在這樣的實施例中,基於感測器融合預測的自動調節系統除了對在框608處識別的行為使用設置404進行調節之外,可能還需要對可調節的功率設置408進行調節。如果在框612處確定執行在框608處識別的調節不需要進行進一步調節,則該方法可以進行到框614。
在框612處,如果確定執行在框608處識別的調節需要對與一個或多個其他系統特徵相關聯的另一可調節的設置進行調節,則該方法可以返回至框606以識別該調節。例如,在這樣的實施例中,其中在框612確定基於感測器融合預測的自動調節系統可能除了需要對在框608處先前識別的行為使用設置404進行調節之外,還可能需要對可調節的功率設置408進行調節,則該方法可以返回到框606,其中將可調節的功率設置408識別為關注的可調節的設置。然後,一旦執行了在各個循環中的、在框608處識別的調節,該方法可以在606和612之間循環,直到在框610的最新循環期間確定的預測的將來的系統特徵中沒有一個落在可調節的設置404-412的最佳操作範圍之外。例如,在第二循環中,其中可調節功率設置408被識別為關注的可調節的設置,基於感測器融合預測的自動調節系統可以在框608確定將功率轉移到GPU並且顯示器以處理和顯示UHD視頻落在全功率模式416的操作範圍內。在這樣的實施例中,可能需要將功率設置408從低功率模式414調節到全功率模式416,以適應在先前循環中確定的行為使用設置404的調節。在這樣的實施例中,在框610處,基於感測器融合預測的自動調節系統可以基於對在先前循環中確定的行為使用設置404的調節和對全功率模式416的調節兩者,來預測所有系統特徵的調節後的將來值。在這樣的實施例中,基於感測器融合預測的自動調節系統然後可以在框612處確定在緊接前框610中預測的每一個預測系統特徵都落在當前性能設置406、當前安全設置410、和配置設置412的操作範圍內、以及在先前循環中識別的調節後的行為設置404的操作範圍內,以及在當前循環中識別的對全功率模式416的調節的操作範圍內。在這種情況下,該方法然後可以進行到框614。
在一些實施例中,可能無法容納每一個系統特徵302-310的所有預測的將來狀態,因為它們的預測的狀態與相互競爭的需求相關聯。例如,在一個實施例中的將來功率狀態系統特徵可以指示資訊處理系統將可能僅依靠電池電力來操作,而將來行為使用系統特徵指示使用者將開始串流UHD視頻。在這樣的實施例中,可以在框608處確定,串流UHD視頻可以使得功率狀態306特徵的將來的預測的狀態反映出對更多功率被轉移到GPU和顯示器以用於處理和顯示UHD視頻的需求。在這種情況下,對依賴於電池功率所落入的、可調節的功率設置的最佳操作範圍(例如,低功率模式414)可能不包括將功率轉移到GPU和顯示器以用於處理和顯示UHD視頻。類似地,用於將功率轉移到GPU和顯示器以用於處理和顯示UHD視頻所落入的、可調節功率設置的最佳操作範圍(例如,全功率模式416)可能不包括僅依靠電池功率。換句話說,在這樣的實施例中,低功率模式414或全功率模式416都不能允許同時僅依靠電池功率(如通過功率狀態306系統特徵的將來狀態所預測的)和串流UHD視頻(如行為使用302系統特徵的將來狀態所預測)。在這樣的實施例中,預測屬性融合演算法可以嘗試平衡這些相互競爭的需求,以確定用於多個系統特徵的可調節的設置的組合,該組合使資訊處理系統的總操作範圍最接近由多個預測的將來系統特徵值定義的預期操作。可以使用閉環反覆運算過程來作出這樣的確定,以識別有可能產生資訊處理系統的最佳操作範圍的可調節的設置404-412的其中一個可能組合。例如,可以使用卡爾曼濾波器、神經網路或採用梯度下降方法的機器學習演算法來對這種將來狀態進行這種預測。
在其中在框610處識別了必要或優選的對系統特徵策略的一個或多個調節的一個實施例中,基於感測器融合預測的自動調節系統可以在框614處自動執行控制關注的系統特徵的策略的預期調節。例如,在一個實施例中,如果已經確定功率狀態系統特徵306將可能需要從低功率模式414移動到全功率模式416,則基於感測器融合預測的自動調節系統可以自動將功率狀態系統特徵從低功率模式414轉換到全功率模式416,而無需使用者干預。在這樣的實施例中,其中在方法在框606和612之間的一個或多個循環期間在框608處已識別了一個或多個調節,基於感測器融合預測的自動調節系統可以在那些循環中的每一個中在框612處執行在框608處識別的調節。例如,如果方法在框606至612的第一循環指示需要對行為設置404進行調節,而在框606至612的第二循環指示需要從低功率模式414轉換到全功率模式416,基於感測器融合預測的自動調節系統可以在框614處自動對行為設置404和功率設置408進行這兩項調節。
在框614處對在一個實施例中的設置404-412中的任何一個進行的調節可以提示對現有策略、模式、設置或配置的改變。例如,用於每一個系統特徵的每一個可能的策略設置可以與指示軟體或固件的操作的一個或多個策略相關聯。作為另一示例,對一個或多個設置404-412的調節可以提示配置的改變(例如,哪些安全要求有效)或配置(例如,是否可以使用諸如顯示器之類的外部設備)。作為又一示例,調節可以導致一個或多個元件的操作模式的改變(例如,將網路適配器設置為僅經由WLAN或WWAN而非經由LTE進行通信)。每一個可能的設置(例如,沿著每一個可調節的設置404-412的每一個標記)可以與預定策略、模式、設置或配置相關聯,並且這種關聯可以存儲在存儲裝置中。當選擇新設置時(例如,沿著可調節的設置404-412的其中一個標記),基於感測器融合預測的自動調節系統可以確定哪些策略、模式、設置和/或配置與系統特徵的新的或調節的設置相關聯,並將該策略、模式、設置和/或配置替換為當前策略、模式、設置或配置。
這種自動調節可以在需要這樣做的時間之前執行(例如,在當前策略不允許的系統特徵的預測的將來狀態發生之前)。以這種方式,基於感測器融合預測的自動調節系統可以調節資訊處理系統的功能,而沒有使使用者體驗到低品質的性能,並且無需使用者手動更改系統的任何設置。因此,本公開的實施例中的基於感測器融合預測的自動調節系統可以在這種需求出現之前預期這種所需的系統特徵調節,並且自動執行這種調節,藉以提供資訊處理系統的無縫優化的性能。
以上討論的流程圖5至圖6的框不需要以任何給定或指定的循序執行。可以預期,可以添加額外的框、步驟或功能,可以不執行某些框、步驟或功能,多個框、步驟或功能可以同時發生,並且可以在一個流程圖內執行來自另一個流程圖的框、步驟或功能。此外,本領域技術人員將理解,在以上針對上述演算法討論的流程圖內,可以出現其他框或步驟、或替代框或步驟。
儘管這裡僅詳細描述了幾個示例性實施例,但是本領域技術人員將容易理解,在實質上不脫離本公開的實施例的新穎性教導和優點的情況下,可以對示例性實施例進行許多修改。因此,所有這樣的修改旨在落入如以下申請專利範圍所限定的本公開的實施例的範圍內。在申請專利範圍中,裝置加功能的條款旨在覆蓋本文描述為執行所列舉功能的結構,不僅覆蓋結構上的等同物,而且還覆蓋等同的結構。
以上公開的主題應被認為是說明性的而非限制性的,並且所附申請專利範圍旨在覆蓋落入本發明範圍內的任何和所有此類修改、改進和其他實施例。因此,在法律允許的最大範圍內,本發明的範圍將由以下申請專利範圍及其等同物的最寬泛的允許解釋來確定,並且不應由前述詳細描述來局限或限制。
100:資訊處理系統
102:處理器
104:主存儲裝置
106:靜態存儲裝置
108:匯流排
110:視頻顯示器
112:字母數位元輸入裝置
114:感測器
116:驅動單元,磁碟機單元
118:電池
120:無線適配器,網路介面設備
122:電腦可讀介質
124:代碼指令,設定檔
126: 天線前端
128:網路
130:天線系統
132:自動調節系統
134:射頻子系統
200:影響屬性
202:應用程式設定檔
204:策略調節
206:功能設定檔
208:功率設定檔
210 210:歷史性能,歷史性能設定檔
212:特徵/能力映射
214:網路設定檔
216:小時/天映射
218:屬性設定檔
220:威脅設定檔,威脅設定檔影響屬性
222:位置映射
224:管理設定檔
226:配置調節設定檔
228:默認設置增量設定檔
300:系統特徵
302:行為使用特徵
304:性能映射特徵
306:功率狀態,功率狀態特徵,功率狀態系統特徵
308:安全設定檔特徵,安全設定檔系統特徵,安全設定檔
310:配置特徵,配置系統特徵
312:隨機過程
402:感測器融合演算法
404:行為設置
406:性能設置
404-412:調節介面
414:第一已知低功率模式
416:第二已知的全功率模式
502-522,602-614:框
應當理解,為了圖示的簡單和清楚起見,圖中所示的元件不一定按比例繪製。例如,某些元件的尺寸可能相對於其他元件被放大。參考本文的附圖示出和描述了結合本公開的教導的實施例,其中在附圖中:
圖1是示出根據本公開的一個實施例的資訊處理系統的框圖;
圖2是示出根據本公開的一個實施例的多個影響屬性的框圖;
圖3是示出根據本公開的一個實施例的多個系統特徵的框圖;
圖4是示出根據本公開的一個實施例的系統特徵的調節的框圖;
圖5是示出根據本公開的一個實施例的將一個或多個影響屬性與系統特徵相關聯的方法的流程圖;以及
圖6是示出根據本公開的實施例的自動執行調節的方法的流程圖。
在不同附圖中所使用的相同的附圖標記可以指示相似或相同的項目。
100:資訊處理系統
102:處理器
104:主存儲裝置
106:靜態存儲裝置
108:匯流排
110:視頻顯示器
112:字母數位元輸入裝置
114:感測器
116:驅動單元,磁碟機單元
118:電池
120:無線適配器,網路介面設備
122:電腦可讀介質
124:代碼指令,設定檔
126:天線前端
128:網路
130:天線系統
132:自動調節系統
134:射頻子系統
Claims (20)
- 一種資訊處理系統,其操作基於感測器融合預測的自動調節系統,該資訊處理系統包括: 多個感測器,其測量多個影響屬性,該多個影響屬性包括資訊處理系統操作值或狀態值,其中,該影響屬性的子集影響多個系統特徵中的一個; 存儲裝置,其存儲該多個系統特徵的定義,包括使用者行為特徵、性能映射特徵、功率狀態特徵、安全設定檔特徵和策略配置特徵; 處理器,其執行基於感測器融合預測的自動調節系統的代碼指令,以執行以下動作: 將隨機預測應用於影響屬性值的子集,以預測在將來時間中受該影響屬性值的子集影響的多個系統特徵中的至少一個的將來值; 如果第一系統特徵的預測的將來值落在指示異常操作的當前策略定義的操作範圍之外,則確定對控制該第一系統特徵的操作範圍的策略的第一調節;以及 在該將來時間出現之前,對控制該第一系統特徵的操作範圍的該策略自動執行該第一調節。
- 如請求項1所述之資訊處理系統,進一步包括: 該處理器執行代碼指令以執行以下動作: 應用預測屬性融合演算法,以基於多個系統特徵中每一個特徵之間的已知關係,確定對控制該第一系統特徵的操作範圍的策略的該調節導致需要對控制第二系統特徵的操作範圍的策略進行第二調節;以及 在該將來時間出現之前,自動對控制該第二系統特徵的操作範圍的該策略進行該第二調節。
- 如請求項1所述之資訊處理系統,進一步包括: 該處理器執行閉環反覆運算過程,以基於所測量的多個影響屬性來預測該多個影響屬性中的每一個的將來值。
- 如請求項3所述之資訊處理系統,其中,該閉環反覆運算過程是對所測量的多個影響屬性的神經網路分析。
- 如請求項3所述之資訊處理系統,其中,該閉環反覆運算過程是邏輯或線性回歸技術。
- 如請求項1所述之資訊處理系統,進一步包括: 該處理器執行反覆運算統計推斷方法,以確定每一個影響屬性和每一個系統特徵之間的關係。
- 如請求項8所述之資訊處理系統,其中,該反覆運算統計推斷方法是梯度下降演算法。
- 一種基於感測器融合預測來自動調節資訊處理系統的系統特徵的方法,其包括: 經由多個感測器測量多個影響屬性,該多個影響屬性包括資訊處理系統操作值或狀態值,其中,該影響屬性的子集影響多個系統特徵中的一個; 在存儲裝置中存儲多個系統特徵的定義,包括使用者行為特徵、性能映射特徵、功率狀態特徵、安全設定檔特徵和策略配置特徵; 經由處理器將反覆運算閉環隨機預測應用於該影響屬性值的子集,以預測在將來時間中受該影響屬性值的子集影響的多個系統特徵中的至少一個的將來值; 如果第一系統特徵的預測的將來值落在指示異常操作的當前策略定義的操作範圍之外,則經由該處理器確定對控制該第一系統特徵的操作範圍的策略的第一調節;以及 在該將來時間出現之前,經由該處理器對控制該第一系統特徵的操作範圍的該策略自動執行該第一調節。
- 如請求項8所述之方法,進一步包括: 經由該處理器應用預測屬性融合演算法,以基於多個系統特徵中每一個特徵之間的已知關係,確定對控制該第一系統特徵的操作範圍的策略的該調節導致需要對控制第二系統特徵的操作範圍的策略進行第二調節;以及 在該將來時間出現之前,經由該處理器自動對控制該第二系統特徵的操作範圍的該策略進行該第二調節。
- 如請求項8所述之方法,進一步包括: 經由該處理器執行反覆運算統計推斷方法,以確定每一個影響屬性和每一個系統特徵之間的關係。
- 如請求項8所述之方法,其中,該閉環反覆運算隨機預測是經由神經網路執行的梯度下降方法。
- 如請求項8所述之方法,其中,該閉環反覆運算隨機預測是線性判別分析。
- 如請求項8所述之方法,其中,該閉環反覆運算隨機預測是分類樹方法。
- 如請求項8所述之方法,其中,該閉環反覆運算隨機預測是回歸樹方法。
- 一種基於感測器融合預測的自動調節系統,其包括: 經由網路適配器接收多個影響屬性,該多個影響屬性包括用於遠端資訊處理系統的操作值或狀態值,其中,該影響屬性的子集影響用於該遠端資訊處理系統的多個系統特徵中的一個; 經由存儲裝置存儲該多個系統特徵的定義,包括使用者行為特徵、性能映射特徵、功率狀態特徵、安全設定檔特徵和策略配置特徵; 經由處理器將隨機預測應用於影響屬性值的子集,以預測在將來時間中受該影響屬性值的子集影響的多個系統特徵中的至少一個的將來值; 如果第一系統特徵的預測的將來值落在指示異常操作的當前策略定義的操作範圍之外,則經由該處理器確定對控制該第一系統特徵的操作範圍的策略的第一調節; 經由該處理器應用感測器融合演算法,以基於多個系統特徵中的每一個系統特徵之間的已知關係,確定對控制該第一系統特徵的操作範圍的策略的調節導致需要對控制第二系統特徵的操作範圍的策略進行第二調節;以及 經由該網路適配器向該遠端資訊處理系統發送指令,以在該將來時間出現之前,自動對控制該第一系統特徵的操作範圍的該策略進行該第一調節,以及自動對控制該第二系統特徵的操作範圍的該策略進行該第二調節。
- 如請求項15所述之資訊處理系統,其中,該感測器融合演算法是中央極限定理演算法。
- 如請求項15所述之資訊處理系統,其中,該感測器融合演算法是卡爾曼濾波器演算法。
- 如請求項15所述之資訊處理系統,其中,該感測器融合演算法是DS證據理論演算法。
- 如請求項15所述之資訊處理系統,其中,該感測器融合演算法是統計推斷網路演算法。
- 如請求項15所述之資訊處理系統,其中,該感測器融合演算法是卷積神經網路演算法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/172,483 | 2018-10-26 | ||
US16/172,483 US11924290B2 (en) | 2018-10-26 | 2018-10-26 | Aggregated stochastic method for predictive system response |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202034216A true TW202034216A (zh) | 2020-09-16 |
TWI785277B TWI785277B (zh) | 2022-12-01 |
Family
ID=70325380
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW108136107A TWI785277B (zh) | 2018-10-26 | 2019-10-04 | 用於預測系統回應的聚合隨機方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11924290B2 (zh) |
EP (1) | EP3871065A4 (zh) |
CN (1) | CN113168216A (zh) |
TW (1) | TWI785277B (zh) |
WO (1) | WO2020087050A1 (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11199846B2 (en) * | 2018-11-29 | 2021-12-14 | Baidu Usa Llc | Learning-based dynamic modeling methods for autonomous driving vehicles |
JP7051724B2 (ja) * | 2019-01-21 | 2022-04-11 | 株式会社日立製作所 | 計算機システム及び対象に関する目的を達成するために有用な情報の提示方法 |
US11411838B2 (en) * | 2019-05-29 | 2022-08-09 | Cisco Technology, Inc. | Adaptive stress testing of SD-WAN tunnels for what-if scenario model training |
EP3751699B1 (de) * | 2019-06-13 | 2021-09-15 | Siemens Aktiengesellschaft | Verfahren und anordnung zur schätzung eines netzzustands eines energieverteilungsnetzes |
WO2022010490A1 (en) * | 2020-07-10 | 2022-01-13 | Google Llc | Dynamic power converter switching for displays based on predicted power usage |
US11347615B2 (en) | 2020-07-17 | 2022-05-31 | Dell Products L.P. | System and method for context-based performance optimization of an information handling system |
US20220191250A1 (en) * | 2020-12-15 | 2022-06-16 | ClearVector, Inc. | Computer-implemented methods, systems comprising computer-readable media, and electronic devices for autonomous cybersecurity within a network computing environment |
CN113515468B (zh) * | 2021-09-14 | 2021-11-30 | 成都时识科技有限公司 | 数据更新方法和存储空间设置方法及装置、芯片、设备 |
US20230254376A1 (en) * | 2022-02-04 | 2023-08-10 | Dell Products, L.P. | Workspace configuration recommender for hoteling environments |
US20240085971A1 (en) * | 2022-09-09 | 2024-03-14 | Qualcomm Incorporated | Limits management for a processor power distribution network |
Family Cites Families (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030004781A1 (en) * | 2001-06-18 | 2003-01-02 | Mallon Kenneth P. | Method and system for predicting aggregate behavior using on-line interest data |
US20030184307A1 (en) * | 2002-02-19 | 2003-10-02 | Kozlowski James D. | Model-based predictive diagnostic tool for primary and secondary batteries |
US7143203B1 (en) * | 2002-04-26 | 2006-11-28 | Advanced Micro Devices, Inc. | Storage device control responsive to operational characteristics of a system |
US6941177B2 (en) | 2002-12-17 | 2005-09-06 | Xerox Corporation | System and method for implementing real-time applications based on stochastic compute time algorithms |
CA2559489A1 (en) | 2004-03-18 | 2005-09-29 | University Of Virginia Patent Foundation | Method, apparatus, and computer program product for stochastic psycho-physiological assessment of attentional impairments |
US7861099B2 (en) * | 2006-06-30 | 2010-12-28 | Intel Corporation | Method and apparatus for user-activity-based dynamic power management and policy creation for mobile platforms |
US7788205B2 (en) * | 2006-05-12 | 2010-08-31 | International Business Machines Corporation | Using stochastic models to diagnose and predict complex system problems |
US7778943B2 (en) | 2007-02-09 | 2010-08-17 | Honeywell International Inc. | Stochastic evidence aggregation system of failure modes utilizing a modified dempster-shafer theory |
US7971084B2 (en) * | 2007-12-28 | 2011-06-28 | Intel Corporation | Power management in electronic systems |
WO2012176217A1 (en) * | 2011-06-20 | 2012-12-27 | Muthukumar Prasad | Smart active antenna radiation pattern optimising system for mobile devices achieved by sensing device proximity environment with property, position, orientation, signal quality and operating modes |
CN102694868B (zh) * | 2012-06-07 | 2016-09-07 | 浪潮电子信息产业股份有限公司 | 一种集群系统实现及任务动态分配方法 |
US20140100835A1 (en) * | 2012-10-04 | 2014-04-10 | Futurewei Technologies, Inc. | User Behavior Modeling for Intelligent Mobile Companions |
KR101829114B1 (ko) * | 2013-01-25 | 2018-03-29 | 퀄컴 인코포레이티드 | 모바일 디바이스에 대한 거동 특징들의 적응적 관찰 |
US9507344B2 (en) | 2013-05-10 | 2016-11-29 | Honeywell International Inc. | Index generation and embedded fusion for controller performance monitoring |
CA2918747A1 (en) * | 2013-07-26 | 2015-01-29 | The Dun & Bradstreet Corporation | System and method for deriving material change attributes from curated and analyzed data signals over time to predict future changes in conventional predictors |
US9530101B1 (en) | 2013-11-20 | 2016-12-27 | The United States Of America As Represented By The Secretary Of The Navy | Method for calculating sensor performance of a sensor grid using dynamic path aggregation |
US10069710B2 (en) * | 2016-03-01 | 2018-09-04 | Dell Products, Lp | System and method to identify resources used by applications in an information handling system |
CN107230008B (zh) * | 2016-03-25 | 2020-03-27 | 阿里巴巴集团控股有限公司 | 一种风险信息输出、风险信息构建方法及装置 |
US10636524B2 (en) * | 2016-08-26 | 2020-04-28 | TCL Research America Inc. | Method and system for optimized wake-up strategy via sleeping stage prediction with recurrent neural networks |
TWI617993B (zh) * | 2017-03-03 | 2018-03-11 | 財團法人資訊工業策進會 | 辨識系統及辨識方法 |
CN107888669B (zh) * | 2017-10-31 | 2020-06-09 | 武汉理工大学 | 一种基于深度学习神经网络的大规模资源调度系统及方法 |
-
2018
- 2018-10-26 US US16/172,483 patent/US11924290B2/en active Active
-
2019
- 2019-10-04 TW TW108136107A patent/TWI785277B/zh active
- 2019-10-25 WO PCT/US2019/058229 patent/WO2020087050A1/en unknown
- 2019-10-25 EP EP19877281.6A patent/EP3871065A4/en active Pending
- 2019-10-25 CN CN201980069745.4A patent/CN113168216A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
US11924290B2 (en) | 2024-03-05 |
TWI785277B (zh) | 2022-12-01 |
CN113168216A (zh) | 2021-07-23 |
EP3871065A4 (en) | 2022-05-18 |
WO2020087050A1 (en) | 2020-04-30 |
US20200134394A1 (en) | 2020-04-30 |
EP3871065A1 (en) | 2021-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI785277B (zh) | 用於預測系統回應的聚合隨機方法 | |
US10750515B2 (en) | Opportunistic resource sharing between devices | |
US10178200B2 (en) | Dynamic adjustment of mobile device based on peer event data | |
Liu et al. | Multi-device task offloading with time-constraints for energy efficiency in mobile cloud computing | |
Tran et al. | COSTA: Cost-aware service caching and task offloading assignment in mobile-edge computing | |
US9462965B2 (en) | Dynamic adjustment of mobile device based on system events | |
US9432839B2 (en) | Dynamic adjustment of mobile device based on thermal conditions | |
EP2365715B1 (en) | Apparatus and method for sensing substitution for location-based applications | |
US9465679B2 (en) | Dynamic adjustment of mobile device based on adaptive prediction of system events | |
US10939380B2 (en) | System and method for machine learning applied to in-band to out-of-band communications management | |
US9813990B2 (en) | Dynamic adjustment of mobile device based on voter feedback | |
US20140334335A1 (en) | Techniques for assisted network acquisition | |
US11818662B2 (en) | Energy savings system based machine learning of wireless performance activity for mobile information handling system connected to plural wireless networks | |
US9253793B2 (en) | Channel aware job scheduling | |
US11622298B2 (en) | Apparatuses and methods for managing and regulating power consumption and resource allocations in communication systems and networks | |
Fatima et al. | Self organization based energy management techniques in mobile complex networks: a review | |
Xie et al. | Time Fairness-Based Application Offloading in Mobile Edge Computing with Individual QoS Guarantee | |
US20220366278A1 (en) | Systems and methods for dynamic hardware configuration | |
Singapuram et al. | Flamingo: A User-Centric System for Fast and Energy-Efficient DNN Training on Smartphones |