202410358951X 基于机器学习的智能终端系统后台应用管理方法和装置.pdf

(19)国家知识产权局

(12)发明专利申请

(10)申请公布号CN118069467A
(43)申请公布日2024.05.24
(21)申请号202410358951.X
(22)申请日2024.03.27

(71)申请人武汉大学
地址430072湖北省武汉市武昌区八一路
299号
(72)发明人程大钊卢羽帆桑乾龙龚奕利
胡创
(74)专利代理机构武汉智权专利代理事务所
(特殊普通合伙)42225
专利代理师彭程程
(51)Int.Cl.
G06F11/30(2006.01)
G06F9/50(2006.01)
G06F9/4401(2018.01)
G06N20/00(2019.01)
权利要求书2页说明书10页附图2页
(54)发明名称
基于机器学习的智能终端系统后台应用管
理方法和装置
(57)摘要
本发明公开了一种基于机器学习的智能终
端系统后台应用管理方法，通过部署于智能终端
中的瓶颈资源检测模型，根据所述智能终端的实
时监测数据，检测导致前台应用性能下降的瓶颈
资源，其中所述监测数据包括前台应用性能指
标、整机资源使用数据、前台应用资源使用数据
和后台应用资源使用数据；根据各个后台应用的
权重和对瓶颈资源的占用率对后台应用进行冻
结，以对瓶颈资源进行资源释放，实现了实时监
测和识别系统性能异常和后台应用的资源抢占
行为，并且该方法在移动端进行检测，有效的保
护了用户隐私数据的安全性，并且充分考虑不了
同应用下的资源使用特点和性能需求，满足游
戏、视频等多场景下的准确性。
CN118069467A
CN118069467A权利要求书1/2页

1.一种基于机器学习的智能终端系统后台应用管理方法，其特征在于，所述基于机器
学习的智能终端系统后台应用管理方法包括：
通过部署于智能终端中的瓶颈资源检测模型，根据所述智能终端的实时监测数据，检
测导致前台应用性能下降的瓶颈资源，其中所述监测数据包括前台应用性能指标、整机资
源使用数据、前台应用资源使用数据和后台应用资源使用数据；
根据各个后台应用的权重和对瓶颈资源的占用率对后台应用进行冻结，以对瓶颈资源
进行资源释放。
2.如权利要求1所述的基于机器学习的智能终端系统后台应用管理方法，其特征在于，
在通过部署于智能终端中的瓶颈资源检测模型，根据所述智能终端的实时监测数据，检测
导致前台应用性能下降的瓶颈资源之前，还包括：
获取不同类型的前台应用和后台应用在不同的应用参数下模拟运行时的模拟运行监
测数据；
分析所述模拟运行监测数据，为每组所述模拟运行监测数据打上标签，其中所述标签
包括导致前台应用性能下降的瓶颈资源类型标签和无异常标签，所述瓶颈资源类型包括内
存资源、CPU资源和GPU资源；
通过所述模拟运行监测数据和对应的标签对所述瓶颈资源检测模型进行训练，获得训
练后的瓶颈资源检测模型；
将训练后的瓶颈资源检测模型部署至所述智能终端中。
3.如权利要求2所述的基于机器学习的智能终端系统后台应用管理方法，其特征在于：
所述前台应用和所述后台应用的类型包括游戏、视频、社交媒体、音乐播放器和即时通
讯应用；
所述应用参数包括数据传输量、CPU占用率、内存使用量。
4.如权利要求2所述的基于机器学习的智能终端系统后台应用管理方法，其特征在于，
分析所述模拟运行监测数据，并为每组所述模拟运行监测数据打上标签，包括：
通过K均值聚类算法得到前台应用正常运行与性能降低之间使用CPU资源或GPU资源的
边界数据，根据所述模拟运行监测数据中前台应用使用的CPU资源或GPU资源是否小于所述
边界数据自动生成对应标签；
若前台应用存在内存资源或多种资源短缺时，通过读取前台应用的性能变化曲线，结
合整机资源使用数据、前台应用资源使用数据和后台应用资源使用数据生成对应标签。
5.如权利要求2所述的基于机器学习的智能终端系统后台应用管理方法，其特征在于，
在通过所述模拟运行监测数据和对应的标签对所述瓶颈资源检测模型进行训练之前，还包
括：
对所述模拟运行监测数据进行缺失值补充和归一化处理。
6.如权利要求2所述的基于机器学习的智能终端系统后台应用管理方法，其特征在于，
通过所述模拟运行监测数据和对应的标签对所述瓶颈资源检测模型进行训练，获得训练后
的瓶颈资源检测模型，包括：
将所述模拟运行监测数据划分为训练集和测试集；
在预设服务器中将所述训练集中的模拟运行监测数据作为输入，将对应的标签作为输
出，对瓶颈资源检测模型进行训练；

2
CN118069467A权利要求书2/2页
使用所述测试集对训练后的瓶颈资源检测模型进行评估，根据训练后的瓶颈资源检测
模型的准确率、精确率和召回率确定最优的瓶颈资源检测模型。
7.如权利要求2所述的基于机器学习的智能终端系统后台应用管理方法，其特征在于，
将