[发明专利]一种智能移动终端功耗管理方法

说明书

技术领域

本发明涉及数据处理技术和终端节能技术领域，具体地说，本发明涉及一种智能移动终端功耗管理方法。

背景技术

近年，功能多样的智能手机越来越受到市场欢迎，但与此同时，智能手机待机时间过短的问题也越来越突出，给用户造成诸多不便。目前，电池技术的发展速度已难以跟上用户对于更长的待机时间的渴求，因此通过更加优化的智能手机功耗管理策略来延长待机时间成为越来越重要的研究方向之一。

CPU是智能手机的核心部件，它为花样繁多的手机应用提供计算支持，比如游戏、浏览器、工具软件等等，这些应用所耗费的电量已经超过了传统的通信所耗费的电量。为了满足这些应用的需求，CPU性能不断提升，其功耗也与日俱增，有效降低CPU功耗对降低智能手机整体功耗有着重要意义。

目前，CPU功耗管理的两个常用的算法是Linux PERFORMANCE算法和Linux POWERSAVING算法。Linux PERFORMANCE算法旨在性能优先，它会一直把CPU频率设在最高水平，而Linux POWERSAVING算法则是节能优先，它一直把频率设在最低水平。这两种算法都没有考虑动态地调节频率，导致要么浪费了资源，要么损害了用户体验。

Linux ONDEMAND算法是根据实时的CPU利用率来调节频率的一种CPU功耗管理算法。在典型的Linux ONDEMAND算法中，当CPU利用率超过一个上限，频率会设定在最高频率；当利用率低于一个下限，频率将会设定在能够保持较上限低10%的利用率的频率。相对于Linux PERFORMANCE算法，Linux ONDEMAND算法能够有效降低CPU的功耗。然而这种功耗管理算法并未直接考虑用户体验，而越来越多的实践表明，很多情况下Linux ONDEMAND算法容易分配过多的计算资源却无法相应地提高用户体验，因此，在Linux ONDEMAND算法的基础上，还存在进一步降低功耗的空间。

综上所述，当前迫切需要一种能够在保证用户体验的前提下，精确降低智能移动终端功耗的解决方案。

发明内容

本发明的目的是提供一种能够在保证用户体验不降低的前提下，精确降低智能移动终端功耗的解决方案。

为实现上述发明目的，本发明提供了一种预测应用饱和频率的模型训练方法，包括下列步骤：

1）建立预测模型，该模型将应用运行时终端的活动特征所组成的终端运行特征向量作为输入，将候选频率盖作为输出；其中，所述应用运行时终端的活动特征包括：CPU的忙碌时间占运行时间的比例或百分比；CPU在各个频点上的运行时间的比例或百分比；以及CPU持续忙碌时间长度的均值和方差；

2）基于样本集训练所述预测模型，该样本集中采集了应用运行时终端的活动特征，以及相应的用户体验及CPU频率。

其中，所述应用运行时终端的活动特征还包括：触屏所引起系统中断次数的均值和方差；触屏时间长度的均值；触屏之间间隔时间的均值和方差；以及重力在终端自身坐标系中y轴方向上分力的均值和方差。

其中，所述预测模型为神经网络模型。

其中，所述步骤2）中，当大量用户的平均用户体验值与最大用户体验值的比值超过预定阈值时，视作已达到饱和频率。

本发明还提供了一种预测应用饱和频率的方法，包括下列步骤：

启动应用，采集该应用运行过程中移动终端的终端运行特征向量，将所采集到的终端运行特征向量输入用权利要求1～4中任意一项所述的方法所训练的预测模型，该预测模型所输出的频点即为该应用所对应的饱和频率。

本发明还提供了一种智能移动终端功耗管理方法，包括下列步骤：

11）利用前述预测应用饱和频率的方法获得应用的饱和频率；

12）基于ONDEMAND算法对CPU的频率进行动态调节，其中步骤11）所得到的饱和频率作为ONDEMAND算法中的最高频率。

其中，所述步骤11）中，预测应用饱和频率的模型在服务器端完成训练，然后，服务器将所述模型的参数传送给移动终端，在移动终端建立历史表记录每个应用的饱和频率，每个应用第一次运行时，通过采集到的终端活动特征向量预测得到相应的饱和频率并记录到所述历史表中，以后每次启动该应用，查看历史表得到相应的饱和频率。

其中，所述步骤11）中，对于所述预测模型未见过的新类型应用，移动终端接受用户手动设置的频率及用户体验值，并将二者以及相应的终端运行特征向量传送到服务器，所述服务器将其加入用于模型训练的所述样本集。