配置应用程序相关任务的电子设备及其相关方法

摘要

一种电子设备具有处理系统和管理电路。所述处理系统执行应用程序。所述管理电路检测在执行应用程序期间应用程序的操作特性，分析所检测的应用程序的操作特性以产生应用程序识别结果，以及至少根据所述应用程序识别结果配置应用程序相关任务。

说明书

技术领域

本发明公开的实施例涉及管理由电子设备执行的任务，更具体地， 涉及一种能够基于在执行应用程序期间所检测的应用程序的操作特性配 置应用程序相关(application-dependent)，任务(例如动态热管理(dynamic thermalmanagement，DTM)任务)的电子设备及其相关方法。

背景技术

通常，移动设备外壳温度受到为用户提供舒适手持体验的约束。当 移动设备具有更大的功耗时，会相应地产生更多的热量。移动设备的峰 值功耗很高。例如，峰值功耗可以是4-8瓦特。然而，移动设备的散热能 力通常是有限的。例如，移动设备的散热能力大约是2-4瓦特。因此，为 了防止移动设备外壳温度超过可接受的水平，需要动态热管理(DTM)。 传统的DTM设计采用固定的热策略(thermalstrategy)，与移动设备上运 行的应用程序无关。因此，相同的热策略用于移动设备上的各种应用程 序，这不能获得对于每个应用程序的最优的热约束性能。

发明内容

为了解决上述问题，根据本发明的示例性实施例，提出了一种能够 基于在执行应用程序期间所检测的应用程序的操作特性配置应用程序相 关任务(例如动态热管理任务)的电子设备及其相关方法。

根据本发明的第一方面，公开了一种示例性电子设备。该示例性电 子设备包括处理系统和管理电路。处理系统设置为执行应用程序。管理 电路设置为检测在执行应用程序期间应用程序的操作特性，分析所检测 的应用程序的操作特性以生成应用程序识别结果，以及至少根据该应用 程序识别结果配置应用程序相关任务。

根据本发明的第二方面，公开了一种配置应用程序相关任务的示例 性方法。该示例性方法包括：执行应用程序，检测在执行应用程序期间 应用程序的操作特性，分析所检测的应用程序的操作特性以生成应用程 序识别结果，以及至少根据该应用程序识别结果配置应用程序相关任务。

本发明的电子设备以及其配置应用程序相关任务的方法，能够为应 用程序的相关任务提供较佳的配置。

在阅读下面以不同的数据和图形来阐明的优选实施例的详细说明之 后，本发明的上述和其他目标对本领域技术人员无疑将变得明显。

附图说明

图1是示出根据本发明实施例的电子设备的示意图。

图2是示出根据本发明实施例的计算预生成操作特性的示意图。

图3是示出根据本发明实施例的检测在电子设备上运行的应用程序 的操作特性的操作示意图。

图4是示出根据本发明实施例的更新应用程序特性数据库的操作示 意图。

图5是示出根据本发明实施例的不同热策略的示意图。

图6是示出根据本发明实施例的用于配置应用程序相关任务的方法 的流程图。

具体实施方式

整个说明书和下面的权利要求书采用确定的术语来指代特定的部 件。正如本领域的技术人员将理解的是，制造商可以使用不同的名称来 指代某一部件。本文件无意于区分那些名称不同但功能相同的部件。在 下面的说明书和权利要求书中，用开放式方式使用术语“包含”和“包 括”，因此应当被解释为“包含，但是不限于……”。同样地，术语“耦 合”既可以表示间接电气连接也可以表示直接电气连接。因此，如果一 个设备与另一个设备耦合，其连接可以是通过直接电气连接或者是通过 其他设备和连接件的间接电气连接。

本发明能够识别当前在电子设备上运行的应用程序，然后至少基于 该应用程序识别结果来配置应用程序相关任务。例如，所述应用程序相 关任务是动态热管理(DTM)任务。检测当前的应用程序特性以及然后 将其用于为所述运行的应用程序设置最好的热策略。例如，具有不同运 行时间的两个应用程序可以在不同的热策略下执行，所述不同的热策略 以不同的值设置处理器的时钟频率。通过这种方式，当应用程序具有不 同的操作特性时，允许给应用程序指定不同的热策略以到达最佳的热约 束性能。下文将对用于根据应用程序特性信息来配置应用程序相关任务 的建议方案进行详细地描述。

图1是示出根据本发明实施例的电子设备的示意图。通过举例，但 是不限于所举的例子，电子设备100可以是移动设备，例如手机。电子 设备100包括但不限于处理系统102和管理电路104。在图1中，处理系 统102和管理电路104以分离的电路模块示出。然而，这并不意味着是 对本发明的限定。在可选的设计中，处理系统102和管理电路104可以 集成到相同的芯片中。

处理系统102可以包括一个或者多个处理器，并且每个处理器可以 具有单核或者多核。在该实施例中，处理系统102包括中心处理单元 (CPU)106和图形处理单元(GPU)108。处理系统102用于在电子设 备100上执行应用程序APP，其中CPU106可以与GPU108协同处理应 用程序APP的操作。

管理电路104用于在应用程序APP的执行期间检测应用程序APP的 操作特性，分析所检测的应用程序APP的操作特性以生成应用程序识别 结果RT_APP，以及至少根据应用程序识别结果RT_APP来配置应用程序相关 任务。在该实施例中，管理电路104包括应用程序特性数据库112、分类 单元114、控制单元116和机器学习单元118。当电子设备100通电时， 可以在芯片非易失性存储器(未示出)上存储和更新应用程序特性数据 库112。可选地，当电子设备100断电时，应用程序特性数据库112可以 存储于芯片非易失性存储器(未示出)内，而当电子设备100通电时， 应用程序特性数据库112可以载入易失性存储器(未示出)内和在该易 失性存储器(未示出)上进行更新。简单地说，本发明在应用程序特性 数据库112的存储方案上不受限制。

应用程序特性数据库112设置为存储不同应用程序的操作特性用以 识别在电子设备100上运行的当前应用程序。所述存储的操作特性可以 包括在制造电子设备100之前获得的预生成操作特性，和/或在电子设备 100运行时间期间获得的机器学习操作特性。举一个例子来说，当电子设 备100首次通电时，应用程序特性数据库112具有最初存储其中的预生 成操作特性，而在电子设备100开始运行后更新应用程序特性数据库112 以包括机器学习操作特性。举另外一个例子来说，当电子设备100首次 通电时，电子设备100具有空的应用程序特性数据库，而在电子设备100 开始运行后创建应用程序特性数据库112和更新应用程序特性数据库112 以包括机器学习操作特性。

如图1所示，应用程序特性数据库112可以存储多个特定应用程序 APP₁-APP_N的操作特性B₁-B_N。基于应用程序特性数据库112的实际设计， 特定应用程序APP₁-APP_N可以具有单独的预定应用程序(其在制造电子 设备100时是已知的)，单独的新应用程序(其在制造电子设备100时未 知并且在电子设备100上运行时被识别)，或者至少一个预定应用程序和 至少一个新的应用程序的组合。

在优选的实施例中，操作特性B₁-B_N是预生成操作特性，而特定应用 程序APP₁-APP_N是预定应用程序。特别地，在制造电子设备100和将电 子设备100运送到市场之前，可以确定应用程序特性数据库112。通过这 种方式，可以放松对电子设备100上的实时数据库更新的要求。请参考 图2，它是说明根据本发明实施例的计算预生成操作特性B₁-B_N的示意图。 例如，制造商可以选择多个用户频繁使用的应用程序APP₁-APP_N作为测 试的预定应用程序。每个预定应用程序APP₁-APP_N可以被测试几次。例 如，每个测试结果可以包括应用程序启动信息(launchinformation)和应 用程序运行时间信息(applicationrun-timeinformation)。应用程序启动信 息是在启动应用程序时获得的，并且可以包括加载共享库、过程虚拟内 存映射(processvirtualmemorymap)和/或系统调用历史。值得注意的是， 这仅是为了说明的目的，而不意味着对本发明的限制。在可替代的设计 中，应用程序启动信息可以通过参考上述系统信息和/或其他系统信息来 获得。

应用程序运行时间信息是在应用程序的有效运行时间内获得的，并 且可以包括芯片结点温度(diejunctiontemperature)、印刷电路板(PCB) 温度、CPU/GPU/存储器的利用率和/或电流消耗。当应用程序开始使用 CPU/GPU资源以使得CPU/GPU的利用率超过利用率阈值(例如80％) 时，有效运行时间开始，并且当CPU/GPU的利用率下降至低于利用率阈 值且持续预定的时间段时，有效运行时间结束。然而，上述有效运行时 间的定义仅仅是一个例子。也就是说，可以根据实际的设计考虑调整有 效运行时间的定义。使用所建议的应用程序运行时间信息的任何应用程 序特性的设计都将落入本发明的范围。

机器学习技术应用于测试过程收集的预定应用程序APP₁-APP_N的已 知应用程序特性知识。机器学习技术基于一组启动信息和一组运行时间 信息为每个预定应用程序生成训练操作特性。通过这种方式，由预生成 操作特性B₁-B_N创建应用程序特性数据库112并且将其写入芯片非易失性 存储器，芯片非易失性存储器例如为闪存。在该实施例中，每个预生成 操作特性B₁-B_N包括预生成启动特性(例如，B₁_1-B_N_1)以及预生成运 行时间特性(例如，B₁_2-B_N_2)，所述预生成启动特性是由收集的启动 信息的机器学习结果得到的，而所述预生成运行时间特性是由收集的运 行时间信息的机器学习结果得到的。

分类单元114与处理系统102和应用程序特性数据库112耦合，并且 分类单元114设置为在执行应用程序APP期间检测应用程序APP的操作 特性B_D，以及通过检查所检测的应用程序APP的操作特性B_D是否被归 类为特定应用程序APP₁-APP_N的操作特性B₁-B_N之一来确定应用程序识 别结果RT_APP(例如，预定应用程序的预生成操作特性和/或新的应用程 序的训练操作特性)。在该实施例中，所检测的操作特性B_D包括检测的 启动特性B_D_1和/或至少一个检测的运行时间特性B_D_2。请参考图3， 它是说明根据本发明实施例的检测在电子设备上运行的应用程序的操作 特性的操作示意图。当通过处理系统102的CPU106下载和执行应用程序 APP的程序代码时，在电子设备100上启动应用程序APP。因此，分类 单元114通过检测应用程序启动信息来获得所检测的启动特性B_D_1，应 用程序启动信息例如加载共享库、进程虚拟内存映射和/或系统调用历史。 这仅仅是为了说明的目的，而不意味着对本发明的限制。可选地，应用 程序启动信息可以通过参考上述系统信息和/或其他系统信息来获得。

对于某一应用程序，例如基准测试应用程序，该应用程序将在启动 后等待用户输入来开始它的主要功能(mainfunction)。因此，在输入用 户输入之前CPU/GPU利用率是较低的。换言之，在应用程序启动时间与 应用程序开始大量地使用CPU/GPU资源时间之间可以存在时间偏移。为 了更准确地检测应用程序的运行时间特性，因此分类单元114配置为检 测在应用程序的有效运行时间期间的应用程序运行时间信息。如上所述， 当应用程序开始使用CPU/GPU资源以使得CPU/GPU的利用率超过利用 率阈值TH(例如80％)时，有效运行时间开始，而当CPU/GPU的利用 率下降至低于利用率阈值TH且持续预定的时间周期P时有效运行时间结 束。请注意，根据实际的设计考虑，可以调整有效运行时间的定义。也 就是说，使用有效运行时间的不同定义在另一个运行时间特性检测设计 中是可行的。在该实施例中，分类单元114可以配置为通过周期性地检 测应用程序运行时间信息来获得至少一个检测的运行时间特性B_D_2，应 用程序运行时间信息例如为芯片结点温度、印刷电路板(PCB)温度、 CPU/GPU/存储器的利用率和/或者电流消耗。

应用程序识别结果RT_APP是基于所检测的应用程序APP的操作特性 B_D是否可以被归类为特定应用程序APP₁-APP_N的操作特性B₁-B_N中的一 个而建立的。换言之，分类单元114参考所检测的操作特性B_D，用以决 定应用程序APP是否是特定应用程序APP₁-APP_N中的一个。由于所检测 的操作特性B_D可以包括检测的启动特性B_D_1和/或至少一个检测的运行 时间特性B_D_2，应用程序分类操作可以包括将所检测的启动特性B_D_1 与包括在操作特性B₁-B_N中的所有启动特性相比较，和/或将每一个检测 的运行时间特性B_D_2与包括在操作特性B₁-B_N中的运行时间特性的至少 一部分(即部分或者全部)相比较。考虑到操作特性B₁-B_N是如图2所示 的预生成操作特性的情况，分类单元114可以比较所检测的启动特性 B_D_1和所有预生成启动特性B₁_1-B_N_1和/或比较每个检测的运行时间 特性B_D_2和至少一部分(即部分或者全部)预生成运行时间特性B₁_2- B_N_2。

在优选的实施例中，由于所检测的操作特性B_D可以包括一个检测的 启动特性B_D_1和/或至少一个检测的运行时间特性B_D_2，分类单元114 可以至少涉及所检测的启动特性B_D_1来确定应用程序识别结果RT_APP。 当获得所检测的启动特性B_D_1时，分类单元114比较所检测的启动特性 B_D_1和包括在特定应用程序APP₁-APP_N的操作特性B₁-B_N中的启动特性 (例如，B₁_1-B_N_1)。如果所检测的启动特性B_D_1和每个启动特性(例 如，B₁_1-B_N_1)之间的相似性没有超过第一预定相似性阈值，分类单元 114直接建立应用程序识别结果RT_APP以表明应用程序APP是新的应用 程序(也就是，应用程序APP没有被归类为特定应用程序APP₁-APP_N的 其中之一)，并且不需要检测应用程序运行时间信息来获得至少一个检测 的运行时间特性B_D_2。

如果所检测的启动特性B_D_1和至少一个启动特性(例如，B₁_1- B_N_1)之间的相似性超过第一预定相似性阈值，分类单元114从特定应 用程序APP₁-APP_N中选择至少一个特定应用程序，其中由于所检测的启 动特性B_D_1和启动特性之间的相似性超过第一预定相似性阈值，每个选 择的特定应用程序具有与所检测的启动特性B_D_1相似/相同的启动特性。 此外，分类单元114进一步检测应用程序运行时间信息以获得至少一个 检测的运行时间特性B_D_2，并且基于比较所检测的启动特性B_D_1和启 动特性(例如，B₁_1-B_N_1)的结果，比较每个检测的运行时间特性和从 特定应用程序APP₁-APP_N中选择的至少一个特定应用程序的运行时间特 性(一个或多个)。

考虑每个检测的运行时间特性B_D_2，分类单元114检查在所检测的 运行时间特性B_D_2和选择的特定应用程序的运行时间特性之一之间的相 似性是否超过第二预定相似性阈值，其中用于检查所检测的运行时间特 性B_D_2的第二预定相似性阈值可以与用于检查所检测的启动特性B_D_1 的第一预定相似性阈值相同或者不同。例如，由于所检测的运行时间特 性和特定运行时间特性之间的相似性超过第二预定相似性阈值，发现检 测的运行时间特性与相同的特定运行时间特性相似/相同，当所述检测的 运行时间特性的数量大于特定的阈值时，分类单元114将建立应用程序 识别结果RT_APP来表明当前在电子设备100上运行的应用程序APP被归 类为一个特定应用程序(该应用程序是基于比较所检测的启动特性B_D_1 和操作特性B₁-B_N中的启动特性(例如，B₁_1-B_N_1)的结果而从特定应 用程序APP₁-APP_N中选择的至少一个应用程序的其中之一，以及进一步 具有与至少一个检测的运行时间特性B_D_2最相似的特定运行时间特性)。

然而，如果满足相似/相等条件的所述检测的运行时间特性的数量并 不大于特定的阈值时，分类单元114将建立应用程序识别结果RT_APP来 表明应用程序APP是新的应用程序(也就是说，应用程序APP不能够被 归类为特定应用程序APP₁-APP_N之一)，所述的相似/相等条件为如果所 检测的运行时间特性和特定运行时间特性之间的相似性超过第二预定相 似性阈值，发现每个检测的运行时间特性与相同的特定运行时间特性相 似/相等。

当应用程序识别结果RT_APP表明应用程序APP是新的应用程序时， 机器学习单元118起作用以更新应用程序特性数据112，以便更新的应用 程序特性数据库112将应用程序APP记录为新的特定应用程序并且进一 步将训练操作特性记录为新增的特定应用程序的操作特性。如同预生成 操作特性，训练操作特性可以包括应用程序启动信息和运行时间信息。

请参考图4，它是说明根据本发明实施例的更新应用程序特性数据库 112的操作示意图。当启动应用程序APP时，在执行应用程序APP期间， 包括启动特性B_D_1和至少一个运行时间特性B_D_2的应用程序APP的操 作特性B_D默认地由机器学习单元118进行记录。当应用程序识别结果 RT_APP表明应用程序APP没有被归类为特定应用程序APP₁-APP_N中的一 个时，机器学习单元118进一步设置为基于所记录的应用程序APP的操 作特性获得应用程序APP的训练操作特性B_NEW，以及在应用程序APP 运行结束后，将该应用程序APP的训练操作特性B_NEW增加到应用程序特 性数据库112中。通过这种方式，除了特定应用程序APP₁-APP_N索引的 原始条目，更新的应用程序特性数据库112将具有新的条目，该新的条 目由应用程序APP索引并且具有存储于其中的训练操作特性B_NEW。

总之，如果当电子设备100首次通电时应用程序特性数据库112具 有最初存储于其中的预生成操作特性，则每当当前运行在电子设备100 上的应用程序被归类为新的应用程序时，可以更新应用程序特性数据库 112以包括新的应用程序的训练操作特性。因此，如果没有执行新的应用 程序的实时数据库更新，上述特定的应用程序APP₁-APP_N可以仅包括预 定的应用程序；以及如果已经执行新的应用程序的实时数据库更新，上 述特定的应用程序APP₁-APP_N可以包括至少一个预定应用程序和至少一 个新的应用程序的组合。然而，如果当电子设备100首次通电时电子设 备100具有空的应用程序特性数据库，在电子设备100开始运行之后可 以创建和更新应用程序特性数据库112以包括机器学习操作特性。因此， 上述特定的应用程序APP₁-APP_N可以只包括新的应用程序(它不是在制 造电子设备100时已知的预定应用程序)。

控制单元116设置为至少根据应用程序识别结果RT_APP来配置应用 程序相关任务。在该实施例中，当应用程序识别结果RT_APP表明应用程 序APP没有被归类为特定应用程序APP₁-APP_N中的一个时，控制单元116 通过默认的任务设置SET_default配置应用程序相关任务。例如，在应用程 序相关任务是DTM任务的情况下，所述默认的任务设置SET_default是默认 的热策略。

控制单元116可以配置为具有特定应用程序APP₁-APP_N的应用程序 特征信息的知识。例如，每个特定应用程序的应用程序特征信息可以记 录特定应用程序的预期运行时间/执行时间(也就是说，特定应用程序将 使用CPU/GPU多久),所期望的CPU/GPU工作负荷，系统数据资源的使 用，以及/或者系统寻呼资源的使用等等。此处所述的应用程序特征信息 可包括但不限于上文所述的应用程序特性。因此，当应用程序识别结果 RT_APP表明应用程序APP被归类为特定应用程序APP₁-APP_N中的一个时， 控制单元116至少基于应用程序APP的应用程序特征信息来确定任务设 置SET_best(例如，应用程序APP将使用CPU106/GPU108多久，如匹配 特定应用程序的已知应用程序特性信息所示)，以及通过设置任务设置 SET_best的任务配置应用程序相关任务。例如，任务设置SET_best可以根据 实际的设计考虑通过计算或者查表来确定。

优选地，控制单元116基于应用程序APP的应用程序特征信息和附 加参考信息(例如环境信息)来确定任务设置SET_best。在应用程序相关 任务是DTM任务的情况下，所述任务设置是应用程序APP的计算的热 策略。环境信息可以包括芯片拐角/泄露(chipcorner/leakage)、环境温度 等等。在本发明的一个示例性设计中，任务设定SET_best可以是包括 CPU/GPU功率预算约束和/或者芯片结点温度上升斜率约束的热策略。例 如，CPU/GPU的功率预算约束可以包括频率设置和热插拔设置，其中频 率设置规定CPU106的操作时钟速度和GPU108的操作时钟速度，热插 拔设置规定加电的CPU核的数目和加电的GPU核的数目。所述芯片结点 温度上升斜率约束可以包括在不同的时钟速度之间转换CPU106的频率 以及在不同的操作时钟速度之间转换GPU108的频率。

请参考图5，它是说明根据本发明实施例的不同热策略的示意图。热 策略应被适当地设计成：为应用程序获取期望功率预算控制。因此，可 以采用不同的热策略来分别满足不同的功率预算控制要求。例如，基于 第一应用程序的应用程序特征信息(例如具有5分钟的运行时间/执行时 间的应用程序)，为了更好的热节流控制，控制单元116可以选择第一热 策略TS1；基于第二应用程序的应用程序特征信息(例如具有3分钟的运 行时间/执行时间的应用程序)，为了更好的热节流控制，控制单元116可 以选择第二热策略TS2；以及基于第三应用程序的应用程序特征信息(例 如具有0.5分钟的运行时间/执行时间的应用程序)，为了更好的热节流控 制，控制单元116可以选择第三热策略TS3。

总之可以通过如下方案来优化应用程序性能:应用识别应用程序的机 器学习技术，了解所识别的应用程序的进一步特性。以及至少基于已知 的应用程序特征确定最佳的热策略。值得注意的是，TDM任务仅是应用 程序相关任务的一个例子。所提出的应用程序识别技术可参与配置除了 TDM任务之外的应用程序相关任务。这也落入本发明的范围之内。

图6是说明根据本发明实施例的用于配置应用程序相关任务的方法 的流程图。若是结果基本相同，则不需要按照图6所示的确切顺序来执 行步骤。电子设备100可以采用该例性方法，并且示例性方法可以简要 地总结如下：

步骤600：开始。

步骤602：在执行应用程序期间检测应用程序的操作特性。

步骤604：通过检查所检测的应用程序的操作特性是否被归类为在应 用程序特性数据库中的特定应用程序的操作特性之一来确定应用程序识 别结果。

步骤606：检查应用程序识别结果是否表明应用程序被归类为特定应 用程序之一。如果是，转到步骤614；否则，转到步骤608。

步骤608：基于在执行应用程序期间获得的应用程序的记录的操作特 性来执行机器学习过程以获得训练的操作特性。

步骤610：将应用程序的训练的操作特性增加到应用程序特性数据库 中。

步骤612：通过默认任务设置(例如默认的热策略)配置应用程序相 关任务(例如，热动态热管理任务)。转到步骤618。

步骤614：至少基于所识别的应用程序的应用程序特征信息确定任务 设置。

步骤616：通过确定的任务设置来配置应用程序相关任务。

步骤618：结束。

由于本领域的技术人员在阅读上述内容之后能很容易地理解图6所 示的每个步骤的细节，所以为了简洁起见这里省略了进一步的描述。

本领域的技术人员将很容易注意到，可以根据本发明的教导对设备 和方法进行许多修改和改变。因此，上述公开的内容应当被理解为仅由 所附权利要求的界限和范围所限定。