[发明专利]预测电子设备上运行应用的线程的最优数量的方法和系统

权利要求书

1.一种用于预测用于电子设备中的应用的线程的最优数量的方法，包括：

由应用线程控制器从所述应用实时地接收预测将产生的线程的数量的请求；

由所述应用线程控制器响应于从所述应用接收到的请求来测量所述电子设备的当前状态；

由所述应用线程控制器基于调度器行为模型和所述电子设备的当前状态来预测针对所述应用将产生的线程的数量；以及

由所述应用线程控制器基于所述预测来推荐将由所述应用产生的线程的数量。

2.根据权利要求1所述的方法，其中，所述电子设备的当前状态指示当前CPU负载、当前RAM使用、当前温度、当前存储器状态、所述电子设备中的激活的核的数量以及当前电池条件。

3.根据权利要求1所述的方法，其中，所述调度器行为模型包括与一个或多个设备状态相对应的多个调度器行为配置、与所述多个调度器行为配置相对应的所述应用的运行时以及与所述多个调度器行为配置相对应的所产生的线程计数。

4.根据权利要求1所述的方法，其中，由所述应用线程控制器基于所述调度器行为模型和所述电子设备的当前状态来预测针对所述应用将产生的线程的数量包括：

识别用于所述电子设备的当前状态的多个调度器行为配置；

从所述多个调度器行为配置中选择调度器行为配置，其中，所选择的调度器行为配置导致针对所述电子设备的当前状态的应用的最小运行时；以及

通过选择与所选择的调度器行为配置相对应的线程计数来预测针对所述应用将产生的线程的数量。

5.根据权利要求4所述的方法，其中，由所述应用线程控制器针对所述电子设备的各种状态动态地学习所述多个调度器行为配置，其中，每个调度器行为配置指示所述电子设备的状态、所述应用在所述电子设备的状态花费的时间以及在所述电子设备的状态产生的线程计数。

6.根据权利要求1所述的方法，进一步包括：

训练机器学习模型，包括：

基于由所述应用使用的线程的数量来将训练数据划分到互斥的子集中，以及

训练回归模型以预测针对每个线程的所述应用的运行时。

7.根据权利要求6所述的方法，其中，所述训练数据包括存储器使用、激活的核的数量或CPU负载中的至少一个。

8.一种用于预测用于应用的线程的最优数量的电子设备，包括：

存储器，包括应用；

处理器；和

应用线程控制器，耦合到所述存储器和所述处理器，其中，所述应用线程控制器被配置为：

从所述应用实时地接收预测将产生的线程的数量的请求，

响应于从所述应用接收到的请求来测量所述电子设备的当前状态，

基于调度器行为模型和所述电子设备的当前状态来预测针对所述应用将产生的线程的数量，以及

基于所述预测来推荐将由所述应用产生的线程的数量。

9.根据权利要求8所述的电子设备，其中，所述电子设备的当前状态指示当前CPU负载、当前RAM使用、当前温度、当前存储器状态、所述电子设备中的激活的核的数量以及当前电池条件。

10.根据权利要求8所述的电子设备，其中，所述调度器行为模型包括与一个或多个设备状态相对应的多个调度器行为配置、与所述多个调度器行为配置相对应的所述应用的运行时以及与所述多个调度器行为配置相对应的所产生的线程计数。

11.根据权利要求8所述的电子设备，其中，基于所述调度器行为模型和所述电子设备的当前状态来预测针对所述应用将产生的线程的数量包括：

识别用于所述电子设备的当前状态的多个调度器行为配置；

从所述多个调度器行为配置中选择调度器行为配置，其中，所选择的调度器行为配置导致针对所述电子设备的当前状态的应用的最小运行时；以及

通过选择与所选择的调度器行为配置相对应的线程计数来预测针对所述应用将产生的线程的数量。