程序识别结果RTAPP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Bd_1和操作特性1-?中的启动特性(例如，Β^Ι-Β,,Ι)的结果而从特定应用程序ΑΡΡ^ΑΡ^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Bd_2最相似的特定运行时间特性)。
[0030]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RTAPP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APPfAPPN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。
[0031]当应用程序识别结果RTAPP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。
[0032]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Bd_1和至少一个运行时间特性Bd_2的应用程序APP的操作特性BD默认地由机器学习单元118进行记录。当应用程序识别结果RTAPP表明应用程序APP没有被归类为特定应用程序APP fAPPN*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Bnew，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BNEW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APP rAPPN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Bnew。
[0033]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-APh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APPfAPh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-APh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)。
[0034]控制单元116设置为至少根据应用程序识别结果RTAPP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RTAPP表明应用程序APP没有被归类为特定应用程序APP「APPN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SETdefault是默认的热策略。
[0035]控制单元116可以配置为具有特定应用程序ΑΡΡ^ΑΡ^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RTAPP表明应用程序APP被归类为特定应用程序APPfAPPN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SETbest (例如，应用程序APP将使用CPU 106/GPU 108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SETbest的任务配置应用程序相关任务。例如，任务设置SETtest可以根据实际的设计考虑通过计算或者查表来确定。
[0036]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SETbest。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SETbest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CPU 106的操作时钟速度和GPU 108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CPU 106的频率以及在不同的操作时钟速度之间转换GPU 108的频率。
[0037]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。
[0038]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。
[0039]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:
[0040]步骤600:开始。
[0041]步骤602:在执行应用程序期间检测应用程序的操作特性。
[0042]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。
[0043]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。
[0044]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。