设备控制方法、装置以及电子设备与流程

1.本技术涉及计算机技术领域，更具体地，涉及一种设备控制方法、装置以及电子设备。


背景技术：

2.随着科技的进步，越来越多的智能终端设备(如：电脑、手机等)进入我们的生活。但是智能终端设备在长时间高负荷运行时会造成持续的高电流，从而产生巨大的发热。在智能终端设备产热超过设备自身的散热能力的情况下，智能终端设备的温度会不断升高，进而影响用户体验。
3.在相关方式中，可以对智能终端设备进行温度检测，并根据温度检测结果相应调整智能终端设备的运行参数，但相关方式还存在运行参数调整不及时的问题。


技术实现要素：

4.鉴于上述问题，本技术提出了一种设备控制方法、装置以及电子设备，以实现改善上述问题。
5.第一方面，本技术提供了一种设备控制方法，获取目标设备当前的负载数据和指定器件的温度数据；基于所述负载数据得到所述目标设备的温度变化趋势；基于所述指定器件的温度数据以及所述温度变化趋势，调整所述目标设备的运行参数，所述运行参数表征所述目标设备的硬件资源使用情况。
6.第二方面，本技术提供了一种设备控制方法，应用于设备控制系统，所述设备控制系统包括目标设备和云平台，所述方法包括：所述目标设备向所述云平台发送所述目标设备当前的负载数据和指定器件的温度数据；所述云平台基于所述负载数据得到所述目标设备的温度变化趋势；所述云平台基于所述指定器件的温度数据以及所述温度变化趋势，向所述目标设备发送参数调整指令，所述参数调整指令用于调整所述目标设备的运行参数，所述运行参数表征所述目标设备的硬件资源使用情况；所述目标设备响应于所述云平台发送的参数调整指令，调整所述目标设备的运行参数。
7.第三方面，本技术提供了一种设备控制装置，所述装置包括：数据获取单元，用于获取目标设备当前的负载数据和指定器件的温度数据；温度变化趋势获取单元，用于基于所述负载数据得到所述目标设备的温度变化趋势；参数调整单元，用于基于所述指定器件的温度数据以及所述温度变化趋势，调整所述目标设备的运行参数，所述运行参数表征所述目标设备的硬件资源使用情况。
8.第四方面，本技术提供了一种设备控制系统，所述设备控制系统包括目标设备和云平台，其中：所述目标设备用于向所述云平台发送所述目标设备当前的负载数据和指定器件的温度数据；响应于所述云平台发送的参数调整指令，调整所述目标设备的运行参数；所述云平台用于基于所述负载数据得到所述目标设备的温度变化趋势；基于所述指定器件的温度数据以及所述温度变化趋势，向所述目标设备发送参数调整指令，所述参数调整指
令用于调整所述目标设备的运行参数，所述运行参数表征所述目标设备的硬件资源使用情况。
9.第五方面，本技术提供了一种电子设备，包括一个或多个处理器以及存储器；一个或多个程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序配置用于执行上述的方法。
10.第六方面，本技术提供的一种计算机可读存储介质，所述计算机可读存储介质中存储有程序代码，其中，在所述程序代码运行时执行上述的方法。
11.本技术提供的一种设备控制方法、装置、电子设备以及存储介质，在获取目标设备当前的负载数据和指定器件的温度数据后，基于所述负载数据得到所述目标设备的温度变化趋势，基于所述指定器件的温度数据以及所述温度变化趋势，调整所述目标设备的表征所述目标设备的硬件资源使用情况的运行参数。通过上述方式使得，可以通过获取目标设备当前的负载数据得到目标设备的温度变化趋势，从而可以基于所述指定器件的温度数据以及所述温度变化趋势对目标设备的发热情况进行预估，进而可以基于预估结果提前对目标设备的运行参数进行调整，避免目标设备产生巨大发热，从而提高了用户体验。
附图说明
12.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
13.图1示出了本技术实施例提出的一种设备控制方法的流程图；
14.图2示出了本技术实施例提出的一种设备控制方法的流程图；
15.图3示出了本技术提出的一种预设温度变化区间对应的温度变化趋势的示意图；
16.图4示出了本技术另一实施例提出的一种设备控制方法的流程图；
17.图5示出了本技术再一实施例提出的一种设备控制方法的流程图；
18.图6示出了本技术实施例提出的一种设备控制装置的结构框图；
19.图7示出了本技术实施例提出的一种设备控制系统的结构框图；
20.图8示出了本技术提出的一种电子设备的结构框图；
21.图9是本技术实施例的用于保存或者携带实现根据本技术实施例的设备控制方法的程序代码的存储单元。
具体实施方式
22.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
23.随着科技的进步，智能终端设备(如：电脑、手机等)越来越普及。但是智能终端设备在长时间高负荷运行时会造成持续的高电流，从而产生巨大的发热，影响了用户体验。在相关方式中，可以对智能终端设备进行温度检测，并根据温度检测结果相应调整智能终端设备的运行参数。
24.发明人在对相关研究中发现，相关方式还存在运行参数调整不及时的问题。
25.因此，发明人提出了本技术中的一种设备控制方法、装置以及电子设备，在获取目标设备当前的负载数据和指定器件的温度数据后，基于所述负载数据得到所述目标设备的温度变化趋势，基于所述指定器件的温度数据以及所述温度变化趋势，调整所述目标设备的表征所述目标设备的硬件资源使用情况的运行参数。通过上述方式使得，可以通过获取目标设备当前的负载数据得到目标设备的温度变化趋势，从而可以基于所述指定器件的温度数据以及所述温度变化趋势对目标设备的运行参数及时进行调整，避免目标设备产生巨大发热，从而提高了用户体验。
26.请参照图1，为本技术实施例的一种应用环境示意图。其中，图1提供了一种设备控制系统10，该设备控制系统包括目标设备100、云平台200。其中，目标设备100可以包括个人电脑(personal computer，pc)、平板电脑、智能手机、个人数字助理(personal digital assistant，pda)、智能面板等，在此不做限定。目标设备100都可以通过网络与云平台200进行通信连接。
27.在一些实施例中，可以通过云平台200中获取目标设备当前的负载数据和指定器件的温度数据，并基于负载数据得到目标设备的温度变化趋势，基于指定器件的温度数据以及温度变化趋势，调整目标设备的运行参数。
28.另外，在本技术实施例中，所提供的设备控制方法可以由电子设备目标设备10独立执行。
29.为了更好地理解本技术实施例的方案，下面先对本技术实施例所使用的技术名词解释。
30.线性拟合：是曲线拟合的一种形式。假设x和y都是可以被观测的量，且y是x的函数：y＝f(x；b)，则曲线拟合可以表示为通过x、y的观测值来寻求参数b的最佳估计值，及寻求最佳的理论曲线y＝f(x；b)。
31.智能代理体(agent)：是指在人工智能领域中具有智能的实物体，智能代理体能够在实施一定的动作(action)以后，观测出这个行为与环境(environment)进行交互后所能得到的结果，尝试学会改进自己的行为动作从而来提升自己所做出的动作最终能够得到的奖励，最终达到奖励(reward)最大值。
32.强化学习(reinforcement learning，rl)算法：属于机器学习的一个分支，强化学习算法的核心思想是可以模拟出一种人类基于经验成长的学习思路，也能说是受到了心理学的启发，从而发展出来的一种算法。强化学习算法可以产生完全自主的智能代理体，该智能代理体能够在实施一定的动作以后，观测出这个行为与环境进行交互后所能得到的结果，尝试学会改进自己的行为动作从而来提升自己所做出的动作最终能够得到的奖励。
33.深度强化学习算法：是指使用深度神经网络(deep neural networks，dnn)来进行状态值模拟以及更新的强化学习算法。
34.dqn(deep q network，深度q网络)算法：属于深度强化学习算法中的一种，dqn可以包含两个网络结构相同的dnn，其中一个dnn可以用于估计所有动作的q值，被称为评估q网络q＝(s,a；θ)，另一个dnn可以用于获得训练的q值被称为目标q网络q＝(s
′
,a
′
；θ-)，其中θ和θ-分别为这两个dnn的权重参数，θ可以不断更新，θ-可以通过每隔一段时间将θ直接赋值的方式更新。因此，可以通过上述更新方式在一段时间内保持两个权重参数的差异，利用
评估q值和目标q值的差值计算损失函数，并在每一步训练中朝着最小化损失函数的趋势更新dnn的权重参数。并且，为了克服因经验数据样本的相关性引起的动作值的振荡和不稳定问题，dqn可以采用经验重放策略，将状态更新情况以(s,a,r,s
′
)存放在经验回放池中。经验回放池的容量是有限的，存满后，新的经验可以从头开始替换旧的经验，从而使得在更新权重参数时，可以不必只使用当前的经验(s,a,r,s
′
)，而是从经验池中随机抽取小批量的经验来训练dnn，随机取样打破了数据间的关联性，进而可以使得最优策略对应的损失函数不会陷入到局部极小值。
35.下面将结合附图对本技术的实施例进行介绍。
36.请参阅图2，本技术提供的一种设备控制方法，所述方法包括：
37.s110：获取目标设备当前的负载数据和指定器件的温度数据。
38.其中，目标设备可以是电子设备，例如，智能终端设备等。负载数据可以是动力设备(如电子设备等)在运行时所产生、转换、消耗的功率等，以目标设备为智能终端设备为例，目标设备当前的负载数据可以包括帧间隔、cpu(central processing unit，中央处理器)负载、gpu(graphics processing unit，图形处理器)负载、ddr(double data rate，双倍速率同步动态随机存储器)负载、cache(缓存)频率、gpu带宽、gpu延迟、电池电流、每秒指令数(instructions per seconds，ips)。在本技术实施例中，指定器件对应的温度数据会用于作为调整目标设备的运行参数的参考依据。指定器件可以包括soc(system on chip，系统级芯片)组件、电池组件、通信组件、图像采集组件等，其中，soc组件可以包括cpu、gpu、ddr、cache等硬件。其中，指定器件的温度数据可以是指定器件周围的温度传感器所检测到的当前温度值。
39.需要说明的是，在本技术实施例提供的方法由云平台执行的情况下，作为一种方式，云平台可以向目标设备发送数据获取指令，目标设备在接收到该数据获取指令后可以向云平台发送当前的负载数据和指定器件的温度数据。作为另一种方式，目标设备也可以通过网络将当前的负载数据和指定器件的温度数据主动发送至云平台。
40.可选的，云平台可以基于该云平台所绑定的多个设备各自对应的唯一身份标识码来确定目标设备。
41.可选的，目标设备的控制单元(如：cpu、mcu(microcontroller unit，微控制单元)等)可以向负载数据所对应的器件以及指定器件发送数据获取指令，以得到当前的负载数据和指定器件的温度数据。
42.可选的，目标设备当前的负载数据和指定器件的温度数据的获取可以是实时的，也就是说可以每隔一个固定且较短的时间间隔(如1秒)就获取一次当前的负载数据和指定器件的温度数据，此时通过步骤s110获取的是最新的负载数据和指定器件的温度数据。
43.s120：基于所述负载数据得到所述目标设备的温度变化趋势。
44.其中，温度变化趋势可以是指目标设备的温度在从当前时刻开始在未来一段时间的变化情况，例如：温度升高、降低等。
45.作为一种方式，可以先基于负载数据以及深度强化学习算法，得到目标设备的温度变化趋势类别，再基于温度变化趋势类别以及目标设备的预设温度变化区间，确定温度变化趋势，预设温度变化区间表征预设时间后的温度相对于当前温度的最大波动区间。
46.其中，深度强化学习算法可以包括dqn算法、double dqn(双深度q网络)算法等。预
设温度变化区间可以是基于多次试验而设定的预设时间后的温度相对于当前温度的最大波动区间。其中，预设时间也可以基于多次试验确定。例如，当预设温度变化区间为1℃时，预设时间后的温度相对于当前温度的最大波动区间可以是-0.5℃～+0.5℃。
47.温度变化趋势类别可以表征在预设温度变化区间内，预测温度与当前温度的温度变化趋势。例如，当预设温度变化区间为1℃，温度变化趋势类别包括5类(如-2、-1、0、+1、+2这5类)时，每个类别所对应的波动范围为1/5＝0.2℃，如图3所示，类别-2所对应的温度变化趋势为-0.5℃～-0.3℃，类别-1所对应的温度变化趋势为-0.3℃～-0.1℃，类别0所对应的温度变化趋势为-0.1℃～+0.1℃，类别1所对应的温度变化趋势为+0.1℃～+0.3℃，类别2所对应的温度变化趋势为+0.3℃～+0.5℃。
48.可选的，当深度强化学习算法为dqn算法时，可以将当前的负载数据输入dqn算法所包括的dnn中，以得到目标设备的温度变化趋势类别，再基于温度变化趋势类别以及目标设备的预设温度变化区间，确定温度变化趋势。
49.s130：基于所述指定器件的温度数据以及所述温度变化趋势，调整所述目标设备的运行参数，所述运行参数表征所述目标设备的硬件资源使用情况。
50.其中，目标设备的运行参数可以包括cpu频率、gpu频率、ddr频率、帧率等，帧率可以是指游戏画面的帧率，还可以指目标设备的屏幕刷新率。
51.作为一种方式，先可以基于指定器件的温度数据以及温度变化趋势得到目标设备在预设时间后的预测温度，再基于预设时间后的预测温度调整目标设备的运行参数。
52.可选的，可以按照预先设置的运行参数调整策略以及目标设备当前的运行状态对目标设备的运行参数进行调整，目标设备当前的运行状态可以包括当前的运行参数对应的值、正在运行的应用程序等。示例性的，若预先设置的运行参数调整策略为当目标设备的温度为40℃时，需要将游戏类应用程序的帧率限制在50帧以内，cpu频率设置为1.5ghz，当目标设备的预测温度为40℃时，可以获取当前cpu频率，若cpu频率超过了1.5ghz，则可以将频率限制到1.5ghz；若检测到目标设备正在执行游戏类应用程序时，还可以将游戏类应用程序的帧率的上限设置为50帧。
53.作为另一种方式，可以将当前的指定器件的温度数据与对应的温度阈值进行比较，若指定器件的温度数据超过对应的温度阈值，且温度变化趋势是上升趋势，则可以调整目标设备的运行参数。
54.可选的，当指定器件有多个时，指定器件的温度数据超过对应的温度阈值可以是多个指定器件中只要有一个指定器件的温度数据超过对应的温度阈值，也可以是多个指定器件的温度都超过各自对应的温度阈值。
55.示例性的，指定器件可以包括soc组件、电池组件、通信组件、图像采集组件，上述各个组件对应的温度阈值分别可以为：a、b、c、d，当前的指定器件的温度数据分别可以为：a、b、c、d，其中，a》a、b《b、c《c、d《d，温度变化趋势是上升趋势，若指定器件的温度数据超过对应的温度阈值指的是多个指定器件中只要有一个指定器件的温度数据超过对应的温度阈值时，则可以调整目标设备的运行参数；若指定器件的温度数据超过对应的温度阈值指的是多个指定器件的温度都超过各自对应的温度阈值时，则可以不必调整目标设备的运行参数。
56.在本技术实施例中，在多个指定器件中只要有一个指定器件的温度数据超过对应
的温度阈值且温度变化趋势是上升趋势时，对目标设备的运行参数进行调整，可以在很好的避免目标设备出现发热现象，但会降低目标设备的性能(如：数据处理的速度等)；在多个指定器件的温度都超过各自对应的温度阈值且温度变化趋势是上升趋势时，对目标设备的运行参数进行调整，可以使目标设备的处于高性能运行状态，但目标设备还存在轻微的发热现象。因此，当指定器件有多个时，可以根据实际情况选择上述两种比较方式(当前的指定器件的温度数据与对应的温度阈值之间进行比较)中的任意一种，从而提高了本技术提出的设备控制方法的灵活性。
57.本实施例提供的一种设备控制方法，在获取目标设备当前的负载数据和指定器件的温度数据后，基于所述负载数据得到所述目标设备的温度变化趋势，基于所述指定器件的温度数据以及所述温度变化趋势，调整所述目标设备的表征所述目标设备的硬件资源使用情况的运行参数。通过上述方式使得，可以通过获取目标设备当前的负载数据得到目标设备的温度变化趋势，从而可以基于所述指定器件的温度数据以及所述温度变化趋势对目标设备的发热情况进行预估，进而可以基于预估结果提前对目标设备的运行参数进行调整，避免目标设备产生巨大发热，从而提高了用户体验。
58.请参阅图4，本技术提供的一种设备控制方法，所述方法包括：
59.s210：获取所述目标设备的设备标识。
60.其中，设备标识可以是用于确认目标设备的器件可以提供温度数据的标识，设备标识可以是目标设备的型号、目标设备的唯一身份标识码等。
61.作为一种方式，当设备标识是目标设备的型号时，云平台可以向目标设备发送一个标识获取指令，目标设备在接收该标识获取指令后向云平台发送目标设备的型号。
62.作为另一种方式，当设备标识是目标设备的唯一身份标识码时，云平台在与目标设备建立通信连接时，就可以确定目标设备的设备标识。
63.s220：基于所述设备标识确定所述目标设备的指定器件。
64.其中，作为一种方式，在获取到设备标识后，可以基于设备标识确认目标设备可以提供温度数据的器件类型，并在目标设备可以提供的温度数据的器件类型中选择一个或者多个器件作为目标设备的指定器件。
65.在本技术实施例中，可以基于设备标识确定目标设备的指定器件，可以使本技术提供的设备控制方法调整不同型号的目标设备的运行参数，提高了本技术提供的设备控制方法的适用性。
66.可选的，在本技术实施例中，还可以有多种的确定指定器件的方式。
67.其中，作为一种方式，可以由开发人员预先配置。在这种方式中，开发人员可以基于不同的器件类型进行多次试验，每个器件类型可以采集有大量的温度数据，每次试验可以是使用单独一个器件类型的温度数据进行线性拟合，以得到预设温度函数；也可以是使用多个器件类型各自对应的温度数据进行线性拟合，以得到预设温度函数。进而可以基于试验结果选择一种或者多种指定器件的配置方案，使得所选择出来的配置方案对应的预设温度函数与目标设备的真实温度差异尽可能小。其中，若存在多种配置方案时，可以再基于设备标识从多种配置方案中选择一种方案，使得该种方案所包括的器件类型是目标设备中可以提供温度数据的器件类型；还可以基于设备标识获取目标设备对应的用户的使用习惯，再基于使用习惯从多种配置方案中选择一种方案，使得该种方案所包括的器件类型是
目标设备中经常出现发热现象且可以提供温度数据的器件。
68.作为另外一种方式，可以根据目标设备当前的运行场景来确定指定器件。需要说明的是，目标设备在处于不同的运行场景时，对不同的器件的使用程度可能会有所不同。例如，在目标设备处于视频聊天、视频会议等日常社交场景时，对于图像采集有关的器件(例如，soc组件、图像采集组件)的使用程度会较高。再例如，在目标设备处于游戏场景时，对进行游戏图像处理的器件(例如，soc组件、电池组件)的使用程度则会更高。可选的，目标设备可以基于当前运行场景下使用程度更高的器件的温度数据来预测未来的温度变换趋势。
69.其中，当检测到目标设备当前的运行场景为日常社交场景，例如：视频聊天、视频会议等场景时，可以将日常社交场景中主要应用到的(即使用程度会较高)且可以提供温度数据的器件作为指定器件(如：soc组件、图像采集组件等)。再例如，当检测到目标设备当前的运行场景为游戏场景时，可以将游戏场景中主要应用到的且可以提供温度数据的器件作为指定器件(如：soc组件、电池组件等)，从而使得可以根据当前实际的运行场景而选择最为适配的指定器件，在选择的指定器件为与当前的运行场景适配的情况下，有利于使得后续计算得到的温度变化趋势更加与实际运行场景适配，进而提升了温度变化趋势预测的准确性。并且，使用程度较低的器件在当前运行场景下因为并不会被过多使用，所以使用程度较低的器件在当前运行场景下并不会对目标设备的温度造成过多影响，再者，不利用使用程度较低的器件的温度数据来预测未来的温度变化趋势，也有利于减少在温度预测过程中所需要采集的数据，以便降低运算量，从而实现在准确的预测未来温度的情况下，可以减少预测过程中的运算量。
70.其中，可以建立有使用程度与运行场景之间的对应关系。从而使得可以根据该对应关系来确定当前使用场景下使用程度较高的器件，以及使用程度较低的器件。
71.s230：获取目标设备当前的负载数据和指定器件的温度数据。
72.s240：基于所述负载数据得到所述目标设备的温度变化趋势。
73.s250：基于所述温度变化趋势得到与所述当前温度的差值。
74.其中，温度变化趋势可以对应有最大值和最小值，差值可以为最大值与最小值的平均值。差值的计算公式如下：
[0075][0076]
其中，示例性的，t
′
max
和t
′
min
可以分别表示温度变化趋势可以对应的最大值和最小值。当温度变化趋势为+0.3℃～+0.5℃时，温度变化趋势对应的最大值为+0.5℃，最小值为+0.3℃，差值可以为：(0.3+0.5)/2＝0.4℃。
[0077]
s260：基于所述差值与所述温度数据得到所述预测温度。
[0078]
作为一种方式，可以将温度数据输入预设温度函数中，以得到目标设备的当前温度，再基于差值与当前温度得到预测温度。其中，目标设备的当前温度可以是指目标设备的壳体温度，预测温度的计算公式如下：
[0079]
t
future
＝t
current
+td[0080]
其中，t
current
可以表示当前温度，td可以表示差值。示例性的，当前温度可以为y，差值可以为x，则预测温度可以为x+y。
[0081]
可选的，预设温度函数由多个目标设备的真实温度以及多个真实温度各自对应的指定器件的温度数据进行线性拟合得到，真实温度可以是基于温度采集设备(如热成像仪等)得到目标设备的壳体温度。
[0082]
可选的，预设温度函数可以是关于温度数据的函数表达式，其中，温度数据可以有多个，每个温度数据可以各自对应有一个温度系数，为了更好地进行线性拟合，预设函数还可以对应有一个温度补偿值。预设函数可以表示为：
[0083]
t＝α1f(t1)+α2f(t2)+...+αnf(tn)+β
[0084]
其中，n可以表示温度数据的个数，t可以表示温度数据，α可以表示温度数据各自对应的温度系数，f(t)可以表示温度数据各自对应的函数关系，例如f(t)＝t、f(t)＝t2等，β可以表示温度补偿值。
[0085]
s270：基于所述预设时间后的预测温度调整所述目标设备的运行参数。
[0086]
本实施例提供的一种设备控制方法，通过上述方式使得，可以通过获取目标设备当前的负载数据得到目标设备的温度变化趋势，从而可以基于所述指定器件的温度数据以及所述温度变化趋势对目标设备的运行参数及时进行调整，避免目标设备产生巨大发热，从而提高了用户体验。并且，在本实施例中，可以基于当前的指定器件的温度数据得到目标设备的当前温度，以及基于当前的负载数据得到目标设备的温度趋势，进而得到目标设备的预测温度，从而可以基于预测温度提前对目标设备的运行参数进行调整，使得当基于预测温度确定目标设备在预设时间后处于大量发热阶段时预先对目标设备的运行参数进行限制，避免出现过热现象；而当基于预测温度确定目标设备在预设时间后发热现象不严重时，最大程度地释放目标设备的运行参数，从而使目标设备运行更加流畅稳定，进而达到目标设备的性能与温度之间的平衡。
[0087]
请参阅图5，本技术提供的一种设备控制方法，应用于设备控制系统，所述设备控制系统包括目标设备和云平台，所述方法包括：
[0088]
s310：所述目标设备向所述云平台发送所述目标设备当前的负载数据和指定器件的温度数据。
[0089]
作为一种方式，目标设备可以在响应于云平台发送的数据获取指令后，向云平台发送当前的负载数据和指定器件的温度数据。
[0090]
作为另一种方式，目标设备也可以周期性地通过网络将当前的负载数据和指定器件的温度数据发送至云平台。
[0091]
s320：所述云平台基于所述负载数据得到所述目标设备的温度变化趋势。
[0092]
作为一种方式，云平台可以先基于负载数据以及深度强化学习算法，得到目标设备的温度变化趋势类别，再基于温度变化趋势类别以及目标设备的预设温度变化区间，确定温度变化趋势，预设温度变化区间表征预设时间后的温度相对于当前温度的最大波动区间。
[0093]
s330：所述云平台基于所述指定器件的温度数据以及所述温度变化趋势，向所述目标设备发送参数调整指令，所述参数调整指令用于调整所述目标设备的运行参数，所述运行参数表征所述目标设备的硬件资源使用情况。
[0094]
作为一种方式，云平台可以先基于指定器件的温度数据以及温度变化趋势得到目标设备在预设时间后的预测温度，再基于预设时间后的预测温度调整目标设备的运行参
数。
[0095]
作为另一种方式，云平台可以将当前的指定器件的温度数据与对应的温度阈值进行比较，若指定器件的温度数据超过对应的温度阈值，且温度变化趋势是上升趋势，则可以调整目标设备的运行参数。
[0096]
s340：所述目标设备响应于所述云平台发送的参数调整指令，调整所述目标设备的运行参数。
[0097]
本实施例提供的一种设备控制方法，通过上述方式使得，可以通过云平台与目标设备间的交互，获取到目标设备当前的负载数据和指定器件的温度数据，并得到目标设备的温度变化趋势，从而可以基于所述指定器件的温度数据以及所述温度变化趋势对目标设备的运行参数及时进行调整，避免目标设备产生巨大发热，从而提高了用户体验。
[0098]
请参阅图6，本技术提供的一种设备控制装置600，所述装置600包括：
[0099]
数据获取单元610，用于获取目标设备当前的负载数据和指定器件的温度数据；
[0100]
温度变化趋势获取单元620，用于基于所述负载数据得到所述目标设备的温度变化趋势。
[0101]
参数调整单元630，用于基于所述指定器件的温度数据以及所述温度变化趋势，调整所述目标设备的运行参数，所述运行参数表征所述目标设备的硬件资源使用情况。
[0102]
作为一种方式，数据获取单元610具体用于获取所述目标设备的设备标识；基于所述设备标识确定所述目标设备的指定器件。
[0103]
作为一种方式，温度变化趋势获取单元620具体用于基于所述负载数据以及深度强化学习算法，得到所述目标设备的温度变化趋势类别；基于所述温度变化趋势类别以及所述目标设备的预设温度变化区间，确定所述温度变化趋势，所述预设温度变化区间表征预设时间后的温度相对于当前温度的最大波动区间。
[0104]
作为一种方式，参数调整单元630具体用于基于所述指定器件的温度数据以及所述温度变化趋势得到所述目标设备在预设时间后的预测温度；基于所述目标设备在预设时间后的预测温度调整所述目标设备的运行参数。
[0105]
其中，可选的，参数调整单元630具体用于基于所述温度变化趋势得到与所述当前温度的差值；基于所述差值与所述温度数据得到所述预测温度。
[0106]
可选的，参数调整单元630具体用于将所述温度数据输入预设温度函数中，以得到所述目标设备的当前温度；基于所述差值与所述当前温度得到所述预测温度。
[0107]
可选的，所述温度变化趋势对应有最大值和最小值，所述差值为所述最大值与所述最小值的平均值。
[0108]
可选的，所述预设温度函数由多个所述目标设备的真实温度以及所述多个真实温度各自对应的所述指定器件的温度数据进行线性拟合得到，所述真实温度基于温度采集设备得到。
[0109]
可选的，所述负载数据包括帧间隔、cpu负载、gpu负载、ddr负载、cache频率、gpu带宽、gpu延迟、电池电流、每秒指令数。
[0110]
请参阅图7，本技术提供的一种设备控制系统20，所述设备控制系统20包括目标设备101和云平台103。
[0111]
下面将结合图8对本技术提供的一种电子设备进行说明。
[0112]
请参阅图8，基于上述的设备控制方法、装置，本技术实施例还提供的另一种可以执行前述设备控制方法的电子设备100。电子设备100包括处理器102、存储器104，其中，该存储器104中存储有可以执行前述实施例中内容的程序，而处理器102可以执行该存储器104中存储的程序。
[0113]
其中，处理器102可以包括一个或者多个处理核。处理器102利用各种接口和线路连接整个电子设备100内的各个部分，通过运行或执行存储在存储器104内的指令、程序、代码集或指令集，以及调用存储在存储器104内的数据，执行电子设备100的各种功能和处理数据。可选地，处理器102可以采用网络处理器(neural network processing unit，npu)、数字信号处理(digital signal processing，dsp)、现场可编程门阵列(field－programmable gate array，fpga)、可编程逻辑阵列(programmable logic array，pla)中的至少一种硬件形式来实现。处理器102可集成中央处理器(central processing unit，cpu)、图像处理器(graphics processing unit，gpu)、网络处理器(neural network processing unit，npu)和调制解调器等中的一种或几种的组合。其中，cpu主要处理操作系统、用户界面和应用程序等；gpu用于负责显示内容的渲染和绘制；npu负责处理视频、图像类的多媒体数据；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器102中，单独通过一块通信芯片进行实现。
[0114]
存储器104可以包括随机存储器(random access memory，ram)，也可以包括只读存储器(read-only memory)以及双倍速率同步动态随机存储器(double datarate，ddr)。存储器104可用于存储指令、程序、代码、代码集或指令集。存储器104可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于实现至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现下述各个方法实施例的指令等。存储数据区还可以存储终端100在使用中所创建的数据(比如电话本、音视频数据、聊天记录数据)等。
[0115]
请参考图9，其示出了本技术实施例提供的一种计算机可读存储介质的结构框图。该计算机可读存储介质800中存储有程序代码，所述程序代码可被处理器调用执行上述方法实施例中所描述的方法。
[0116]
计算机可读存储介质800可以是诸如闪存、eeprom(电可擦除可编程只读存储器)、eprom、硬盘或者rom之类的电子存储器。可选地，计算机可读存储介质800包括非易失性计算机可读存储介质(non-transitory computer-readable storage medium)。计算机可读存储介质800具有执行上述方法中的任何方法步骤的程序代码810的存储空间。这些程序代码可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。程序代码810可以例如以适当形式进行压缩。
[0117]
综上所述，本技术提供的一种设备控制方法、装置以及电子设备，在获取目标设备当前的负载数据和指定器件的温度数据后，基于所述负载数据得到所述目标设备的温度变化趋势，基于所述指定器件的温度数据以及所述温度变化趋势，调整所述目标设备的表征所述目标设备的硬件资源使用情况的运行参数。通过上述方式使得，可以通过获取目标设备当前的负载数据得到目标设备的温度变化趋势，从而可以基于所述指定器件的温度数据以及所述温度变化趋势对目标设备的发热情况进行预估，进而可以基于预估结果提前对目标设备的运行参数进行调整，避免目标设备产生巨大发热，从而提高了用户体验。
[0118]
最后应说明的是：以上实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不驱使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围。