阅读说明：本技术 信息处理方法及电子设备 (Information processing method and electronic equipment ) 是由 张伟 于 2019-09-16 设计创作，主要内容包括：本申请实施例公开了一种信息处理方法及电子设备。所述信息处理方法,可包括：获取处理模组的第一历史状态信息；根据所述第一历史状态信息,确定所述处理模组的工作状态；根据所述工作状态,确定所述处理模组的功率控制参数；根据所述功率控制参数,控制所述处理模组的功耗。(The embodiment of the application discloses information processing methods and electronic equipment.)

信息处理方法及电子设备

技术领域

本发明涉及信息技术领域，尤其涉及一种信息处理方法及电子设备。

背景技术

电子设备(例如，笔记本电脑)等都包括中央处理器(Central Processing Unit，CPU)。CPU是电子设备内消耗电能的主要部件之一。在相关技术中提出了多种实现CPU的功耗和性能优化的方案。

方式一：通过提高或降低的CPU的散热设计功耗(Thermal Design Power，TDP)参数，提高CPU的性能或者降低CPU的功耗。

方式二：建立应用程序(Application，APP)的名单，但设备运行名单内的APP，适配性的设置CPU的运行参数，从而达到CPU的性能优化或者CPU的功耗降低的目的。

但是，针对方式一，CPU一般均仅有一套固定TDP参数，整体上的CPU的性能优化或者CPU的功耗降低都是有限的，明显的大多数的时候无法实现CPU性能最优化或者CPU功耗最低化。针对方式二，建立App名单，如果APP更名或者APP更新，可能都会导致APP名单内对应的APP的最佳TDP参数发生变化，同样无法实现CPU的性能最优化或者CPU功耗最低化。

发明内容

有鉴于此，本发明实施例期望提供一种信息处理方法及电子设备。

本发明的技术方案是这样实现的：

本申请实施例第一方面提供一种信息处理方法，包括：

获取处理模组的第一历史状态信息；

根据所述第一历史状态信息，确定所述处理模组的工作状态；

根据所述工作状态，确定所述处理模组的功率控制参数；

根据所述功率控制参数，控制所述处理模组的功耗。

基于上述方案，所述方法还包括：

根据第二历史状态信息，确定所述工作状态的条件参数，其中，所述第二历史状态信息包括所述第一历史状态信息，或者，所述第二历史状态信息为在所述第一历史状态信息之前获取的。

基于上述方案，所述根据第二历史状态信息，确定所述工作状态的条件参数，包括：

基于机器学习算法对所述第二历史状态信息进行学习，获得所述条件参数；

或者，

基于深度学习算法对所述第二历史状态信息进行学习，获得所述条件参数。

基于上述方案，所述获取处理模组的第一历史状态信息，包括以下至少之一：

获取所述处理模组的历史功耗信息，所述历史功耗信息包括：所述处理模组的历史功耗值和/或历史功耗波动值；

获取所述处理模组的历史频率信息，其中，所述历史频率信息包括：所述处理模组的历史频率值和/或历史频率波动值。

基于上述方案，所述条件参数包括以下至少之一：

频率阈值；

频率波动阈值；

功耗阈值；

功率波动阈值。

基于上述方案，所根据所述第一历史状态信息，确定所述处理模组的工作状态，包括以下之一：

当根据所述第一历史状态信息确定出所述处理模组的频率低于第一频率阈值，且所述处理模组的功耗低于第一功耗阈值时，确定所述处理模组处于第一状态；

当根据所述第一历史状态信息确定出所述处理模组的频率高于所述第一频率阈值且低于第二频率阈值，且所述处理模组的功耗高于所述第一功耗阈值且低于第二功耗阈值时，确定电子设备处于第二状态；其中，所述第二频率阈值高于所述第一频率阈值；所述第二功耗阈值高于所述第一功耗阈值；

当根据所述第一历史状态信息确定出所述处理模组的频率高于所述第二频率阈值且低于第三频率阈值，且所述处理模组的功耗高于所述第二功耗阈值且低于第三功耗阈值时，确定所述处理模组处于第三状态；其中，所述第三频率阈值高于所述第二频频率阈值；所述第三功耗阈值高于所述第二功耗阈值；

当根据所述第一历史状态信息确定出所述电子设备内的处理模组的频率波动值高于第一频率方差阈值，且所述处理模组的功耗波动值高于第一功耗波动阈值时，确定所述处理模组处于第四状态；

当根据所述第一历史状态信息确定出所述处理模组处于第一状态至所述第四状态以外的状态，则确定所述处理模组处于第五状态。

基于上述方案，所述根据所述工作状态，确定所述处理模组的功率控制参数，包括：

当所述处理模组处于所述第一状态、所述第二状态或所述第三状态时，确定所述处理模组的第一功率控制参数；

当所述处理模组处于所述第四状态或所述第五状态时，确定所述处理模组的第二功率控制参数，其中，所述处理模组以所述第二功率控制参数工作时的功耗，大于所述处理模组以第一功率控制参数工作时的功耗。

基于上述方案，所述功率控制参数包括以下至少之一：

第一功耗参数，用于指示所述处理模组的平均功耗的波动范围；

第二功耗参数，用于指示所述处理模组的最大瞬时功耗值。

基于上述方案，所述方法还包括：

确定电子设备是否处于功耗节省模式；

所述获取处理模组的第一历史状态信息，包括：

当处于所述功耗节省模式时，获取所述处理模组的所述第一历史状态信息。

本申请实施例第二方面提供一种电子设备，包括：

获取模块，用于获取处理模组的第一历史状态信息；

第一确定模块，用于根据所述第一历史状态信息，确定所述处理模组的工作状态；

第二确定模块，用于根据所述工作状态，确定所述处理模组的功率控制参数；

控制模块，用于根据所述功率控制参数，控制所述处理模组的功耗。

本发明实施例提供的信息处理方法及电子设备，会动态获取处理模组的第一历史状态信息，然后根据第一历史状态信息确定出处理模组的工作状态，基于工作状态确定出处理模组的功率控制参数，最后基于功率控制参数向处理模组进行功能，从而能够实现对处理模组的功率控制。由于在确定处理模组的工作状态过程中，是动态获取的处理模组的状态信息，而非根据当前运行的应用程序来确定的，故即便电子设备中应用程序的安装、卸载及升级，都不会对确定处理模组的工作状态造成负面影响，具有处理模组的工作状态确定精确性强的特点。最后结合工作状态给出功率控制参数来控制处理模组的功率，第一方面，能够满足处理模组大部分时的功耗需求；第二方面，能够减少多给导致的功率浪费；第三方面，能够通过功率控制能够使得处理模组根据实际获得功率，实现自身的资源配置，从而实现处理模组在工作中的资源优化配置。第四方面，相对于采集并记录用户习惯的方案，直接采集并记录处理模组的第一历史状态信息，减少了需要采集的信息种类和数量，减少了采集并记录的数据量、进行工作状态确定的信息处理量，从而简化了电子设备的操作，并减少了处理模组因为自身工作状态的划分引入的过多的额外负载。

附图说明

图1为本申请实施例提供的第一种信息处理方法的流程示意图；

图2为本申请实施例提供的第二种信息处理方法的流程示意图；

图3为本申请实施例提供的第三种信息处理方法的流程示意图；

图4为本申请实施例提供的一种电子设备的结构示意图；

图5为本申请实施例提供的第四种信息处理方法的流程示意图。

具体实施方式

以下结合说明书附图及具体实施例对本发明的技术方案做进一步的详细阐述。

如图1所示、本实施例提供一种信息处理方法，包括：

S110：获取处理模组的第一历史状态信息；

S120：根据所述第一历史状态信息，确定所述处理模组的工作状态；

S130：根据所述工作状态，确定所述处理模组的功率控制参数；

S140：根据所述功率控制参数，控制所述处理模组的功耗。

本申请实施例提供的信息处理方法应用于各种电子设备。所述电子设备包括但不限于：笔记本电脑、台式电脑、平板电脑、笔记本平板二合一及可穿戴式设备等。

所述电子设备包括但不限于：移动设备和固定设备。所述移动设备包括但不限于：车载设备和人载设备。

所述处理模块可为中央处理器(CPU)或图像处理器(GPU)。

所述处理模组的第一历史状态信息可包括：处理模组的实际功耗值及处理模组的工作频率。

所述第一历史状态信息可为：当前时刻以前的处理模组的状态信息。

在本申请实施例中，进行第一历史状态信息，确定处理模组的工作状态。在本申请实施例中，所述处理模组的工作状态可以分为多种。

所述功率控制参数是用于控制处理模组的功耗。

在本申请实施例中，所述功率控制参数可包括以下至少之一：

第一类功率控制参数，可用于控制处理模组在预定时间段内的平均功率；

第二类功率控制参数，可用于控制处理模组在预定时间段内的瞬时功率。

在一些情况下，所述第一类功率控制参数，用于限定一个功率范围，该功率范围可包括：最大功率和最小功率。

所述第二类功率控制参数为一个瞬时功率，其瞬间的功率可能大于其平均功率，故在一些情况下，所述第二类功率控制参数可大于所述第一类功率控制参数的上限。

在本申请实施例中，将直接根据CPU等处理模组的实际状态参数，确定出处理模组的工作状态，这种工作状态的确定方式具有精确度高的特点。

在判断出所述处理模组的工作状态之后，能够根据当前处理模组的工作状态为处理模组配置功率控制参数。然后根据该功率控制参数向所述处理模组的提供功率，从而实现对处理模组的功率控制。例如，根据该功率控制参数控制供电模组向处理模组的供电。该供电模组包括但不限于电子设备的电池。

利用这种方式控制处理模组的工作状态，相对于根据应用程序(Application，APP)的白名单来确定应用场景来确定处理模组的工作状态，可以减少APP的运行受干扰以及环境作用于处理模组导致的不精确现象。同时，减少了因为信息技术发展，新的APP引入、APP的升级、APP的名称或者APP的编号变更，导致白名单自身的信息不完整或不精确，进而导致的处理模组的工作状态确定不精确的现象。

在本申请实施例中，所述处理模组的工作状态是动态确定的，例如，实时采集所述处理模组的第一历史状态参数。在S120中可以实时基于所述第一历史功耗参数实时判断所述处理模组的工作状态。在例如，实时采集所述处理模组的第一历史状态参数，然后基于一个时间段内的第一历史状态参数进行一次所述处理模组的工作状态的判断。总之，在本申请实施例中，所述处理模组的工作状态是动态确定的，能够及时获知所述处理模组的工作状态。

所述处理模组实际获得的功耗，会反作用于所述处理模组的频率，例如，当处理模组获取的实际功耗不足以支撑所述处理模组的高频率工作时，则所述处理模组会进行降频处理。而所述处理模组的频率与处理模组的实际功耗相关，例如，一般处理模组的工作频率越高，则所述处理模组的实际功耗就会越高。

在本申请实施例中，由于是根据处理模组当前时刻以前的第一历史状态信息确定出其工作状态。然后结合工作状态给出功率控制参数来控制处理模组的功率，第一方面，能够满足处理模组大部分时的功耗需求；第二方面，能够减少多给导致的功率浪费；第三方面，能够通过功率控制能够使得处理模组根据实际获得功率，实现自身的资源配置，从而实现处理模组在工作中的资源优化配置。第四方面，相对于采集并记录用户习惯的方案，直接采集并记录处理模组的第一历史状态信息，减少了需要采集的信息种类和数量，减少了采集并记录的数据量、进行工作状态确定的信息处理量，从而简化了电子设备的操作，并减少了处理模组因为自身工作状态的划分引入的过多的额外负载。

在一些实施例中，S120中根据第一历史状态信息确定所述处理模组的工作状态，会使用确定所述处理模组的工作状态的确定条件。

在一些实施例中，所述确定条件所涉及的条件参数是动态确定的。

在一些实施例中，如图2所示，所述方法还包括：

S100：根据第二历史状态信息，确定所述工作状态的条件参数，其中，所述第二历史状态信息包括所述第一历史状态信息，或者，所述第二历史状态信息为在所述第一历史状态信息之前获取的。

如此，在所述S120可包括：根据所述条件参数及所述第一历史状态信息，确定所述处理模组的工作状态。

本申请实施例中，所述第二历史状态信息同样为是采集的处理模组实际状态获得参数。

在一些申请实施例中，所述第二历史状态信息可包括所述第一历史状态信息，例如，所述第二历史状态信息等于所述第一历史状态参数，或者，所述第二历史状态信息包括所述第一历史状态信息及所述第一历史状态信息之前的状态信息。

在另一些实施例中，所述第二历史状态信息可包括：第一历史状态信息之前的历史状态信息，此时，所述第二历史状态信息是不包含所述第一历史状态信息。

假设所述处理模组的工作状态每隔N秒确定一次；所述条件参数每隔M秒确定一次，若M大于X倍N，M、N及X均为正整数。若X大于2，则确定所述条件参数的第二历史状态信息可能不包含所述第一历史状态信息。

在一些实施例中，按照第一周期更新所述处理模组的工作状态，按照第二周期更新所述条件参数，其中，所述第二周期大于或等于所述第一周期。

所述电子设备的工作状态预设有P种，根据处理模组的第二历史状态信息，会将处理模组实际工作状态对应到所述P种状态，并确定出划分P种状态中任意两种之间的条件参数。该P为2或3等2以上的正整数。

如此，不同的电子设备具有相同的工作状态，但是由于其第二历史状态信息的不同，会使得划分相同工作状态的条件参数不同。如此，该条件参数会与电子设备的工作环境、用户使用习惯以及设备的自身配置相关，能够适配于该电子设备的自身状况。

所述工作环境包括但不限于：工作温度、工作噪音及工作亮度等至少其中之一。

所述用户使用习惯包括：用户使用电子设备的时长、用户偏好使用的应用类型、用户偏好使用的具体应用及用户偏好使用的电子设备的功能呢。

所述电子设备的自身配置可包括：电子设备的硬件配置和/或软件配置。所述硬件配置可包括：电子设备所包含的CUP核数、散热组件的散热功率等。所述散热组件包括：风冷散热的风扇和/或液冷散热的散热袋。

在一些实施例中，所述根据第二历史状态信息，确定所述工作状态的条件参数，包括：

基于机器学习算法对所述第二历史状态信息进行学习，获得所述条件参数；

或者，

基于深度学习算法对所述第二历史状态信息进行学习，获得所述条件参数。

在本申请实施例中，划分所述处理模组的工作状态的条件参数是动态确定的。

所述电子设备内运行有机器学习算法，机器学习算法能够分析所述第二历史状态信息，然后将第二历史状态信息对应到P种工作状态，然后与P种工作状态的对应关系，确定出划分P种工作状态的条件参数。

例如，在一些实施例中，利用机器学习算法中的归纳学习算法对所述第二历史状态信息进行分析，从而得到所述条件参数。

在一些实施例中，利用深度学习算法对第二历史状态信息进行学习，同样可确定出P种工作状态的条件参数。所述深度学习算法包括但不限于神经网络。

在一些实施例中，所述S110可包括以下至少之一：

获取所述处理模组的历史功耗信息，所述历史功耗信息包括：所述处理模组的历史功耗值和/或历史功耗波动值；

获取所述处理模组的历史频率信息，其中，所述历史频率信息包括：所述处理模组的历史频率值和/或历史频率波动值。

例如所述历史功耗值可包括：实时采集的各个时候的实际功耗值，所述实际功耗值排序可形成实际功耗值序列。

在一些实施例中，所述历史功耗波动值，可为根据采集的历史功耗值进行方差求取得到反映所述历史功耗波动的功耗方差值。

在另一些实施例中，所述历史功耗波动值，还可为：根据一个时间段内的最小实际功耗值和最大功耗值之间的差值。

在一些实施例中，所述方法还包括：

识别使用所述电子设备的用户身份信息；

根据所述用户身份信息获取存储条件参数；

在电子设备运行的后续运行过程中，根据运行时所述处理模组的第二历史状态信息，更新所述用户身份信息对应的条件参数，以用于下一次该用户身份信息对应的用户再次该电子设备时，确定所述电子设备内处理模组的功率控制参数，从而控制所述处理模组的功率。

例如，电子设备为用户A和用户B所共用的电子设备。

当电子设备开启时，识别当前使用用户是用户A还是用户B，以获取当前用户的用户身份信息。例如，通过图像采集，然后对采集的图像进行人脸识别，从而确定所述用户身份信息。再例如，通过语音采集，然后对采集语音进行声学特征提取，然后基于提取的声学的特征确定用户身份信息。所述声学特征包括但不限于声纹特征。

在识别用户身份信息之后，查询与所述用户身份信息有对应关系的条件参数，并将查询的条件参数作为对处理模组的工作状态确定的初始条件参数。后续，根据电子设备的实际运行，采集处理模组的第二历史状态信息，更新查询的所述条件参数，若条件参数一旦更新，就对应更新与所述用户身份信息对应的条件参数。

如此，即便电子设备是一个公用设备，基于用户身份信息的识别，进行处理模组的工作状态判断时条件参数可能是不同的，如此，处理模组的工作状态的判断能够与电子设备当前状况相适配，确保处理模组的功率控制的最优化。

在一些实施例中，所述条件参数包括以下至少之一：

频率阈值；

频率波动阈值；

功耗阈值；

功率波动阈值。

在一些实施例中，所述S120可包括以下之一：

当根据所述第一历史状态信息确定出所述处理模组的频率低于第一频率阈值，且所述处理模组的功耗低于第一功耗阈值时，确定所述处理模组处于第一状态；

当根据所述第一历史状态信息确定出所述处理模组的频率高于所述第一频率阈值且低于第二频率阈值，且所述处理模组的功耗高于所述第一功耗阈值且低于第二功耗阈值时，确定电子设备处于第二状态；其中，所述第二频率阈值高于所述第一频率阈值；所述第二功耗阈值高于所述第一功耗阈值；

当根据所述第一历史状态信息确定出所述处理模组的频率高于所述第二频率阈值且低于第三频率阈值，且所述处理模组的功耗高于所述第二功耗阈值且低于第三功耗阈值时，确定所述处理模组处于第三状态；其中，所述第三频率阈值高于所述第二频频率阈值；所述第三功耗阈值高于所述第二功耗阈值；

当根据所述第一历史状态信息确定出所述电子设备内的处理模组的频率波动值高于第一频率方差阈值，且所述处理模组的功耗波动值高于第一功耗波动阈值时，确定所述处理模组处于第四状态；

当根据所述第一历史状态信息确定出所述处理模组处于第一状态至所述第四状态以外的状态，则确定所述处理模组处于第五状态。

在本申请实施例中，所述处理模组的工作状态定义为了5种，这5种状态能够比较全面的覆盖处理模组的各种应用场景。

在一些实施例中，所述S130可包括：

当所述处理模组处于所述第一状态、所述第二状态或所述第三状态时，确定所述处理模组的第一功率控制参数；

当所述处理模组处于所述第四状态或所述第五状态时，确定所述处理模组的第二功率控制参数，其中，所述处理模组以所述第二功率控制参数工作时的功耗，大于所述处理模组以第一功率控制参数工作时的功耗。

在一些实施例中，所述功率控制参数包括以下至少之一：

第一功耗参数，用于指示所述处理模组的平均功耗的波动范围；

第二功耗参数，用于指示所述处理模组的最大瞬时功耗值。

在一些实施例中，在确定出所述功率控制参数之后，根据该功率控制参数向处理模组提供功率，从而实现处理模组的功率控制。通过处理模组的功率控制，实现处理模组的功率优化和性能优化。

在一些实施例中，如图3所示，所述方法还包括：

S101：确定电子设备是否处于功耗节省模式；

所述S110可包括：当处于所述功耗节省模式时，获取所述处理模组的状态信息。

电子设备具有功耗节省模式和功耗节省模式以外的常规功耗模式。若电子设备基于用户操作或者配置操作，在启动后进入到功耗节省模式，则会执行S110至S140的信息处理方法的流程。

如图4所示，本实施例还提供一种电子设备，包括：

获取模块110，用于获取处理模组的第一历史状态信息；

第一确定模块120，用于根据所述第一历史状态信息，确定所述处理模组的工作状态；

第二确定模块130，用于根据所述工作状态，确定所述处理模组的功率控制参数；

控制模块140，用于根据所述功率控制参数，控制所述处理模组的功耗。

在一些实施例中，所述获取模块110、第一确定模块120、第二确定模块130及控制模块140可为程序模块；所述程序模块被处理器执行后，能够实现前述第一历史状态信息的获取、工作状态的确定、功率控制参数的确定及处理模组的功耗控制。

在另一些实施例中，所述获取模块110、第一确定模块120、第二确定模块130及控制模块140可为软硬结合模块，所述软硬结合模块包括但不限于可编程阵列；所述可编程阵列包括但不限于：复杂可编程阵列及现场可编程阵列。

在一些实施例中，所述装置还包括：

第三确定模块，用于根据第二历史状态信息，确定所述工作状态的条件参数，其中，所述第二历史状态信息包括所述第一历史状态信息，或者，所述第二历史状态信息为在所述第一历史状态信息之前获取的。

在一些实施例中，所述第三确定模块，具体用于执行以下之一：

基于机器学习算法对所述第二历史状态信息进行学习，获得所述条件参数；

或者，

基于深度学习算法对所述第二历史状态信息进行学习，获得所述条件参数。

在一些实施例中，所述获取模块110110，具体用于执行以下至少之一：

获取所述处理模组的历史功耗信息，所述历史功耗信息包括：所述处理模组的历史功耗值和/或历史功耗波动值；

获取所述处理模组的历史频率信息，其中，所述历史频率信息包括：所述处理模组的历史频率值和/或历史频率波动值。

在一些实施例中，所述条件参数包括以下至少之一：

频率阈值；

频率波动阈值；

功耗阈值；

功率波动阈值。

在一些实施例中，所述第一确定模块120，具体用于执行以下之一：

当根据所述第一历史状态信息确定出所述处理模组的频率低于第一频率阈值，且所述处理模组的功耗低于第一功耗阈值时，确定所述处理模组处于第一状态；

当根据所述第一历史状态信息确定出所述处理模组的频率高于所述第一频率阈值且低于第二频率阈值，且所述处理模组的功耗高于所述第一功耗阈值且低于第二功耗阈值时，确定电子设备处于第二状态；其中，所述第二频率阈值高于所述第一频率阈值；所述第二功耗阈值高于所述第一功耗阈值；

当根据所述第一历史状态信息确定出所述处理模组的频率高于所述第二频率阈值且低于第三频率阈值，且所述处理模组的功耗高于所述第二功耗阈值且低于第三功耗阈值时，确定所述处理模组处于第三状态；其中，所述第三频率阈值高于所述第二频频率阈值；所述第三功耗阈值高于所述第二功耗阈值；

当根据所述第一历史状态信息确定出所述电子设备内的处理模组的频率波动值高于第一频率方差阈值，且所述处理模组的功耗波动值高于第一功耗波动阈值时，确定所述处理模组处于第四状态；

当根据所述第一历史状态信息确定出所述处理模组处于第一状态至所述第四状态以外的状态，则确定所述处理模组处于第五状态。

在一些实施例中，所述第二确定模块130，具体用于执行以下之一：

当所述处理模组处于所述第一状态、所述第二状态或所述第三状态时，确定所述处理模组的第一功率控制参数；

当所述处理模组处于所述第四状态或所述第五状态时，确定所述处理模组的第二功率控制参数，其中，所述处理模组以所述第二功率控制参数工作时的功耗，大于所述处理模组以第一功率控制参数工作时的功耗。

在一些实施例中，所述功率控制参数包括以下至少之一：

第一功耗参数，用于指示所述处理模组的平均功耗的波动范围；

第二功耗参数，用于指示所述处理模组的最大瞬时功耗值。

在一些实施例中，所述装置还包括：第三确定模块，用于确定电子设备是否处于功耗节省模式；

所述获取模块110，具体用于当处于所述功耗节省模式时，获取所述处理模组的所述第一历史状态信息。

以下结合上述任意实施例提供几个具体示例：

示例1：

采用机器学习算法(ML)，利用CPU实时的功耗及频率等输入信息，采用合适的机器学习算法，例如基于数据密集型的归纳学习算法，输出区分CPU的5个工作状态的条件参数。

例如，这5个状态可分别为：第一状态、第二状态、第三状态、第四状态及第五状态。第一状态又可以称之为空闲状态；第二状态可为轻载状态，又可以称之为电池寿命状态(battery life)、第三状态可为重载持续状态，该重载持续状态又可以称之为维持状态(sustain)、第四状态可为重载突发状态，又可以称之为(bursty)、第五状态可为上述第一状态至第四状态以外的其他状态。该第五状态又可以称之为半激活状态(semi active)。这5个状态可涵盖了CPU所有可能出现的工作状态，即涵盖了所有APP运行时的CPU状态。

每一个电子设备或者一个电子设备的不同时期，都包括这5个状态，但是根据CPU实际运行的功耗及频率等参数，设置有区分状态的不同条件参数。针对这5种状态，可调试出针对这5个场景的CPU的(Intel Dynamic Platform&Thermal Framework，DPTF)参数，达到提供CPU的运行性能且同时降低CPU不必要的功耗。

本示例提供的技术方案，智能优化涵盖场景广、降低研发阶段工作量、机器学习算法可升级，达到自动学习用户行为习惯的目标。

示例2：

如图5所示，本示例提供一种信息处理方法，可包括：

电子设备启动，电子设备启动之后监控软件(例如，Vantage)启动；

监控软件启动之后，判断电子设备是否选择进入功耗节省模式，如果电子设备不是处于功耗节省模式下，则不执行机器学习机制，在该机器学习机制下，电子设备会基于机器学习的条件参数进行CUP的工作状态的确定，并根据确定的CPU的工作状态，选择对应的功耗参数，控制CPU的功耗。如果电子设备处于功耗节省模式下，则利用归纳学习算法根据CUP实时功耗及CPU实时频率，得到划分CPU不同工作状态的条件参数。

在图5所示，CPU配置有五种状态，分别是第一状态/第二状态(电池寿命状态/空闲态)、第三状态(重载维持状态)、第四状态(重载突发状态)、第五状态(半激活状态)。

用于区分上述5种状态的条件参数，可如图5所示A1W、A2Hz、B1W、B2Hz、C1W、C2Hz。

前三种状态采用一套DPTF参数，这一套DPTF参数存储在DPTF文件1中，分别包括：功率最大限制至(Power Limit 1max，PL1max)、(Power Limit 1min，PL1max)及(PowerLimit2，PL2)。如图5所示位于DPTF文件1中的PL1max＝PL1min＝5W；PL2＝12W。

后两种状态可以共用一套DPTF参数，这一套DPTF参数存储在DPTF文件2中，分别包括：PL1max、PL1min及PL2。如图5所示位于DPTF文件2中的PL1max＝PL1min＝8W；PL2＝25W。

在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。

上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元，即可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。

另外，在本示例各实施例中的各功能单元可以全部集成在一个处理模块中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

本申请任意实施例公开的技术特征，在不冲突的情况下，可以任意组合形成新的方法实施例或设备实施例。

本申请任意实施例公开的方法实施例，在不冲突的情况下，可以任意组合形成新的方法实施例。

本申请任意实施例公开的设备实施例，在不冲突的情况下，可以任意组合形成新的设备实施例。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本示例的具体实施方式，但本示例的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本示例揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本示例的保护范围之内。因此，本示例的保护范围应以所述权利要求的保护范围为准。