优化策略的推送方法、装置、服务器及存储介质

技术领域

本申请实施例涉及互联网技术领域，特别涉及一种优化策略的推送方法、装置、服务器及存储介质。

背景技术

终端在使用过程中，终端厂商会定期向终端推送安装包，以便终端根据该安装包进行相应的系统优化和升级，以解决终端在使用过程中的漏洞。

相关技术中，针对同一型号的终端，终端厂商一般会推送相同的安装包，供终端进行系统优化和升级。然而，由于不同用户使用终端时的习惯不同，会造成终端在系统性能和应用方面的差异，且不同用户对更新的需求也是不同的，相应的，针对同一型号的终端使用相同的推送内容，无法满足不同用户的需求。

发明内容

本申请实施例提供了一种优化策略的推送方法、装置、服务器及存储介质。

所述技术方案如下：

一方面，本申请实施例提供了一种优化策略的推送方法，所述方法包括：

接收目标终端上报的目标性能数据，所述目标性能数据是在终端运行过程中采集到的与终端性能相关的数据；

根据所述目标性能数据构建目标性能画像，所述目标性能画像用于表征使用所述目标终端时的性能特征；

根据所述目标性能画像确定所述目标终端对应用户所属的目标群体；

向所述目标终端推送所述目标群体对应的目标优化策略，所述目标终端用于在运行过程中执行所述目标优化策略。

另一方面，本申请实施例提供了一种优化策略的推送装置，所述装置包括：

第一接收模块，用于接收目标终端上报的目标性能数据，所述目标性能数据是在终端运行过程中采集到的与终端性能相关的数据；

第一构建模块，用于根据所述目标性能数据构建目标性能画像，所述目标性能画像用于表征使用所述目标终端时的性能特征；

第一确定模块，用于根据所述目标性能画像确定所述目标终端对应用户所属的目标群体；

推送模块，用于向所述目标终端推送所述目标群体对应的目标优化策略，所述目标终端用于在运行过程中执行所述目标优化策略。

另一方面，本申请实施例提供了一种服务器，所述服务器包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如上述方面所述的优化策略的推送方法。

另一方面，提供了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至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如上述方面所述的优化策略的推送方法。

另一方面，还提供了一种计算机程序产品，该计算机程序产品存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现上述方面所述的优化策略的推送方法。

采用本申请实施例提供的优化策略的推送方法，目标终端将在终端运行过程中采集到的与终端性能相关的数据(目标性能数据)发送给服务器，由服务器根据该目标性能数据构建目标性能画像，以确定目标终端对应用户所属的目标群体，从而向目标终端推送该目标群体对应的目标优化策略，以便目标终端在运行过程中执行该目标优化策略。通过构建与该目标终端相匹配的性能画像的方式，来确定目标终端对应用户所属的目标群体，以便根据该目标群体确定向该目标终端推送的优化策略，相较于相关技术中统一的优化策略，本申请实施例提供的优化策略，可以实现根据不同群体进行差异化的目标优化策略的推送，更符合用户的使用习惯，从而给用户提供切合实际使用需求的优化策略，同时提升了终端在性能方面的优化策略的差异性和多样性。

附图说明

图1示出了本申请一个示例性实施例提供的实施环境的示意图；

图2示出了本申请一个示例性实施例示出的优化策略的推送方法的流程图；

图3示出了本申请一个示例性实施例示出的确定分群聚类模型过程的流程图；

图4示出了本申请另一个示例性实施例示出的优化策略的推送方法的流程图；

图5示出了本申请一个示例性实施例示出的生成优化策略的方法的流程图；

图6示出了本申请另一个示例性实施例示出的生成优化策略的方法的流程图；

图7示出了本申请另一个示例性实施例示出的优化策略的推送方法的流程图；

图8示出了本申请另一个示例性实施例示出的优化策略的推送方法的流程图；

图9示出了本申请一个示例性实施例示出的完整的优化策略的推送方法的流程图；

图10示出了本申请一个实施例提供的优化策略的推送装置的结构框图；

图11示出了本申请一个示例性实施例提供的服务器的结构框图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。

在本文中提及的“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。

本申请实施例了一种优化策略的推送方法，请参考图1，其示出了本申请一个示例性实施例提供的实施环境的示意图，该实施环境中包含终端101和服务器102。

终端101中安装和运行有多个应用，且终端101是具有数据的收集和处理功能的设备。比如，终端101可以是手机、平板电脑、PC(Personal Computer，个人计算机)或其他电子设备。本申请实施例中，终端101可以在终端运行过程中采集与终端性能相关的数据，即性能数据；可选的，终端中预先设置有存储该性能数据的存储分区；可选的，终端101会定期向服务器102发送该性能数据；可选的，终端101会定期接收服务器102推送的优化策略，以便在终端运行过程中执行该优化策略。

终端101和服务器102之间通过有线或无线网络相连。

服务器102是具有接收终端101发送的性能数据、处理分析该性能数据以及推送优化策略等功能的设备，其可以是一台服务器，若干台服务器构成的服务器集群或云服务器。

本申请实施例中，服务器102通过接收终端101上报的性能数据，可以根据该性能数据构建性能画像，从而根据该性能画像确定终端101对应的优化策略，并将该优化策略推送给终端101。

需要说明的是，服务器102可以和大量终端进行数据交互，即可以接收大量终端上报的性能数据，并对大量性能数据进行数据分析，从而制定出基于性能数据构建性能画像的标准，并将标准下发至各个终端，以便终端在本地构建性能画像。

请参考图2，其示出了本申请一个示例性实施例示出的优化策略的推送方法的流程图。本实施例以该方法应用于图1所示的实施环境来举例说明。该方法包括：

步骤201，目标终端向服务器发送目标性能数据，目标性能数据是在终端运行过程中采集到的与终端性能相关的数据。

其中，目标性能数据可以包括：终端进行后台清理的时间间隔(次数)、终端中各个应用冷启动的时长、终端中各个应用热启动的时长、终端中各个应用丢帧的次数、中央处理器(Central Processing Unit，CPU)的使用情况、图形处理器(Graphics ProcessingUnit，GPU)的使用情况、终端的温度数据等。示意性的，在性能数据采集周期内，终端进行后台清理10次。

在一种可能的实施方式中，目标终端在运行过程中，会实时采集与终端性能相关的数据，比如，终端在运行过程中的温度数据的变化情况；或终端进行后台清理的次数等。并将该性能数据存储在特定的存储分区中，以便后续将采集到的性能数据发送给服务器。

可选的，目标终端中可以设置有加密存储分区，用来存储终端采集到的目标性能数据，避免该目标性能数据被非系统应用访问，可以提高目标性能数据的安全性。

可选的，终端可以定期向服务器发送采集到的性能数据，比如，每隔30天；或当终端检测到采集的性能数据量达到数据量阈值时，向服务器发送采集到的性能数据，比如，数据量阈值可以为500MB。

步骤202，服务器接收目标终端上报的目标性能数据。

在一种可能的实施方式中，目标终端定期将采集到的目标性能数据发送给服务器，即服务器接收到该目标性能数据。

步骤203，服务器根据目标性能数据构建目标性能画像，目标性能画像用于表征使用目标终端时的性能特征。

在一种可能的实施方式中，服务器中预先存储有构建性能画像的标准，以应用冷启动时长为例，应用冷启动时长小于等于3s为较快，应用冷启动时长3-5s为正常，应用冷启动时长大于等于5s为偏慢等。若目标性能数据指示应用冷启动时长为3s，则根据该目标性能数据抽象出的性能画像为：应用冷启动较快。

可选的，服务器可以预先收集大量的性能数据，通过分析性能数据的数据分布情况，来得到构建性能画像的标准。

步骤204，服务器根据目标性能画像确定目标终端对应用户所属的目标群体。

在一种可能的实施方式中，服务器中预先设置有多个群体，且同一群体对应的性能画像的性能特征相似，当服务器根据目标性能数据构建出目标性能画像之后，即可以根据该目标性能画像表征的性能特征，与各个预设群体的性能特征进行匹配，从而确定出目标终端对应用户所属的目标群体。

可选的，服务器中的预设群体可以是具有特定含义的群体，比如学生族、上班族、游戏爱好者、追剧族、电子书爱好者等等，或者，预设群体可以是具有相似性能特征、但不具有特定含义的人群集合，比如终端应用冷启动较快的人群集合、终端温度较高的人群集合。

比如，若性能画像为应用冷启动偏慢，则可以根据该性能画像将该目标终端对应的用户划分为应用冷启动偏慢这一群体中。

步骤205，服务器向目标终端推送目标群体对应的目标优化策略。

在一种可能的实施方式中，服务器针对不同的群体预先设置有对应的优化策略，当服务器确定出该目标终端对应用户所属的目标群体时，可以根据该目标群体匹配对应的目标优化策略，并将该目标优化策略推送给目标终端。

可选的，由于目标性能数据的多样性，根据该目标性能数据分析获得的目标优化策略也是针对终端中不同应用的。

步骤206，目标终端接收服务器推送的目标群体对应的目标优化策略，并在运行过程中执行目标优化策略。

在一种可能的实施方式中，目标终端中也构建有相同的策略解释器，用来实现对该目标优化策略的解释执行。示意性的，可以将目标优化策略分发至目标终端中的各个应用，由各个应用在运行过程中执行对应的目标优化策略。

综上所述，本申请实施例中，目标终端将在终端运行过程中采集到的与终端性能相关的数据(即目标性能数据)发送给服务器，由服务器根据该目标性能数据构建目标性能画像，以确定目标终端对应用户所属的目标群体，从而向目标终端推送该目标群体对应的目标优化策略，以便目标终端在运行过程中执行该目标优化策略。通过构建与该目标终端相匹配的性能画像的方式，来确定目标终端对应用户所属的目标群体，以便根据该目标群体确定向该目标终端推送的优化策略，相较于相关技术中统一的优化策略，本申请实施例提供的优化策略，可以实现根据不同群体进行差异化的目标优化策略的推送，更符合用户的使用习惯，从而给用户提供切合实际使用需求的优化策略，同时提升了终端在性能方面的优化策略的差异性和多样性。

在一种可能的应用场景下，服务器在接收目标终端上报的性能数据之前，首先需要根据大量的样本性能数据来制定性能画像构建标准，以便在后续运行过程中，根据该性能画像构建标准与接收的目标性能数据，来构建目标性能画像，确保不同性能画像中同一画像维度下的数据符合统一标准，有利于后续基于性能画像进行人群分类。

示意性的，确定性能画像构建标准的过程可以包括以下步骤：

一、服务器接收样本终端上报的样本性能数据。

其中，样本性能数据与目标性能数据类似，均指在终端运行过程中采集到的与终端性能相关的数据。

在一种可能的实施方式中，样本终端将采集到的样本性能数据发送给服务器，即服务器接收到样本终端上报的样本性能数据。

可选的，服务器可以接收多个样本终端上报的样本性能数据，本实施例对样本终端的数目不构成限定。

示意性的，服务器接收10000个样本终端上报的样本性能数据。

二、当样本性能数据的数据量达到数据量阈值时，服务器根据样本性能数据的数据分布情况，确定性能画像构建标准，性能画像构建标准中包括性能画像中各个画像维度的构建标准。

由于性能画像构建标准是根据样本性能数据的数据分布情况确定的，即将具有相似特征的性能数据抽象为一个画像构建标准，而只有大量的样本性能数据才会呈现一定的集中分布情况，为了保证构建的性能画像标准的精度，以及获得的性能画像构建标准更细致，因此，在一种可能的实施方式中，设置有数据量阈值，即只有当样本性能数据的数据量达到数据量阈值时，服务器才会根据样本性能数据来确定性能画像构建标准。

示意性的，数据量阈值可以是2GB，当服务器检测到样本性能数据的数据量达到2GB时，即可以根据该样本性能数据的数据分布情况，确定性能画像构建标准。

可选的，性能画像构建标准用于将性能数据转化为所属画像维度下的可分级或可分类数据。

其中，性能画像构建标准包括性能画像中的各个画像维度的构建标准，而性能画像的画像维度包括但不限于：后台清理习惯、应用冷启动时长、应用热启动时长、应用丢帧次数、GPU使用情况、CPU使用情况和终端温度等。

示意性的，后台清理习惯可以是：在性能数据采集周期内后台终端进行后台清理的次数，应用冷启动时长可以是：终端中各类应用的冷启动时长(或终端中各个应用的冷启动时长)；应用热启动时长与应用冷启动时长类似；应用丢帧次数可以是终端中各个应用的丢帧次数；GPU的使用情况可以是：终端运行过程中的GPU使用率；CPU的使用情况可以是：终端运行过程中的GPU使用率；终端温度可以是终端整体温度或终端电池温度等。

在一种可能的实施方式中，若画像维度为应用丢帧次数，则根据样本性能数据中与应用丢帧次数相关的性能数据的数据分布情况，确定出划分该画像维度的构建标准可以是：应用丢帧次数小于等于10次为正常，应用丢帧次数10-50次为一般，应用丢帧次数50-100次为较高，应用丢帧次数大于等于100次为偏高；若画像维度为应用冷启动时长，则确定出划分该画像维度的构建标准可以是：应用冷启动时长小于等于3s为较快，应用冷启动时长3-5s为正常，应用冷启动时长大于等于5s为偏慢等。若画像维度为终端温度(整体)，则确定出的该画像维度的构建标准可以是：终端温度小于等于25℃为正常，终端温度25-35℃为较高，终端温度大于35℃为偏高等。依次类推，可以得到各个画像维度的构建标准，从而将各个画像维度的构建标准确定为性能画像构建标准。

可选的，各个画像维度的构建标准可以用一级、二级、三级来表示，比如，应用冷启动时长小于等于3s为一级，应用冷启动时长3-5s为二级，应用冷启动时长大于等于5s为三级等。

本实施例中，服务器通过接收样本终端上报的样本性能数据，根据该样本性能数据的数据分布情况，来确定性能画像的构建标准，以便后续服务器在接收到目标终端上报的目标性能数据时，可以根据该性能画像构建标准来构建目标终端对应的目标性能画像。

在一种可能的应用场景下，当服务器根据样本性能数据制定性能画像构建标准之后，可以向目标终端(或其他终端)下发性能画像构建标准，目标终端用于根据性能画像构建标准和目标性能数据在本地构建目标性能画像，使得目标终端无需向服务器发送目标性能数据，不依赖于网络，在本地即可构建性能画像，可以保证目标性能数据的安全性。

在一种可能的应用场景下，服务器通过分群聚类模型，来确定目标终端对应用户所属的目标群体，因此，在接收目标终端上传的目标性能数据之前，需要预先训练分群聚类模型。

示意性的，如图3所示，其示出了本申请一个示例性实施例示出的确定分群聚类模型过程的流程图，该方法包括：

步骤301，接收样本终端上报的样本性能数据。

本步骤的实施方式可以参考上文实施例，本实施例在此不做赘述。

步骤302，根据样本性能数据构建样本性能画像。

在一种可能的实施方式中，服务器预先根据样本性能数据，确定出性能画像构建标准之后，即可以根据样本性能数据和该性能画像构建标准，来构建样本应性能数据对应的样本性能画像。

由于服务器可以接收多个样本终端上报的样本性能数据，因此，服务器在得到性能画像构建标准之后，可以根据各个样本终端的样本性能数据和性能画像构建标准，确定各个样本终端对应的样本性能画像，由此，可以得到多个样本性能画像。

步骤303，当样本性能画像的数量达到数量阈值时，根据样本性能画像训练分群聚类模型。

由于分群聚类模型是将具有相似性能特征的性能画像进行聚类，而只有大量的性能画像才会呈现一定的聚类现象，为了保证训练得到的分群聚类模型的精度，因此，在一种可能的实施方式中，预先设置有数量阈值，当样本性能画像的数量达到数量阈值时，即可以根据该样本性能画像，来训练分群聚类模型。比如，样本性能画像的数量阈值可以是500个。

可选的，样本性能画像的数量阈值可以是默认值，也可以由人为设置。

在一种可能的实施方式中，服务器可以通过非监督方式来训练分群聚类模型：

1、将样本性能画像输入n个候选聚类模型，得到n个候选聚类模型对应的n种聚类结果，n为大于等于2的整数，且不同聚类模型采用不同聚类算法。

其中，聚类算法可以包括K均值(K-Means)聚类算法、均值偏移聚类算法、密度聚类算法、高斯混合模型(Gaussian Mixture Model，GMM)、层次聚类算法等。本实施例对采用的聚类算法不构成限定。

为了提高获取到的分群聚类模型的精度，并实现无监督训练，在一种可能的实施方式中，服务器将样本性能画像输入n个不同的候选聚类模型中进行训练，且不同的候选聚类模型分别采用不同的聚类算法，得到n个聚类结果。示意性的，若将样本性能画像分别输入候选聚类模型A和候选聚类模型B，得到候选聚类模型A对应的聚类结果为A

2、根据n种聚类结果对n个候选聚类模型进行交叉训练。

在一种可能的实施方式中，可以采用交叉训练的方式来训练多个候选聚类模型。示意性的，若采用候选聚类模型A和候选聚类模型B，则可以利用候选聚类模型A的聚类结果对候选聚类模型B进行训练，利用候选聚类模型B对候选聚类模型A进行训练，最终得到的不同候选聚类模型的聚类效果相近。

3、将训练得到的任一候选聚类模型确定为分群聚类模型。

在一种可能的实施方式中，当各个候选聚类模型的聚类结果满足收敛条件时(比如各个候选聚类模型的聚类结果的相似度高于相似度阈值)，可以将其中的任一候选聚类模型确定为分群聚类模型，且该分群聚类模型可以实现将样本性能画像划分到对应的预设群体中。

其中，利用分群聚类模型可以将各个样本性能画像进行分群聚类，得到各个样本性能画像对应的群体，比如，500个样本性能画像经过分群聚类模型，可能得到6个群体。即将该群体作为预设群体。

上述训练方法为无监督训练方法，通过使用不同聚类算法，可以使得算法插件化，方便交叉检验无监督聚类结果，既可以提高分群聚类模型的精度，同时可以实现自动化的模型训练过程。

本实施例中，服务器通过样本性能数据构建样本性能画像，当样本性能画像的数量达到数量阈值时，通过该样本性能画像训练分群聚类模型，以便后续根据该分群聚类模型来确定目标终端用户所属的目标群体。

请参考图4，其示出了本申请另一个示例性实施例示出的优化策略的推送方法的流程图。本实施例以该方法应用于图1所示的实施环境来举例说明。该方法包括：

步骤401，目标终端向服务器发送目标性能数据。

步骤402，服务器接收目标终端上报的目标性能数据。

步骤401和步骤402的实施方式可以参考步骤201和步骤202，本实施例在此不做赘述。

步骤403，服务器根据目标性能数据和性能画像构建标准，构建目标性能画像。

其中，性能画像构建标准的确定过程可以参考上文实施例，本实施例在此不做赘述。

在一种可能的实施方式中，服务器根据目标终端上报的目标性能数据和性能画像构建标准，来构建目标终端对应的目标性能画像。比如，目标性能画像的画像维度包括：应用冷启动时长、应用丢帧次数、终端温度；目标性能数据指示：应用冷启动时长为3s，应用丢帧次数为20次，终端温度为20℃，则可以得到该目标性能画像为：应用冷启动较快，应用丢帧次数一般，终端温度正常。

步骤404，服务器将目标性能画像输入分群聚类模型，得到分群聚类模型输出的目标群体，分群聚类模型用于根据性能画像将用户划分至预设群体。

在一种可能的实施方式中，当服务器获取到目标终端对应的目标性能画像之后，可以将该目标性能画像转化为向量的形式，输入预先训练好的分群聚类模型中，即可以得到该目标性能画像对应的目标群体。

步骤405，服务器向目标终端推送目标群体对应的目标优化策略。

步骤406，目标终端接收服务器推送的目标群体对应的目标优化策略，并在运行过程中执行目标优化策略。

上述步骤405和步骤406的实施方式可以参考步骤205和步骤206，本实施例在此不做赘述。

本实施例中，服务器中预先存储有性能画像构建标准，当接收到目标终端上报的目标性能数据之后，可以自动根据该性能画像构建标准，实现对目标性能画像的构建；此外，通过预先训练好的分群聚类模型，可以实现将目标性能画像划分到目标群体，以便后续根据目标群体确定对应的目标优化策略。

在上述实施例中，针对不同的预设群体，会设置有对应的优化策略，而同一预设群体均具有相似的性能特征，因此，在一种可能的实施方式中，可以通过区别于其它群体的性能特征来制定对应的优化策略。

请参考如图5所示，其示出了本申请一个示例性实施例示出的生成优化策略的方法的流程图，该方法包括：

步骤501，确定各个预设群体各自对应的离群特征，离群特征用于表示不同预设群体之间的区别群体特征，且离群特征属于性能画像的画像维度。

在一种可能的实施方式中，通过训练分群聚类模型得到多个预设群体，且各个预设群体都具有相似的性能特征，将各个预设群体的性能特征进行比较，可以得到各个预设群体对应的离群特征。

示意性的，若群体1对应的性能特征为：应用冷启动正常(3s)，群体2对应的性能特征为应用冷启动偏慢(5s-7s)，则比较群体1和群体2对应的性能特征可以得到群体2的离群特征为：应用冷启动偏慢(即超出正常范围2s-4s)。

步骤502，根据离群特征生成各个预设群体对应的优化策略。

在一种可能的实施方式中，服务器可以根据获得的离群特征来确定该群体对应的优化策略，比如，若该群体对应的离群特征指示：应用冷启动时长偏高，则根据该离群特征生成的优化策略可以是：当该应用启动时，使用CPU中的大核，或为应用分配更多的内存等。

由于不同目标终端对应的产生离群的原因不同，且与用户使用终端的习惯相关，因此，在确定优化策略时，也应该考虑不同目标终端对应的用户使用终端的习惯。

示意性的，在图5的基础上，如图6所示，步骤502可以包括步骤502A和步骤502B以及步骤502C。

步骤502A，获取预设群体中各个用户对应的用户画像，用户画像根据终端上报的用户数据构建得到，用户数据是终端使用过程中采集到的数据，用户画像用于表征用户使用终端的习惯。

其中，用户数据可以包括：应用的切换事件、终端亮灭屏事件、开关机事件、耳机插拔事件、充放电事件、通知事件、终端设置改动事件、用户运动状态、用户运动轨迹(常驻地)、无线网(Wireless Fidelity，Wifi)/移动数据开关切换事件等。

在一种可能的实施方式中，目标终端在运行过程中，会实时采集终端使用过程中的用户数据，并将该用户数据存储在特定的存储分区中，以便后续将采集到的用户数据发送给服务器，以便服务器根据用户数据构建用户画像，从而分析离群原因。

可选的，目标终端向服务器发送性能数据的同时，也可以向服务器发送采集到的用户数据。

由于终端采集到的用户数据中可能包含敏感信息，比如，采集到的与用户运动轨迹相关的信息，而终端将用户数据发送给服务器的过程中，需要通过有线或无线网络，用户数据可能被恶意截取，导致一些敏感信息的泄露，因此，在一种可能的实施方式中，当目标终端将用户数据发送给服务器之前，需要将该用户数据中的敏感信息进行数据脱敏，且该数据脱敏方式为可恢复性脱敏，即服务器可以根据相同的脱敏规则还原该用户数据。

示意性的，若敏感信息中包含用户运动轨迹的相关信息，则可以将用户的运动轨迹信息按照一定的脱敏规则，比如，对该轨迹信息使用加密算法进行加密，本实施例对用户数据采用的脱敏规则不构成限定。

可选的，脱敏规则可以是目标终端与服务器预先约定的。

在一种可能的实施方式中，服务器可以根据目标终端上报的用户数据构建用户画像，其中，用户画像的画像维度可以包括：用户电量获取难度、用户终端使用程度、用户睡眠习惯、用户行为差异划分电量线、用户行为差异划分时间点、耗电应用类型排行、耗电硬件排行、网络切换习惯、用户内存整体情况等。

可选的，根据用户数据构建用户画像的方法可以参考上文实施例中构建性能画像的方法，本实施例在此不做赘述。

示意性的，根据上述用户数据抽象出的用户画像可以是：用户切换过于频繁，且后台应用过多。

步骤502B，根据用户画像确定离群特征对应的离群原因。

在一种可能的实施方式中，服务器根据该终端上报的用户数据抽象出用户画像之后，可以根据该用户画像来分析该用户对应的离群原因。

示意性的，以应用丢帧次数为例，若该群体2对应的用户画像显示：用户切换过于频繁，且后台应用过多，由于用户在频繁切换应用的同时，且后台应用过多而导致的内存分配不足，出现丢帧等情况，因此，根据该用户画像可以得到应用丢帧次数偏高的原因是内存分配不足。

步骤502C，根据离群原因生成优化策略。

在一种可能的实施方式中，开发人员可以根据得到的离群原因确定相应的优化策略。以应用丢帧次数为例，若离群原因为：后台应用过多导致内存分配不足时，则可以推送内存相关的优化策略，比如，终端运行时优先使用CPU中的大核，或提供严格的后台应用管控策略，及时清理后台应用等。

可选的，开发人员预先根据各个离群特征制定相应的优化策略，并存储在服务器中，以便服务器根据离群原因来匹配对应的优化策略。

本实施例中，服务器通过构建用户画像，来分析各个预设群体产生离群特征的原因，从而根据该离群原因生成对应的优化策略，使得优化策略更符合用户使用终端的习惯，从而实现面向不同用户的差异化的优化策略推送。

由于属于同一预设群体的不同用户的性能特征可能存在差异，比如，上文实施例中的群体2对应的性能特征为应用冷启动偏慢5s-7s，在群体2中，若用户A对应的应用冷启动时长5s，用户B对应的应用冷启动时长为7s，用户A和用户B分别相对于群体1的离群程度存在差异，为了使得推送的目标优化策略更符合用户使用终端的习惯，因此，根据群体2确定的目标优化策略也应该根据不同用户的离群程度来进行相应的调整。

在一种可能实施方式中，在图4的基础上，如图7所示，步骤405和步骤406可以被替换为步骤407至步骤410。

步骤407，服务器获取目标群体对应的目标优化策略。

在一种可能的实施方式中，服务器中存储有各个预设群体对应的优化策略，当服务器根据构建出的目标性能画像和分群聚类模型确定出目标群体之后，可以根据该目标群体匹配对应的目标优化策略。

步骤408，服务器根据目标群体对应的目标离群特征，以及目标性能画像的画像维度，确定目标性能画像的离群程度。

在一种可能的实施方式中，离群程度指目标终端对应用户在目标群体中的离群程度，以画像维度为应用冷启动时长为例进行说明，目标群体2对应的目标离群特征为应用冷启动偏慢(5s-7s)，目标群体2中包含的用户A对应的应用冷启动时长为5s，在目标群体2中处于较低分级，即用户A对应的目标性能画像的离群程度较低。

步骤409，服务器根据离群程度对目标优化策略进行调整，并向目标终端推送调整后的目标优化策略。

由于目标终端在目标群体中的离群程度不同，为了使得服务器推送的目标优化策略更符合目标终端的实际情况，因此，在一种可能的实施方式中，服务器可以根据离群程度对目标优化策略进行调整，并向目标终端推送调整后的目标优化策略。

示意性的，以应用冷启动时长为例，群体2对应的目标优化策略可以为：将为应用分配的内存提高40％。而对于群体2中包含的用户A，由于该用户A对应的离群程度较低，则根据该离群程度，可以将目标优化策略调整为：将为应用分配的内存提高30％；而由于终端B对应的离群程度较高，则可以将为应用分配的内存提高50％。

步骤410，目标终端接收服务器推送的调整后的目标优化策略，并在运行过程中执行调整后的目标优化策略。

在一种可能的实施方式中，当目标终端接收到服务器推送的调整后的目标优化策略之后，可以将调整后的目标优化策略分发至目标终端中的各个应用，由各个应用在运行过程中执行对应的目标优化策略。

本实施例中，通过分析目标终端的离群程度，来适当调整目标优化策略，并向目标终端推送调整后的目标优化策策略，可以动态地指定目标终端专属的优化策略，提升了目标优化策略与目标终端的适配性。

当目标终端执行目标优化策略之后，服务器还需确定该目标优化策略是否可以达到预期的优化目的，为了监督后续目标终端的优化效果，以便及时调整优化策略，在一种可能的实施方式中，当目标终端执行该目标优化策略之后，可以将优化策略执行结果反馈给服务器。

示意性的，在图4的基础上，如图8所示，该方法还可以包括步骤411至步骤413。

步骤411，目标终端向服务器发送优化策略执行结果，优化策略执行结果指目标终端执行目标优化策略后的优化效果。

在一种可能的实施方式中，当目标终端执行目标优化策略之后，可以将优化效果及时反馈给服务器。比如，以应用冷启动时长为例，若目标优化策略为将为该应用分配的内存提高40％，当目标终端按照该目标优化策略执行之后，目标终端可以采集优化后的应用冷启动时长数据，并将应用冷启动时长数据发送给服务器。

可选的，目标终端可以每隔预定时间，向服务器发送优化策略执行结果。

比如，每隔7天。

步骤412，服务器接收目标终端上报的优化策略执行结果。

在一种可能的实施方式中，服务器可以定期接收到目标终端上报的优化策略执行结果。可选的，可以将该优化执行结果与上报时间关联存储，以便后续进行分析调整目标优化策略。

步骤413，服务器根据优化策略执行结果调整目标优化策略。

在一种可能的实施方式中，开发人员可以从服务器接收到的策略执行结果中，分析该目标优化策略是否达到预期目标。比如，若优化后的应用冷启动时长为3s，即由原来的6s(偏高)变为3s(正常)，表示该目标优化策略的执行结果可以达到预期目标，即减少应用冷启动时长。

可选的，若优化后的应用冷启动时长仍为6s，即表示该目标优化策略的执行结果并不理想，因此，开发人员需要根据该优化策略执行结果来相应调整目标优化策略，并将调整后的目标优化策略再次发送给目标终端，比如，将为应用分配的内存提高50％。

本实施例中，通过目标终端向服务器发送优化策略执行结果，即服务器可以实时监督目标优化策略的执行结果，以便评定该目标优化策略是否达到预期目标，实现目标优化策略的动态调整，提高目标优化策略与目标终端的适配度。

在一种可能的应用场景下，当服务器根据样本性能数据确定出性能画像构建标准之后，开发人员即可以根据该性能画像构建标准制定对应的画像优化策略，示意性的，以应用冷启动时长为例，若性能画像构建标准是：应用冷启动时长小于等于3s为较快，应用冷启动时长3-5s为正常，应用冷启动时长大于等于5s为偏慢，则针对应用冷启动较快制定优化策略1，针对应用冷启动正常制定优化策略2，针对应用冷启动偏慢制定优化策略3，策略1至策略3即为画像优化策略。

可选的，当服务器根据目标性能数据构建出目标性能画像之后，即可以根据该目标性能画像包含的画像维度，来确定目标终端对应的画像优化策略，并将该画像优化策略发送给目标终端，以便目标终端在运行过程中执行该画像优化策略，比如，若目标性能画像指示目标终端对应的应用冷启动偏慢，即可以将策略3确定为目标性能画像对应的画像策略，并将该画像策略推送给目标终端。

可选的，目标终端也可以定期将目标性能画像对应的画像优化策略的执行结果反馈给服务器。

请参考图9，其示出了本申请一个示例性实施例示出的完整的优化策略推送方法的流程图。该方法包括：

步骤901，目标终端向服务器发送目标性能数据。

步骤902，服务器向目标终端推送性能画像构建标准。

步骤903，目标终端根据目标性能数据和性能画像构建标准，构建目标性能画像。

步骤904，根据性能画像构建标准，制定画像优化策略。

步骤905，服务器获取目标性能画像对应的画像优化策略。

步骤906，服务器向目标终端推送目标性能画像对应的画像优化策略。

步骤907，目标终端接收服务器推送的目标性能画像对应的画像优化策略，并在运行过程中执行画像优化策略。

步骤908，服务器根据目标性能数据和性能画像构建标准，构建目标性能画像。

步骤909，服务器将目标性能画像输入分群聚类模型，得到目标群体。

步骤910，服务器获取目标群体匹配的目标优化策略。

步骤911，服务器向目标终端推送目标群体对应的目标优化策略。

步骤912，目标终端接收服务器推送的目标群体对应的目标优化策略，并在运行过程中执行目标优化策略。

步骤913，目标终端向服务器发送优化策略执行结果。

步骤914，服务器接收目标终端上报的优化策略执行结果，并根据优化策略执行结果调整目标优化策略。

请参考图10，其示出了本申请一个实施例提供的优化策略的推送装置的结构框图。该装置可以通过软件、硬件或者两者的结合实现成为服务器的全部或一部分。该装置包括：

第一接收模块1001，用于接收目标终端上报的目标性能数据，所述目标性能数据是在终端运行过程中采集到的与终端性能相关的数据；

第一构建模块1002，用于根据所述目标性能数据构建目标性能画像，所述目标性能画像用于表征使用所述目标终端时的性能特征；

第一确定模块1003，用于根据所述目标性能画像确定所述目标终端对应用户所属的目标群体；

推送模块1004，用于向所述目标终端推送所述目标群体对应的目标优化策略，所述目标终端用于在运行过程中执行所述目标优化策略。

可选的，所述第一确定模块1003，包括：

第一输入单元，用于将所述目标性能画像输入分群聚类模型，得到所述分群聚类模型输出的所述目标群体，所述分群聚类模型用于根据性能画像将用户划分至预设群体。

可选的，所述装置还包括：

第二接收模块，用于接收样本终端上报的样本性能数据；

第二构建模块，用于根据所述样本性能数据构建样本性能画像；

训练模块，用于当所述样本性能画像的数量达到数量阈值时，根据所述样本性能画像训练所述分群聚类模型。

可选的，所述训练模块，包括：

第二输入单元，用于将所述样本性能画像输入n个候选聚类模型，得到所述n个候选聚类模型对应的n种聚类结果，n为大于等于2的整数，且不同聚类模型采用不同聚类算法；

交叉训练单元，用于根据所述n种聚类结果对所述n个候选聚类模型进行交叉训练；

第一确定单元，用于将训练得到的任一候选聚类模型确定为所述分群聚类模型。

可选的，所述装置还包括：

第二确定模块，用于当所述样本性能数据的数据量达到数据量阈值时，根据所述样本性能数据的数据分布情况，确定性能画像构建标准，所述性能画像构建标准中包括性能画像中各个画像维度的构建标准；

所述第一构建模块1002，包括：

构建单元，用于根据所述目标性能数据和所述性能画像构建标准，构建所述目标性能画像。

可选的，所述装置还包括：

下发模块，用于向所述目标终端下发所述性能画像构建标准，所述目标终端用于根据所述性能画像构建标准和所述目标性能数据在本地构建所述目标性能画像。

可选的，所述装置还包括：

第三确定模块，用于确定各个所述预设群体各自对应的离群特征，所述离群特征用于表示不同预设群体之间的区别群体特征，且所述离群特征属于性能画像的画像维度；

生成模块，用于根据所述离群特征生成各个所述预设群体对应的优化策略。

可选的，所述生成模块，包括：

第一获取单元，用于获取所述预设群体中各个用户对应的用户画像，所述用户画像根据终端上报的用户数据构建得到，所述用户数据是终端使用过程中采集到的数据，所述用户画像用于表征用户使用终端的习惯；

第二确定单元，用于根据所述用户画像确定所述离群特征对应的离群原因；

生成单元，用于根据所述离群原因生成所述优化策略。

可选的，所述推送模块1004，包括：

第二获取单元，用于获取所述目标群体对应的目标优化策略；

第三确定单元，用于根据所述目标群体对应的目标离群特征，以及所述目标性能画像的画像维度，确定所述目标性能画像的离群程度；

推送单元，用于根据所述离群程度对所述目标优化策略进行调整，并向所述目标终端推送调整后的所述目标优化策略。

可选的，所述装置还包括：

第三接收模块，用于接收所述目标终端上报的优化策略执行结果，所述优化策略执行结果指所述目标终端执行所述目标优化策略后的优化效果；

调整模块，用于根据所述优化策略执行结果调整所述目标优化策略。

可选的，所述目标性能画像的画像维度包括如下至少一种：后台清理习惯、应用冷启动时长、应用热启动时长、应用丢帧次数、GPU使用情况、CPU使用情况和终端温度。

综上所述，本申请实施例中，目标终端将在终端运行过程中采集到的与终端性能相关的数据(即目标性能数据)发送给服务器，由服务器根据该目标性能数据构建目标性能画像，以确定目标终端对应用户所属的目标群体，从而向目标终端推送该目标群体对应的目标优化策略，以便目标终端在运行过程中执行该目标优化策略。通过构建与该目标终端相匹配的性能画像的方式，来确定目标终端对应用户所属的目标群体，以便根据该目标群体确定向该目标终端推送的优化策略，相较于相关技术中统一的优化策略，本申请实施例提供的优化策略，可以实现根据不同群体进行差异化的目标优化策略的推送，更符合用户的使用习惯，从而给用户提供切合实际使用需求的优化策略，同时提升了终端在性能方面的优化策略的差异性和多样性。

需要说明的是，上述实施例提供的装置在实现其功能时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的装置与方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

请参考图11，其示出了本申请一个示例性实施例提供的服务器1100的结构框图。本申请实施例中的服务器1100可以包括一个或多个如下部件：处理器1110和存储器1120。

处理器1110可以包括一个或者多个处理核心。处理器1110利用各种接口和线路连接整个服务器内的各个部分，通过运行或执行存储在存储器1120内的指令、程序、代码集或指令集，以及调用存储在存储器1120内的数据，执行服务器的各种功能和处理数据。可选的，处理器1110可以采用数字信号处理(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 LogicArray，PLA)中的至少一种硬件形式来实现。处理器1110可集成CPU和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统和应用程序等；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1110中，单独通过一块芯片进行实现。

可选的，处理器1110执行存储器1120中的程序指令时实现上述各个方法实施例提供的方法。

存储器1120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，ROM)。可选地，该存储器1120包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器1120可用于存储指令、程序、代码、代码集或指令集。存储器1120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、用于至少一个功能的指令、用于实现上述各个方法实施例的指令等；存储数据区可存储根据服务器的使用所创建的数据等。

本领域技术人员可以理解，图11中示出的结构并不构成对服务器的限定，可以包括比图示更多或更少的组件，或者组合某些组件，或者采用不同的组件布置。

本申请实施例还提供了一种计算机可读介质，该计算机可读介质存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现如上各个实施例所述的优化策略的推送方法。

本申请实施例还提供了一种计算机程序产品，该计算机程序产品存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现如上各个实施例所述的优化策略的推送方法。

本领域技术人员应该可以意识到，在上述一个或多个示例中，本申请实施例所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时，可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。

以上所述仅为本申请的可选实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。