1.一种基于人工智能的终端软件综合分析方法，其特征在于，所述方法包括：获取终端设备的硬件配置信息以及终端软件在所述终端设备上运行过程中的性能指标数据；

对所述性能指标数据进行特征提取处理，得到性能特征；

将所述性能特征和所述硬件配置信息作为当前样本特征加入历史样本特征集，以更新所述历史样本特征集；并对所述历史样本特征集中的所有样本特征进行聚类分析，得到所述当前样本特征的聚类分析结果；

将所述当前样本特征和所述聚类分析结果输入至强化学习调优模型，输出软件参数配置建议；

基于白盒约束规则和黑盒性能预测模型对所述软件参数配置建议进行安全评估，得到评估结果，并根据所述评估结果生成软件优化方案；

在根据所述软件优化方案配置所述终端软件的参数后，监控所述终端软件在所述终端设备上运行过程中的性能变化数据，并根据所述性能变化数据优化所述强化学习调优模型。

2.根据权利要求1所述的方法，其特征在于，所述强化学习调优模型的训练过程包括：通过遗传算法对软件配置参数空间进行粗粒度探索，生成初始样本集；

基于深度确定性策略梯度算法构建Actor‑Critic网络，并利用所述初始样本集对所述Actor‑Critic网络进行预训练；

在训练过程中获取软件性能反馈数据，并根据所述软件性能反馈数据和预设的奖励函数更新所述Actor‑Critic网络的网络参数；

其中，所述初始样本集包括状态、动作和奖励；所述状态包括：由所述遗传算法得到的生成式硬件配置信息和生成式性能特征，以及生成式聚类分析结果；所述生成式聚类分析结果为由所述生成式硬件配置信息和所述生成式性能特征形成的生成式样本特征在所述历史样本特征中进行所述聚类分析得到的结果；所述动作为由所述遗传算法生成的软件参数配置建议；所述奖励为根据预设评估规则计算的奖励值。

3.根据权利要求2所述的方法，其特征在于，所述奖励函数的表达式为：；

其中， 为调整前的软件响应时间， 为调整后的软件响应时间， 为调整后的资源利用率， 为预设的目标资源利用率， 为调整后的异常事件计数，为预设的异常事件计数阈值， 、 和 为权重系数； 为异常事件指示函数，满足条件时取1，否则取0。

4.根据权利要求1所述的方法，其特征在于，所述白盒约束规则的约束条件为：；

其中， 为所述终端软件的线程池容量上限， 为所述终端设备的CPU核心数， 为所述终端软件的JVM堆内存上限， 为所述终端设备的物理内存总量， 为预设的非堆内存预留值， 、 和 为预设值。

5.根据权利要求1所述的方法，其特征在于，所述聚类分析采用K‑Means算法；

所述对所述历史样本特征集中的所有样本特征进行聚类分析，得到所述当前样本特征的聚类分析结果，包括：S1：使用手肘法确定聚类数K；其中，K小于所述历史样本特征集中的样本特征的数量；

S2：随机从所述历史样本特征集中选取K个样本特征作为初始聚类中心；

S3：根据以下改进的加权余弦距离公式，计算所述历史样本特征集中的每个样本特征到每个聚类中心 的距离 ：；

其中， 是所述样本特征的特征维度数， 是样本特征 的第 个特征值， 是聚类中心 的第 个特征值， 为第 个特征值的权重；

S4：将样本特征 分配到距离最近的聚类中心所在的聚类中；

S5：根据以下公式，重新计算每个聚类 的全部所述样本特征在每个特征维度上的平均值，作为每个聚类 的聚类中心 在对应特征维度上的特征值 ：；

其中， 是聚类 中的所述样本特征的数量；

S6：重复S3到S5，直至前后两次迭代中聚类中心的位置变化小于预设阈值或者达到最大迭代次数，得到最终聚类结果；

S7：根据预设标准，分析所述最终聚类结果中的每个所述聚类的特征，并根据每个所述聚类的所述特征，为每个所述聚类标注上预设的簇标签；将标注在所述当前样本特征所属聚类的所述簇标签作为所述聚类分析结果；其中，不同的所述簇标签代表不同的软件运行模式。

6.根据权利要求5所述的方法，其特征在于，所述改进的加权余弦距离公式中各所述特征值的权重由各所述特征值的重要性确定；

各所述特征值的重要性的计算公式为：

；

其中， 为第 个特征值的重要性， 为全体样本的性能方差，为固定特征值 取值后的条件方差， 为特征值 调整前后的性能变化均值， 为性能变化的标准差。

7.根据权利要求1‑6任意一项所述的方法，其特征在于，所述对所述性能指标数据进行特征提取处理，得到性能特征，包括：提取所述性能指标数据的时间序列特征；

根据所述性能指标数据和所述硬件配置信息，生成关联特征；其中，所述关联特征包括资源利用率特征和硬件性能适配特征；

将所述时间序列特征和所述关联特征作为所述性能特征。

8.根据权利要求7所述的方法，其特征在于，所述提取所述性能指标数据的时间序列特征，包括：将所述性能指标数据记为时间序列数据；

计算所述时间序列数据在过去 个时间点的移动平均值；其中， 为预设值；

根据所述移动平均值和所述时间序列数据，计算所述性能指标数在过去 个时间点的标准差；

运用线性回归方法拟合所述时间序列数据在过去 个时间点的数据，得到所述时间序列数据的斜率值；

将所述移动平均值、所述标准差以及所述斜率值作为所述时间序列特征。

9.一种基于人工智能的终端软件综合分析系统，其特征在于，所述系统包括：数据获取模块，用于获取终端设备的硬件配置信息以及终端软件在所述终端设备上运行过程中的性能指标数据；

特征提取模块，用于对所述性能指标数据进行特征提取处理，得到性能特征；

聚类分析模块，用于将所述性能特征和所述硬件配置信息作为当前样本特征，将所述当前样本特征加入历史样本特征集，以更新所述历史样本特征集；并对所述历史样本特征集中的所有样本特征进行聚类分析，得到所述当前样本特征的聚类分析结果；

调优分析模块，用于将所述当前样本特征和所述聚类分析结果输入至强化学习调优模型，输出软件参数配置建议；

优化方案生成模块，用于基于白盒约束规则和黑盒性能预测模型对所述软件参数配置建议进行安全评估，得到评估结果，并根据所述评估结果生成软件优化方案；

反馈优化模块，用于在根据所述软件优化方案配置所述终端软件的参数后，监控所述终端软件在所述终端设备上运行过程中的性能变化数据，并根据所述性能变化数据优化所述强化学习调优模型。

10.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法。