CN115658017A - 一种接口限流方法、装置、存储介质及电子设备 - Google Patents

Abstract

本说明书公开了一种接口限流方法、装置、存储介质及电子设备，可以根据目标接口的接口流量数据和物理资源的资源占用数据，确定出目标接口的接口流量数据和物理资源的资源占用数据之间的关联程度，进而可以针对不同关联程度的目标接口，选取合适的限流值推荐模型，来确定该目标接口的限流值，从而可以提升确定出的用于对接口的访问流量进行限流的限流值的准确性。

Description

一种接口限流方法、装置、存储介质及电子设备

技术领域

本说明书涉及计算机技术领域，尤其涉及一种接口限流方法、装置、存储介质及电子设备。

背景技术

目前，在应用中通常会提供多个接口，以供用户访问，而在实际应用中，常常会出现一些特殊情况，导致个别接口的访问流量可能在短时间的大量增加(例如，出现热点新闻而导致社交平台的某个接口的用户访问流量骤增)，进而导致提供应用的服务器出现运行异常，甚至会出现泄漏隐私数据的可能。

为了避免服务器因接口访问流量的异常增加而出现的运行异常，通常需要为应用的每个接口设置限流值，以使在应用的任意一个接口的访问流量超过该接口的限流值时，自动拦截该接口中超过限流值的流量，从而能够对接口进行保护，以及能够为应用的稳定运行提供保障。

现有技术中，通常会通过人工的方式为每个接口设置限流值，而这种方法为各接口设置的限流值的准确性较低。

因此，如何能够提高为各接口设置限流值的准确性，则是一个亟待解决的问题。

发明内容

本说明书提供一种接口限流方法、装置、存储介质及电子设备，以解决现有技术存在的为接口设置的限流值准确性低的问题。

本说明书采用下述技术方案：

本说明书提供了一种接口限流方法，包括：

获取目标接口的接口流量数据，以及所述目标接口对应的应用运行时的资源占用数据；

根据所述接口流量数据以及所述资源占用数据，确定所述接口流量数据与所述资源占用数据之间的关联程度，其中，在不同关联程度下，接口流量数据改变时对应用运行时的资源占用数据的改变的程度不同；

根据所述关联程度，确定所述目标接口对应的限流值推荐模型，并通过确定出的限流值推荐模型，确定所述目标接口的限流值；

根据所述限流值，对所述目标接口进行限流。

可选地，根据所述关联程度，确定所述目标接口对应的限流值推荐模型，具体包括：

确定所述关联程度的置信度；

判断所述置信度是否超过预设的第一置信度阈值；

若是，则根据所述关联程度，确定所述目标接口对应的限流值推荐模型。

可选地，所述方法还包括：

若确定所述置信度未超过所述第一置信度阈值，则判断所述置信度是否超过预设的第二置信度阈值，其中，所述第一置信度阈值大于所述第二置信度阈值；

若是，则从预设的各限流值推荐模型中选取至少两种限流值推荐模型，并通过选取出的至少两种限流值推荐模型，确定所述目标接口的各候选限流值，以及对各候选限流值进行融合，得到所述目标接口的限流值。

可选地，所述方法还包括：

若确定所述置信度未超过预设的第二置信度阈值，则将预设的限流值，确定为所述目标接口的限流值。

可选地，根据所述关联程度，确定所述目标接口对应的限流值推荐模型，并通过确定出的限流值推荐模型，确定所述目标接口的限流值，具体包括：

若根据所述关联程度，确定所述接口流量数据与所述资源占用数据之间存在线性相关，则将预设的回归分析模型，作为所述目标接口对应的限流值推荐模型，并通过所述回归分析模型，确定所述目标接口的接口流量数据与所述资源占用数据之间的线性关系，以根据所述线性关系，确定所述目标接口的限流值。

可选地，根据所述关联程度，确定所述目标接口对应的限流值推荐模型，并通过确定出的限流值推荐模型，确定所述目标接口的限流值，具体包括：

若根据所述关联程度，确定所述接口流量数据与所述资源占用数据之间呈非线性相关，则将预设的深度学习模型，作为所述目标接口对应的限流值推荐模型；

将所述接口流量数据、所述目标接口对应的应用中包含的其他接口的接口流量数据、以及所述资源占用数据输入到所述深度学习模型中，以确定所述目标接口的限流值。

可选地，据所述关联程度，确定所述目标接口对应的限流值推荐模型，并通过确定出的限流值推荐模型，确定所述目标接口的限流值，具体包括：

若根据所述关联程度，确定所述接口流量数据与所述资源占用数据之间的关联关系满足预设的不确定性，则确定预设的基线估计模型，作为所述目标接口对应的限流值推荐模型；

通过所述基线估计模型，根据所述目标接口对应应用的应用流量数据以及所述资源占用数据，确定所述目标接口对应应用的限流值，并根据所述接口流量数据在所述应用流量数据中的占比、以及所述应用的限流值，确定所述目标接口的限流值。

可选地，根据所述接口流量数据以及所述资源占用数据，确定所述接口流量数据与所述资源占用数据之间的关联程度，具体包括：

将所述接口流量数据以及所述资源占用数据输入到预先训练的关联模型中，以通过所述关联模型，确定所述接口流量数据与所述资源占用数据之间的关联程度。

可选地，训练所述关联模型，具体包括：

获取样本接口的接口流量数据，以及所述样本接口对应的应用运行时的资源占用数据；

将所述样本接口的接口流量数据，以及所述资源占用数据输入到所述关联模型中，得到所述关联模型输出的所述样本接口的接口流量数据与资源占用数据之间的关联程度；

以最小化所述关联模型输出所述样本接口的接口流量数据与资源占用数据之间的关联程度，与所述样本接口的接口流量数据与资源占用数据之间的实际关联程度之间的偏差为优化目标，对所述关联模型进行训练。

本说明书提供了一种接口限流装置，包括：

获取模块，用于获取目标接口的接口流量数据，以及所述目标接口对应的应用运行时的资源占用数据；

第一确定模块，用于根据所述接口流量数据以及所述资源占用数据，确定所述接口流量数据与所述资源占用数据之间的关联程度，其中，在不同关联程度下，接口流量数据改变时对应用运行时的资源占用数据的改变的程度不同；

第二模块，用于根据所述关联程度，确定所述目标接口对应的限流值推荐模型，并通过确定出的限流值推荐模型，确定所述目标接口的限流值；

限流模块，用于根据所述限流值，对所述目标接口进行限流。

本说明书提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述接口限流方法。

本说明书提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述接口限流方法。

本说明书采用的上述至少一个技术方案能够达到以下有益效果：

在本说明书提供的接口限流方法，首先获取目标接口的接口流量数据，以及目标接口对应的应用运行时的资源占用数据，根据接口流量数据以及资源占用数据，确定接口流量数据与资源占用数据之间的关联程度，其中，在不同关联程度下，接口流量数据改变时对应用运行时的资源占用数据的改变的程度不同，根据关联程度，确定目标接口对应的限流值推荐模型，并通过确定出的限流值推荐模型，确定目标接口的限流值，根据限流值，对目标接口进行限流。

从上述方法中可以看出，可以根据目标接口的接口流量数据和物理资源的资源占用数据，确定出目标接口的接口流量数据和物理资源的资源占用数据之间的关联程度，进而可以针对不同关联程度的目标接口，选取合适的限流值推荐模型，来确定该目标接口的限流值，从而可以提升确定出的用于对接口的访问流量进行限流的限流值的准确性。

附图说明

此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附

图中：

图1为本说明书中提供的一种接口限流方法的流程示意图；

图2为本说明书中提供的目标接口的限流值的确定过程示意图；

图3为本说明书提供的一种接口限流装置的示意图；

图4为本说明书提供的一种对应于图1的电子设备的示意图。

具体实施方式

为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本说明书保护的范围。

目前，为了保障应用的服务器因应用中的接口的访问流量过载而产生异常，通常会采用两种方法，来为每个接口设置限流值，以使在应用的任意一个接口的访问流量超过该接口的限流值时，自动拦截该接口中超过限流值的流量，从而能够对接口进行保护，以及能够为应用的稳定运行提供保障，以下分别针对这两种为接口设置限流值的方法进行详细说明。

第一种方法是通过人工，凭借个人经验进行推算，从而确定出为每个接口设置的限流值，而这种方法为各接口设置的限流值的准确性较低，并且由于接口的数量众多，所以通过第一种方法为每个接口设置限流值还将消耗大量的人力资源。

第二种方法是通过基线估计算法，通过假设接口的访问流量与中央处理器(Central Processing Unit，CPU)的资源占用数据之间的联系为线性相关(即，认为接口的访问流量增加时，占用的CPU的资源与接口的访问流量呈正比例增加)，进而可以根据应用的流量数据，以及CPU的资源消耗数据，确定出应用的限流值，进而可以根据应用的各接口之间的流量数据的比例关系，以及应用的限流值，确定出各接口的限流值，而在实际应用中，接口的访问流量与CPU的资源消耗数据之间的关联除了线性关联外，往往还存在非线性相关的关联(即，存在部分接口，即使在访问流量较多时，但对CPU的资源占用却并不多，或者，存在部分接口，即使在访问流量较少时，依旧会占用大量的CPU的资源)，因此，若简单的认为接口流量数据与CPU的资源占用数据呈线性相关，必然会导致为部分接口设置的限流值不准确。

以下结合附图，详细说明本说明书各实施例提供的技术方案。

图1为本说明书中提供的一种接口限流方法的流程示意图，包括以下步骤：

S100：获取目标接口的接口流量数据，以及所述目标接口对应的应用运行时的资源占用数据。

在本说明书中，业务平台可以针对业务平台提供的应用的每个接口设置一个限流值，该限流值用于在该限流值对应的接口的访问流量超过该限流值时，自动拦截该接口中超过限流值的流量，从而能够对接口进行保护，以及能够为应用的稳定运行提供保障，而在此之前，业务平台可以将应用中需要设置限流值的接口，作为目标接口，进而可以获取目标接口的接口流量数据，以及目标接口对应的应用运行时的资源占用数据，进而可以根据获取到的目标接口的接口流量数据，以及目标接口对应的应用运行时的资源占用数据，为目标接口确定一个限流值，并将确定出的限流值配置到目标接口中，这里的资源占用数据可以是指诸如：中央处理器CPU的资源占用数据、存储设备的资源占用数据等资源占用数据，以下将以资源占用数据为中央处理器CPU的资源占用数据为例，对本说明书中提供的接口限流方法进行详细说明。

在上述内容中，目标接口的接口流量数据包括：目标接口的每分钟的访问量、目标接口每分钟的访问请求的平均响应时长等。

在上述内容中，CPU的资源占用数据包括CPU使用率(CPU Util)、CPU核心数(CPUCores)等。

另外，由于在实际应用中，目标接口的接口流量数据可能会很多，从而不便于处理，因此，服务器可以获取一段时间内的目标接口的接口流量数据，以及这段时间内的目标接口对应的应用运行时占用CPU的资源占用数据，这里的一段时间可以是诸如：一个小时、一天等。

例如：可以获取目标接口在一天内的每分钟的访问量(即，一天内每一分钟的用户访问目标接口的访问量)、目标接口在一天内的每分钟的访问请求的平均响应时长(即，一天内每一分钟的访问目标接口的访问请求的平均响应时长，例如，一分钟内有2个访问请求，一个请求的响应时长为5秒，另一个请求的响应时长为2秒，则这一分钟的访问请求的平均响应时长为3.5秒)，一天内目标接口对应的应用运行时CPU的使用率，一天内目标接口对应的应用运行时占用的CPU的核心数。

在本说明书中，用于实现接口限流方法的执行主体，可以是指服务器等指定设备，也可以是指诸如台式电脑、笔记本电脑等终端设备，为了便于描述，下面仅以服务器是执行主体为例，对本说明书提供的接口限流方法进行说明。

S102：根据所述接口流量数据以及所述资源占用数据，确定所述接口流量数据与所述资源占用数据之间的关联程度，其中，在不同关联程度下，接口流量数据改变时对应用运行时的资源占用数据的改变的程度不同。

在本说明书中，服务器在获取到每个目标接口的接口流量数据后，可以根据获取到的接口流量数据，以及资源占用数据进行拟合，从而可以根据拟合结果，确定出目标接口的接口流量数据和资源占用数据之间的关联程度，其中，在不同关联程度下，接口流量数据改变时对应用运行时的资源占用数据的改变的程度不同。

除此之外，服务器在获取到每个目标接口的接口流量数据后，还可以将获取到的接口流量数据，以及资源占用数据输入到预先训练的关联模型中，以通过关联模型，确定接口流量数据与资源占用数据之间的关联程度。

需要说明的是，为了进一步地提高通过关联模型确定的目标接口的接口流量数据与资源占用数据之间的关联程度的准确性，服务器还可以在将获取到的接口流量数据，以及资源占用数据输入到预先训练的关联模型之前，对获取到的接口流量数据，以及资源占用数据进行降噪、平滑处理，即，将获取到的接口流量数据，以及资源占用数据中的异常值删除后，再将获取到的接口流量数据，以及资源占用数据输入到关联模型中。

在上述内容中，在不同关联程度下，接口的接口流量数据改变时对物理资源的资源占用数据的改变的程度不同，服务器可以根据关联程度，确定出目标接口的接口流量数据与资源占用数据之间的关联关系类型，其中，关联关系类型包括：线性相关(这种关联程度的接口的访问流量数据增加时，对CPU的资源占用数据也会相应的增加，并且CPU的资源占用数据的增加量与接口的访问流量数据的增加量呈正比例相关)、非线性相关(种关联程度的接口的访问流量数据增加时，对CPU的资源占用数据也会相应的增加，但是CPU的资源占用数据的增加量不一定，可能很大也可能很小)。

除此之外，在实际应用中还存在一种接口，这种接口的接口流量数据的增加或者减少，对CPU的资源占用并没有明显的影响，因此，不能确定出接口流量数据与资源占用数据之间的关联关系是线性相关，还是非线性相关，则可以认为这种接口的接口流量数据和资源占用数据之间的关联关系满足预设的不确定性。

在上述内容中，关联模型的训练方法可以是将样本接口的接口流量数据，以及样本接口对应的应用运行时的资源占用数据，输入到关联模型中，得到关联模型输出的样本接口的接口流量数据与资源占用数据之间的关联程度，以最小化关联模型输出的样本接口的接口流量数据与资源占用数据之间的关联程度，与该样本接口的接口流量数据与资源占用数据之间的实际关联程度之间的偏差为优化目标，对关联模型进行训练。

另外，为了提升通过关联模型确定的目标接口的接口流量数据与资源占用数据之间的关联程度的准确性，服务器还可以获取到目标接口的参考接口数据，并将获取到的参考接口数据和接口流量数据输入到关联模型中，以使关联模型根据参考接口数据和接口流量数据，确定出目标接口的接口流量数据与资源占用数据之间的关联程度。

其中，参考接口数据包括：目标接口的访问流量峰值、当目标接口的访问流量处于峰值时CPU的资源占用数据、目标接口的访问流量在目标接口对应的应用的各接口中的排名、目标接口的访问流量在目标接口对应的应用的所有接口的访问流量中的占比、目标接口的内部调用在目标接口对应的应用的所有接口的内部调用中的占比等。

从上述内容中可以看出，服务器可以根据关联模型确定出的目标接口的接口流量数据与资源占用数据之间的关联程序，确定出目标接口的关联关系类型，从而实现一种场景聚类的效果，以提升确定出的目标接口的限流值的准确性。

S104：根据所述关联程度，确定所述目标接口对应的限流值推荐模型，并通过确定出的限流值推荐模型，确定所述目标接口的限流值。

在本说明书中，服务器在确定目标接口的接口流量数据与CPU的资源占用数据之间的关联程度后，可以根据确定出的关联程度，确定目标接口对应的限流值推荐模型，并通过确定出的限流值推荐模型，确定目标接口的限流值。

具体地，服务器若根据关联程度，确定接口流量数据与所述资源占用数据之间存在线性相关，则将预设的回归分析模型，作为目标接口对应的限流值推荐模型，并通过回归分析模型，对目标接口的接口流量数据与资源占用数据进行回归分析，以确定目标接口的接口流量数据与资源占用数据之间的线性关系，并根据线性关系，确定所述目标接口的限流值。

进一步地，若服务器根据关联程度，确定接口流量数据与资源占用数据之间呈非线性相关，则将预设的深度学习模型，作为目标接口对应的限流值推荐模型，将接口流量数据、目标接口对应的应用中包含的其他接口的接口流量数据、以及资源占用数据输入到深度学习模型中，以确定目标接口的限流值。

具体地，深度学习模型可以根据目标接口、以及目标接口对应应用的其他接口的接口流量数据，确定在目标接口对应应用中的每个接口的权重，进而可以根据确定出的权重，以及目标接口的接口流量数据，以及目标接口对应应用运行时的CPU的资源占用数据，确定出目标接口的接口流量数据和资源占用数据之间的关联关系(可以理解为，可以确定出目标接口对应的应用运行时的资源占用数据中，有多少是目标接口占用的，还有多少是其他接口占用的，进而可以根据目标接口对应的资源占用数据，确定出目标接口的限流值)，进而可以根据确定出目标接口的接口流量数据和资源占用数据之间的关联关系，确定出目标接口的限流值。

进一步地，若服务器根据关联程度，确定接口流量数据与资源占用数据之间的关联关系满足预设的不确定性，则确定预设的基线估计模型，作为目标接口对应的限流值推荐模型，然后通过基线估计模型，根据目标接口对应应用的应用流量数据以及资源占用数据，确定目标接口对应应用的限流值，并根据接口流量数据在应用流量数据中的占比、以及应用的限流值，确定目标接口的限流值。

需要说明的是，由于在实际应用中，往往是因为应用的某个接口，突然产生大量的访问流量(例如：某分享简短实时信息的平台，可以会因为一天热点新闻，而导致该平台的某个接口的访问流量突然暴增)，而导致服务器的出现异常的，因此，在上述内容中，根据关联关系，确定目标接口的限流值的方法可以是根据目标接口的接口流量数据和CPU的资源占用数据之间的关联关系，确定当CPU的资源占用数据达到一个阈值时，对应的目标接口的接口流量数据是多少，进而可以将这个接口流量数据作为限流值(可以理解为，限流值的作用就是避免CPU的资源被应用的任意一个接口占用过多的情况发生)，例如：假设根据目标接口的接口流量数据和CPU的资源占用数据之间的关联关系，确定当CPU的资源占用数据达到百分之六十时，对应的目标接口的每秒钟访问量为每秒500的访问量，进而可以将这个每秒500的访问量，作为目标接口的限流值，当发现目标接口的访问流量超过每秒500的访问量时，则可以对目标接口进行限流。

另外，在实际应用中，服务器获取到的部分接口的接口流量数据可以极少，甚至没有，(换句话说，应用的部分接口可能不经常被人访问)，因此，关联模型针对这些接口流量数据较少的接口，确定出的关联程度可能并不准确，进而导致为这部分接口确定出的限流值推荐模型也可能并不准确。

因此，为了能够针对每个接口，都能推荐出准确的限流值，服务器还可以根据接口流量数据，确定关联模型输出的关联程度的置信度，其中，接口流量数据越多，这里的置信度越高，并基于确定出的置信度，确定目标接口的限流值推荐模型，具体如图2所示。

图2为本说明书中提供的目标接口的限流值的确定过程示意图。

从图2中可以看出，服务器可以根据接口流量数据，确定关联模型输出的关联程度的置信度，并判断置信度是否超过预设的第一置信度阈值，若上述的置信度超过第一置信度阈值，则可以根据关联程度，确定目标接口对应的限流值推荐模型，并通过确定出的限流值推荐模型，确定目标接口的限流值，若确定上述的置信度未超过第一置信度阈值，则判断上述的置信度是否超过预设的第二置信度阈值，若是，则从预设的各限流值推荐模型中选取至少两种限流值推荐模型，并通过选取出的至少两种限流值推荐模型，确定目标接口的各候选限流值，以及对各候选限流值进行融合，得到目标接口的限流值，这里的第二置信度阈值小于第一置信度阈值，若确定上述的置信度未超过预设的第二置信度阈值，则将预设的限流值，确定为目标接口的限流值。

上述内容中，对各候选限流值进行融合的方法可以是从各候选限流值中，确定出在预先确定的限流值域内的各候选限流值，然后通过预设的注意力模型，确定每个在预先确定的限流值域内的各候选限流值的权重，并根据每个在预先确定的限流值域内的各候选限流值的权重，对在预先确定的限流值域内的各候选限流值进行加权融合，将融合后的限流值作为目标接口的限流值。

其中，确定限流值域的方法可以是，服务器可以通过预设的算法，根据目标接口的接口流量数据，参考接口数据，以及目标接口对应的应用运行时CPU的资源占用数据，确定出目标接口的限流值域，其中，这里的限流值域为根据目标接口的接口流量数据，以及目标接口对应的应用运行时的资源占用数据，确定出一个预估的目标接口的限流值所在的范围。

例如：假设目标接口的参考接口数据中目标接口的访问流量峰值每秒钟访问量为每秒500的访问量，而对应的当目标接口的访问流量处于峰值时CPU的资源占用数据为百分之五十，则可以确定出目标接口的限流值不可能超过每秒1000的访问量，因为根据当接口的每秒钟访问量为每秒500的访问量，对应的CPU的占用率为百分之五十计算，当接口的每秒钟访问量超过每秒1000的访问量时，对应的CPU的占用率为百分之五十可能会超过百分之百，因此，可以确定出目标接口的限流值为每秒500的访问量到每秒1000的访问量之间。

除此之外，服务器还可以将目标接口的接口流量数据，参考接口数据，以及目标接口对应的应用运行时CPU的资源占用数据，输入到预设的确定模型中，通过预设的确定模型，得到目标接口的限流值域。

需要说明的是，上述内容中的确定模型可以是单独的一个模型，也可以和上述内容中的关联模型是同一个模型，即服务器可以通过关联模型根据目标接口的接口流量数据，参考接口数据，以及目标接口对应的应用运行时CPU的资源占用数据，确定出目标接口的接口流量数据和资源占用数据之间的关联程度，以及通过关联模型确定出目标接口的限流值域。

从上述内容中可以看出，服务器可以通过多个限流值推荐模型以集成学习的方式，来确定出目标接口的限流值，从而可以在关联模型输出的关联程度的置信度未超过第一置信度阈值时，提升确定出的目标接口的限流值的准确性。其中，这里提到的集成学习可以理解为是将多个限流值推荐模型集成到一起，以通过多个限流值推荐模型确定出目标接口的限流值。

S106：根据所述限流值，对所述目标接口进行限流。

服务器在确定出目标接口的限流值后，可以将限流值设置在目标接口中，以在目标接口的每秒钟访问量超过限流值时，对目标接口进行限流值。

需要说明的是，服务器通过预设的限流值推荐模型确定出接口流量数据和资源占用数据之间的关联关系，确定出目标接口的秒级的限流值(即可以限制到每秒钟访问量不能超过多少)。

从上述内容中可以看出，服务器可以通过关联模型，确定目标接口的接口流量数据和物理资源的资源占用数据之间的关联程度，进而可以针对不同关联程度的目标接口，采用不同的限流值推荐模型，来根据目标接口的接口流量数据，和物理资源的资源占用数据，确定该目标接口的接口流量数据与物理资源占用数据之间的关联关系，进而可以根据确定出的关联关系，确定出目标接口的限流值，从而可以提升确定出的用于对接口的访问流量进行限流的限流值的准确性。

以上为本说明书的一个或多个实施例提供的接口限流方法，基于同样的思路，本说明书还提供了相应的接口限流装置，如图3所示。

图3为本说明书提供的一种接口限流装置的示意图，包括：

获取模块301，用于获取目标接口的接口流量数据，以及所述目标接口对应的应用运行时的资源占用数据；

第一确定模块302，用于根据所述接口流量数据以及所述资源占用数据，确定所述接口流量数据与所述资源占用数据之间的关联程度，其中，在不同关联程度下，接口流量数据改变时对应用运行时的资源占用数据的改变的程度不同；

第二确定模块303，用于根据所述关联程度，确定所述目标接口对应的限流值推荐模型，并通过确定出的限流值推荐模型，确定所述目标接口的限流值；

限流模块304，用于根据所述限流值，对所述目标接口进行限流。

可选地，第二确定模块303具体用于，确定所述关联程度的置信度；判断所述置信度是否超过预设的第一置信度阈值；若是，则根据所述关联程度，确定所述目标接口对应的限流值推荐模型。

可选地，第二确定模块303具体用于，若确定所述置信度未超过所述第一置信度阈值，则判断所述置信度是否超过预设的第二置信度阈值，其中，所述第一置信度阈值大于所述第二置信度阈值；若是，则从预设的各限流值推荐模型中选取至少两种限流值推荐模型，并通过选取出的至少两种限流值推荐模型，确定所述目标接口的各候选限流值，以及对各候选限流值进行融合，得到所述目标接口的限流值。

可选地，第二确定模块303具体用于，若确定所述置信度未超过预设的第二置信度阈值，则将预设的限流值，确定为所述目标接口的限流值。

可选地，第二确定模块303具体用于，若根据所述关联程度，确定所述接口流量数据与所述资源占用数据之间存在线性相关，则将预设的回归分析模型，作为所述目标接口对应的限流值推荐模型，并通过所述回归分析模型，确定所述目标接口的接口流量数据与所述资源占用数据之间的线性关系，以根据所述线性关系，确定所述目标接口的限流值。

可选地，第二确定模块303具体用于，若根据所述关联程度，确定所述接口流量数据与所述资源占用数据之间呈非线性相关，则将预设的深度学习模型，作为所述目标接口对应的限流值推荐模型；将所述接口流量数据、所述目标接口对应的应用中包含的其他接口的接口流量数据、以及所述资源占用数据输入到所述深度学习模型中，以确定所述目标接口的限流值。

可选地，第二确定模块303具体用于，若根据所述关联程度，确定所述接口流量数据与所述资源占用数据之间的关联关系满足预设的不确定性，则确定预设的基线估计模型，作为所述目标接口对应的限流值推荐模型；通过所述基线估计模型，根据所述目标接口对应应用的应用流量数据以及所述资源占用数据，确定所述目标接口对应应用的限流值，并根据所述接口流量数据在所述应用流量数据中的占比、以及所述应用的限流值，确定所述目标接口的限流值。

可选地，第一确定模块302具体用于，将所述接口流量数据以及所述资源占用数据输入到预先训练的关联模型中，以通过所述关联模型，确定所述接口流量数据与所述资源占用数据之间的关联程度。

可选地，所述装置还包括：训练模块305；

所述训练模块305具体用于，获取样本接口的接口流量数据，以及所述样本接口对应的应用运行时的资源占用数据；将所述样本接口的接口流量数据，以及所述资源占用数据输入到所述关联模型中，得到所述关联模型输出的所述样本接口的接口流量数据与资源占用数据之间的关联程度；以最小化所述关联模型输出所述样本接口的接口流量数据与资源占用数据之间的关联程度，与所述样本接口的接口流量数据与资源占用数据之间的实际关联程度之间的偏差为优化目标，对所述关联模型进行训练。

本说明书还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述图1提供的一种接口限流方法。

本说明书还提供了图4所示的一种对应于图1的电子设备的示意结构图。如图4，在硬件层面，该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述图1的接口限流方法。当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。

在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本说明书的实施例可提供为方法、系统、或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

Claims (12)

1.一种接口限流方法，包括：

获取目标接口的接口流量数据，以及所述目标接口对应的应用运行时的资源占用数据；

根据所述接口流量数据以及所述资源占用数据，确定所述接口流量数据与所述资源占用数据之间的关联程度，其中，在不同关联程度下，接口流量数据改变时对应用运行时的资源占用数据的改变的程度不同；

根据所述关联程度，确定所述目标接口对应的限流值推荐模型，并通过确定出的限流值推荐模型，确定所述目标接口的限流值；

根据所述限流值，对所述目标接口进行限流。

2.如权利要求1所述的方法，根据所述关联程度，确定所述目标接口对应的限流值推荐模型，具体包括：

确定所述关联程度的置信度；

判断所述置信度是否超过预设的第一置信度阈值；

若是，则根据所述关联程度，确定所述目标接口对应的限流值推荐模型。

3.如权利要求2所述的方法，所述方法还包括：

若确定所述置信度未超过所述第一置信度阈值，则判断所述置信度是否超过预设的第二置信度阈值，其中，所述第一置信度阈值大于所述第二置信度阈值；

若是，则从预设的各限流值推荐模型中选取至少两种限流值推荐模型，并通过选取出的至少两种限流值推荐模型，确定所述目标接口的各候选限流值，以及对各候选限流值进行融合，得到所述目标接口的限流值。

4.如权利要求3所述的方法，所述方法还包括：

若确定所述置信度未超过预设的第二置信度阈值，则将预设的限流值，确定为所述目标接口的限流值。

5.如权利要求1所述的方法，根据所述关联程度，确定所述目标接口对应的限流值推荐模型，并通过确定出的限流值推荐模型，确定所述目标接口的限流值，具体包括：

若根据所述关联程度，确定所述接口流量数据与所述资源占用数据之间存在线性相关，则将预设的回归分析模型，作为所述目标接口对应的限流值推荐模型，并通过所述回归分析模型，确定所述目标接口的接口流量数据与所述资源占用数据之间的线性关系，以根据所述线性关系，确定所述目标接口的限流值。

6.如权利要求1所述的方法，根据所述关联程度，确定所述目标接口对应的限流值推荐模型，并通过确定出的限流值推荐模型，确定所述目标接口的限流值，具体包括：

若根据所述关联程度，确定所述接口流量数据与所述资源占用数据之间呈非线性相关，则将预设的深度学习模型，作为所述目标接口对应的限流值推荐模型；

将所述接口流量数据、所述目标接口对应的应用中包含的其他接口的接口流量数据、以及所述资源占用数据输入到所述深度学习模型中，以确定所述目标接口的限流值。

7.如权利要求1所述的方法，据所述关联程度，确定所述目标接口对应的限流值推荐模型，并通过确定出的限流值推荐模型，确定所述目标接口的限流值，具体包括：

若根据所述关联程度，确定所述接口流量数据与所述资源占用数据之间的关联关系满足预设的不确定性，则确定预设的基线估计模型，作为所述目标接口对应的限流值推荐模型；

通过所述基线估计模型，根据所述目标接口对应应用的应用流量数据以及所述资源占用数据，确定所述目标接口对应应用的限流值，并根据所述接口流量数据在所述应用流量数据中的占比、以及所述应用的限流值，确定所述目标接口的限流值。

8.如权利要求1所述的方法，根据所述接口流量数据以及所述资源占用数据，确定所述接口流量数据与所述资源占用数据之间的关联程度，具体包括：

将所述接口流量数据以及所述资源占用数据输入到预先训练的关联模型中，以通过所述关联模型，确定所述接口流量数据与所述资源占用数据之间的关联程度。

9.如权利要求8所述的方法，训练所述关联模型，具体包括：

获取样本接口的接口流量数据，以及所述样本接口对应的应用运行时的资源占用数据；

将所述样本接口的接口流量数据，以及所述资源占用数据输入到所述关联模型中，得到所述关联模型输出的所述样本接口的接口流量数据与资源占用数据之间的关联程度；

以最小化所述关联模型输出所述样本接口的接口流量数据与资源占用数据之间的关联程度，与所述样本接口的接口流量数据与资源占用数据之间的实际关联程度之间的偏差为优化目标，对所述关联模型进行训练。

10.一种接口限流装置，包括：

获取模块，用于获取目标接口的接口流量数据，以及所述目标接口对应的应用运行时的资源占用数据；

第一确定模块，用于根据所述接口流量数据以及所述资源占用数据，确定所述接口流量数据与所述资源占用数据之间的关联程度，其中，在不同关联程度下，接口流量数据改变时对应用运行时的资源占用数据的改变的程度不同；

第二模块，用于根据所述关联程度，确定所述目标接口对应的限流值推荐模型，并通过确定出的限流值推荐模型，确定所述目标接口的限流值；

限流模块，用于根据所述限流值，对所述目标接口进行限流。

11.一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1～9任一项所述的方法。

12.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述权利要求1～9任一项所述的方法。

Images