CN116860480A - 调用请求处理方法、装置、计算机设备和存储介质 - Google Patents
调用请求处理方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN116860480A CN116860480A CN202310857054.9A CN202310857054A CN116860480A CN 116860480 A CN116860480 A CN 116860480A CN 202310857054 A CN202310857054 A CN 202310857054A CN 116860480 A CN116860480 A CN 116860480A
- Authority
- CN
- China
- Prior art keywords
- target
- api
- sample
- call request
- processing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 258
- 238000012544 monitoring process Methods 0.000 claims abstract description 122
- 238000000034 method Methods 0.000 claims abstract description 45
- 238000004590 computer program Methods 0.000 claims description 36
- 238000012549 training Methods 0.000 claims description 19
- 238000003062 neural network model Methods 0.000 claims description 13
- 230000000977 initiatory effect Effects 0.000 claims description 11
- 230000002776 aggregation Effects 0.000 claims description 10
- 238000004220 aggregation Methods 0.000 claims description 10
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 239000008186 active pharmaceutical agent Substances 0.000 description 421
- 230000008569 process Effects 0.000 description 20
- 238000010586 diagram Methods 0.000 description 14
- 238000004458 analytical method Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 239000003795 chemical substances by application Substances 0.000 description 3
- 239000003999 initiator Substances 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/54—Interprogram communication
- G06F9/547—Remote procedure calls [RPC]; Web services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3438—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment monitoring of user actions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2209/00—Indexing scheme relating to G06F9/00
- G06F2209/54—Indexing scheme relating to G06F9/54
- G06F2209/544—Remote
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Quality & Reliability (AREA)
- Computer Hardware Design (AREA)
- Debugging And Monitoring (AREA)
Abstract
本申请公开了一种调用请求处理方法、装置、计算机设备和存储介质。该方法可应用于人工智能技术领域,具体可以包括:响应于对目标应用程序接口API的目标API调用请求,获取目标API信息,以及目标API对应的后端服务器的目标性能监控数据;通过限流模型,根据目标性能监控数据和目标API信息,确定对目标API的目标限流结果;根据目标限流结果,对目标API调用请求进行处理。上述方案,能够提高API限流精度,从而提高对API调用请求处理的精度。
Description
技术领域
本申请涉及人工智能技术领域,具体涉及一种调用请求处理方法、装置、计算机设备和存储介质。
背景技术
目前,大型应用平台、业务平台中广泛使用了API(应用程序接口(ApplicationProgramming Interface))网关作为平台的API流量入口。API网关作为平台统一入口,实现了对平台内部各个微服务间的整合,同时又做到了对客户端友好,屏蔽系统了复杂性和差异性。
通常,API网关需要对入局的API调用请求进行限流管理,以避免过高的API请求对平台系统资源过度消耗情况下出现处理异常,降低平台可用性或服务质量。目前业界对于API限流最常用的做法是漏斗算法,但是这种方式只基于当前正在处理的API调用请求的数量进行限流,导致对API限流精度低,进而导致对API调用请求处理的精度低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高API限流精度,进而提高对API调用请求处理精度的调用请求处理方法、装置、计算机设备和存储介质。
第一方面,本申请提供了一种调用请求处理方法,该方法包括:
响应于对目标应用程序接口API的目标API调用请求,获取目标API信息,以及所述目标API对应的后端服务器的目标性能监控数据;
通过限流模型,根据目标性能监控数据和目标API信息,确定对目标API的目标限流结果;
根据目标限流结果,对目标API调用请求进行处理。
在其中一个实施例中,获取样本API调用请求对应的样本数据;其中,样本数据包括样本API信息,以及样本API对应的后端服务器的样本性能监控数据;
根据样本API对应的后端服务器对样本API调用请求的处理情况,确定样本数据的标签数据;
根据样本数据和样本数据的标签数据,对神经网络模型进行训练,得到限流模型。
在其中一个实施例中,处理情况包括处理时长,根据样本API对应的后端服务器对样本API调用请求的处理情况,确定样本数据的标签数据,包括:
若时长阈值大于样本API对应的后端服务器对样本API调用请求的处理时长,则将样本API调用请求对应的样本数据的标签数据确定为不限流;
若时长阈值小于或等于样本API对应的后端服务器对样本API调用请求的处理时长,则将样本API调用请求对应的样本数据的标签数据确定为限流。
在其中一个实施例中,处理情况包括处理时长和处理结果,根据样本API对应的后端服务器对样本API调用请求的处理情况,确定样本数据的标签数据,包括:
根据时长阈值,与样本API对应的后端服务器对样本API调用请求的处理时长之间的比较结果,确定样本API调用请求对应的样本数据的第一处理值;
根据样本API对应的后端服务器对样本API调用请求的处理结果,确定样本API调用请求对应的样本数据的第二处理值;
根据样本API调用请求对应的样本数据的第一处理值和第二处理值,确定样本API调用请求对应的样本数据的标签数据。
在其中一个实施例中,获取目标API对应的后端服务器的目标性能监控数据,包括:
获取目标API对应的各后端服务器的原始性能监控数据;
对各原始性能监控数据进行聚合处理,得到目标API对应的后端服务器的目标性能监控数据。
在其中一个实施例中,根据目标限流结果,对目标API调用请求进行处理,包括:
若目标限流结果为限流,则拦截目标API调用请求,并向目标API调用请求的发起端发送限流通知;
若目标限流结果为不限流,则将目标API调用请求发送到目标API对应的后端服务器进行处理。
第二方面,本申请还提供了一种调用请求处理装置,装置包括:
信息获取模块,用于响应于对目标应用程序接口API的目标API调用请求,获取目标API信息,以及目标API对应的后端服务器的目标性能监控数据;
结果确定模块,用于通过限流模型,根据目标性能监控数据和目标API信息,确定对目标API的目标限流结果;
请求处理模块,用于根据目标限流结果,对目标API调用请求进行处理。
第三方面,本申请还提供了一种计算机设备,该计算机设备包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现以下步骤:
响应于对目标应用程序接口API的目标API调用请求,获取目标API信息,以及目标API对应的后端服务器的目标性能监控数据;
通过限流模型,根据目标性能监控数据和目标API信息,确定对目标API的目标限流结果;
根据目标限流结果,对目标API调用请求进行处理。
第四方面,本申请还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
响应于对目标应用程序接口API的目标API调用请求,获取目标API信息,以及目标API对应的后端服务器的目标性能监控数据;
通过限流模型,根据目标性能监控数据和目标API信息,确定对目标API的目标限流结果;
根据目标限流结果,对目标API调用请求进行处理。
第五方面,本申请还提供了一种计算机程序产品,该计算机程序产品包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
响应于对目标应用程序接口API的目标API调用请求,获取目标API信息,以及目标API对应的后端服务器的目标性能监控数据;
通过限流模型,根据目标性能监控数据和目标API信息,确定对目标API的目标限流结果;
根据目标限流结果,对目标API调用请求进行处理。
上述调用请求处理方法、装置、计算机设备和存储介质,能够响应于对目标应用程序接口API的目标API调用请求,获取目标API信息和目标API对应的后端服务器的目标性能监控数据,并采用限流模型对目标性能监控数据和目标API信息进行分析,进而对目标API调用请求进行处理。本申请在对调用请求处理的流程中引入了性能监控数据,由于性能监控数据包括多维度的监控数据,因此扩充了API限流的分析指标维度,进而采用限流模型,对性能监控数据和API信息进行综合分析,即可提高API限流精度,从而提高对API调用请求处理的精度。
附图说明
图1为一个实施例中调用请求处理系统的架构图;
图2为一个实施例中调用请求处理方法的流程示意图;
图3为一个实施例中获得限流模型的流程示意图;
图4为一个实施例中确定样本数据的标签数据的流程示意图;
图5为一个实施例中获取目标性能监控数据的流程示意图;
图6为另一个实施例中的调用请求处理方法的流程示意图;
图7为一个实施例中调用请求处理装置的结构框图;
图8为另一个实施例中调用请求处理装置的结构框图;
图9为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
目前,大型应用平台、业务中台中广泛使用了API网关作为平台的API流量入口。API网关作为平台统一入口,实现了对平台内部各个微服务间的整合,同时又做到了对客户端友好,屏蔽系统了复杂性和差异性。一般API网关需要对入局的API调用请求进行限流管理,以避免过高的API调用请求对平台系统资源过度消耗情况下出现处理异常,降低平台可用性或服务质量。目前业界对于API限流最常用的做法是漏斗算法,但是这种方式存在以下的问题:1)漏斗算法只按照当前正在处理的API调用请求的数量进行限流,没法综合各种指标,例如资源压力,业务指标等,对于限流的算法比较机械;2)没办法按照系统的资源情况和业务调度情况实现动态限流,从而在系统因为业务繁忙而出现问题之前降低系统负荷。基于此,本申请实施例提供了一种调用请求处理方法,以改善上述技术问题。
在一个实施例中,首先对调用请求处理系统的架构进行说明,在图1中示出了调用请求处理系统的架构图。如图1所示,该调用请求处理系统包括API网关1、后端系统2和发起端3;其中,API网关包括网关核心模块11、限流模块12、数据标签模块13和系统监控模块14;后端系统2包括监控代理21和N个后端服务器。
进一步的,发起端3与API网关1中的网关核心模块11连接,用于向网关核心模块11发送API调用请求。
网关核心模块11向后端系统2发送包含与API对应的后端服务器的地址信息的API代理请求,以通过该地址信息对应的后端服务器对API调用请求进行处理;监控代理21处于N个后端服务器的环境中,用于与API对应的后端服务器所处环境的性能监控数据进行监控,并将获得的性能监控数据发送到系统监控模块14。
网关核心模块11与限流模块12连接,用于向限流模块12发送API信息和性能监控数据;网关核心模块11还与数据标签模块13连接,用于向数据标签模块发送API信息、性能监控数据、处理时长和处理结果,数据标签模块13用于根据处理时长和/或处理结果对API信息和性能监控数据打标签,得到训练集;网关核心模块11还与系统监控模块14连接,用于接收系统监控模块14从监控代理21接收到的实时性能监控数据;限流模块12与数据标签模块13连接,用于从数据标签模块13周期性地读取训练集进行模型训练。
在上述调用请求处理系统的架构中,通过API网关1、后端系统2和发起端3之间的交互,从后端系统2获取后端服务器所处环境的各种性能监控数据,并发送给API网关1使得API网关1能够基于这些性能监控数据作为模型的输入对模型进行训练,提高了模型精度,从而提高了API限流精度,进而可提高对API调用请求处理的精度。
在一个实施例中,图2是根据本申请实施例提供的一种调用请求处理方法的流程示意图,且以该方法应用于图1中的API网关为例进行说明,该方法包括以下步骤:
S201,响应于对目标应用程序接口API的目标API调用请求,获取目标API信息,以及目标API对应的后端服务器的目标性能监控数据。
可选的,目标API可以是调用请求的发起端想要调用的应用程序接口;对目标应用程序接口API的目标API调用请求可以是发起端向API网关发送的用于使得调用请求处理系统启动调用请求处理过程的请求;目标API信息可以是提前保存在API网关上的目标API的信息。
后端服务器即为用于对API调用请求进行处理的服务器。可选的,后端服务器与API存在对应关系,用于对对应API的API调用请求进行处理。
性能监控数据可以是后端服务器所处环境的各种指标数据,例如,CPU(CentralProcessing Unit,中央处理单元)占用率、内存占用率、磁盘占用率、IO(Input Output,输入输出)平均时延等。可选的,在本申请实施例中,目标性能监控数据可以是接收到目标API调用请求时,或者接收到目标API调用请求之前设定时段内后端服务器所处环境的各种指标数据。
需要说明的是,一个目标API调用请求对应于一个目标API,一个目标API对应于一个或多个后端服务器,一个后端服务器可对应于一个或多个目标API。
具体的,在接收到发起端发送的对目标API的目标API调用请求的情况下,对目标API进行识别和鉴权处理,并在识别和鉴权成功后,收集目标API信息和目标API对应的后端服务器的目标性能监控数据。
S202,通过限流模型,根据目标性能监控数据和目标API信息,确定对目标API的目标限流结果。
可选的,限流模型是一种神经网络模型,能够用于确定是否对API进行限流;目标限流结果可以是通过限流模型预测得到的是否需要对目标API进行限流的结果,且目标限流结果可以为对目标API限流和对目标API不限流。
具体的,在获取到目标性能监控数据和目标API信息之后,将目标性能监控数据和目标API信息输入到限流模型中,通过限流模型对目标API是否应被限流进行预测,得到对目标API的目标限流结果。
另一种方式,在获取到目标性能监控数据和目标API信息之后,按照设定格式,将目标性能监控数据和目标API信息组合成API限流模型向量,并将该API限流模型向量输入到限流模型中,通过限流模型对目标API是否应被限流进行预测,得到对目标API的目标限流结果。
S203,根据目标限流结果,对目标API调用请求进行处理。
可选的,由于目标限流结果可以为对目标API限流和对目标API不限流,因此,需要根据不同的目标限流结果,对目标API调用请求进行不同的处理。若目标限流结果为限流,则拦截目标API调用请求,并向目标API调用请求的发起端发送限流通知,以告知该发起端,调用请求处理过程已完成。
若目标限流结果为不限流,则将目标API调用请求发送到目标API对应的后端服务器进行处理。即根据后端服务器与目标API之间的对应关系,通过API网关向后端服务器发送包含与目标API对应的后端服务器的地址信息的API代理请求,以通过该地址信息对应的后端服务器对目标API的目标API调用请求进行处理。
上述调用请求处理方法中,能够响应于对目标应用程序接口API的目标API调用请求,获取目标API信息和目标API对应的后端服务器的目标性能监控数据,并限流模型对目标性能监控数据和目标API信息进行分析,进而对目标API调用请求进行处理。本申请在对调用请求处理的流程中引入了性能监控数据,由于性能监控数据包括多维度的监控数据,因此扩充了API限流的分析指标维度,进而采用限流模型,对性能监控数据和API信息进行综合分析,即可提高API限流精度,从而提高对API调用请求处理的精度。
为了对上述实施例中的限流模型的得到过程进行说明。在图3中示出了一个实施例中限流模型的训练过程的流程示意图。可选的,如图3所示,包括如下实现过程:
S301,获取样本API调用请求对应的样本数据。
其中,样本数据包括样本API信息,以及样本API对应的后端服务器的样本性能监控数据。
可选的,样本数据可以是用于对神经网络模型进行训练的数据。
在一可实施方式中,对于历史时段内所获取的每一API调用请求,均获取该API调用请求对应的API的API信息,以及API对应的后端服务器的性能监控数据,并对所获取的这些数据进行存储;之后,可以在存储的API调用请求的数量达到预设数量的情况下,可以启动对限流模型的训练流程。此时,可以将所存储的每一API调用请求对应的数据,作为样本数据;对应的,将每一API调用请求所对应的API作为样本API。
S302,根据样本API对应的后端服务器对样本API调用请求的处理情况,确定样本数据的标签数据。
可选的,处理情况可以包括处理时长、处理结果等,其中,处理时长和处理结果分别为后端服务器对样本API的样本API调用请求进行处理所花费的时长和得到的结果,且处理时长和处理结果等为后端服务器在处理完对样本API的样本API调用请求之后向API网关返回的调用响应中携带的信息。
由于不同的处理情况可以确定出不同的样本数据的标签数据,因此,需要针对每一种处理情况,分情况确定样本数据的标签数据。在处理情况包括处理时长时,若时长阈值小于或等于样本API对应的后端服务器对样本API调用请求的处理时长,说明样本API对应的后端服务器的处理效率较低,如果再有新的AIP调用请求发送至对应的后端服务器进行处理的话,将可能出现处理延迟过长的现象,因此将样本API调用请求对应的样本数据的标签数据确定为限流;对应的,若时长阈值大于样本API对应的后端服务器对样本API调用请求的处理时长,则将样本API调用请求对应的样本数据的标签数据确定为不限流。
S303,根据样本数据和样本数据的标签数据,对神经网络模型进行训练,得到限流模型。
具体的,在得到样本数据和样本数据的标签数据之后,将样本数据输入到神经网络模型中输出检测结果,并将检测结果与标签数据进行比较以确定损失值,将该损失值与预设的损失值阈值进行比较。当该损失值小于或等于预设的损失值阈值时,模型训练结束并得到限流模型。当该损失值大于预设的损失值阈值时,调整神经网络模型的参数并重启训练过程,直至损失值小于或等于预设的损失值阈值。
进一步的,还可以周期性对限流模型进行动态更新,即周期性地获取样本API调用请求对应的样本数据,并采用样本数据对限流模型进行更新。
可以理解的是,本实施例中通过后端服务器对样本API调用请求的处理情况确定标签数据,并结合所获取的样本数据对神经网络模型进行训练,得到限流模型,从而为对API调用请求进行处理的过程奠定基础。
在上述实施例的基础上,还存在处理情况包括处理时长和处理结果的情况,为了更直观地了解API信息、性能监控数据、处理情况中包括的处理时长、处理结果等信息,现使用如下表1对这些数据组成的数据集进行展示。
表1API数据
如表1所述,API ID列为API信息;环境变量1、2、3列为性能监控数据,且可分别为CPU占用率、内存占用率和IO平均时延;业务变量1、2列为处理时长,且可分别为SQL(Structured Query Language,结构化查询语言)平均执行时长、消息队列长度;是否限流(结果标签)列为处理结果。
在上述基础上,通过图4对处理情况包括处理时长和处理结果的情况下确定样本数据的标签数据的步骤进行了分解细化。可选的,如图4所示,包括如下实现过程:
S401,根据时长阈值,与样本API对应的后端服务器对样本API调用请求的处理时长之间的比较结果,确定样本API调用请求对应的样本数据的第一处理值。
可选的,当时长阈值小于或等于样本API对应的后端服务器对样本API调用请求的处理时长时,将样本API调用请求对应的样本数据的第一处理值设置为1;当时长阈值大于样本API对应的后端服务器对样本API调用请求的处理时长时,将样本API调用请求对应的样本数据的第一处理值设置为0。
S402,根据样本API对应的后端服务器对样本API调用请求的处理结果,确定样本API调用请求对应的样本数据的第二处理值。
可选的,当样本API对应的后端服务器对样本API调用请求的处理结果为成功时,可以将样本API调用请求对应的样本数据的第二处理值设置为1;当样本API对应的后端服务器对样本API调用请求的处理结果为不成功时,可以将样本API调用请求对应的样本数据的第二处理值设置为0。
S403,根据样本API调用请求对应的样本数据的第一处理值和第二处理值,确定样本API调用请求对应的样本数据的标签数据。
可选的,在得到样本API调用请求对应的样本数据的第一处理值和第二处理值之后,可以根据第一处理值和第二处理值的总和与预设阈值之间的关系,确定样本API调用请求对应的样本数据的标签数据,即当第一处理值和第二处理值的总和大于或等于预设阈值时,将样本API调用请求对应的样本数据的标签数据确定为不限流;当第一处理值和第二处理值的总和小于预设阈值时,将样本API调用请求对应的样本数据的标签数据确定为限流。例如,根据从后端服务器返回的后端服务器对目标API的目标API调用请求进行处理所花费的时长和得到的结果,当确定出时长阈值小于或等于样本API对应的后端服务器对样本API调用请求的处理时长,样本API对应的后端服务器对样本API调用请求的处理结果为成功,且预设阈值为1时,第一处理值和第二处理值均为1,因此第一处理值和第二处理值的总和为2,大于预设阈值,因此,将样本API调用请求对应的样本数据的标签数据确定为不限流。
可以理解的是,本实施例中以处理情况包括处理时长和处理结果两种数据的情况,并根据设定的标签策略,灵活确定样本API调用请求对应的样本数据的标签数据,从而为得到精准的限流模型奠定基础。
在上述实施例的基础上,对获取目标API对应的后端服务器的目标性能监控数据的步骤进行了分解细化。可选的,如图5所示,包括如下实现过程:
S501,获取目标API对应的各后端服务器的原始性能监控数据。
可选的,原始性能监控数据可以是后端服务器所处环境的各种指标数据。
S502,对各原始性能监控数据进行聚合处理,得到目标API对应的后端服务器的目标性能监控数据。
可选的,在获取到原始性能监控数据之后,对原始性能监控数据进行聚合处理,以集合各种类型的监控数据(例如,服务监控数据、主机环境监控数据),然后再对原始性能监控数据进行清洗处理,以去除坏数据(例如,空值),最终得到目标API对应的后端服务器的目标性能监控数据。
可以理解的是,本实施例中能够对从后端服务器接收到的各种指标数据进行聚合清洗操作,以分别集合各种类型的监控数据和去除坏数据,以使得最终得到的目标性能监控数据能够更精准反映后端服务器所处的环境。
另外,在一个实施例中,本申请还提供一个调用请求处理方法的可选实例,图6为另一个实施例中调用请求处理方法的流程示意图,结合图6所示,具体包括如下实现过程:
S601,获取样本API调用请求对应的样本数据。
S602,根据样本API对应的后端服务器对样本API调用请求的处理情况,确定样本数据的标签数据。
可选的,处理情况包括处理时长,若时长阈值大于所述样本API对应的后端服务器对样本API调用请求的处理时长,则将样本API调用请求对应的样本数据的标签数据确定为不限流;若时长阈值小于或等于样本API对应的后端服务器对样本API调用请求的处理时长,则将样本API调用请求对应的样本数据的标签数据确定为限流。
或者,根据时长阈值,与样本API对应的后端服务器对样本API调用请求的处理时长之间的比较结果,确定样本API调用请求对应的样本数据的第一处理值;根据样本API对应的后端服务器对样本API调用请求的处理结果,确定样本API调用请求对应的样本数据的第二处理值;根据样本API调用请求对应的样本数据的第一处理值和第二处理值,确定样本API调用请求对应的样本数据的标签数据。
S603,根据样本数据和样本数据的标签数据,对神经网络模型进行训练,得到限流模型。
S604,响应于对目标应用程序接口API的目标API调用请求,获取目标API信息。
S605,获取目标API对应的各后端服务器的原始性能监控数据。
S606,对各原始性能监控数据进行聚合处理,得到目标API对应的后端服务器的目标性能监控数据。
S607,通过限流模型,根据目标性能监控数据和目标API信息,确定对目标API的目标限流结果。
S608,根据目标限流结果,对目标API调用请求进行处理。
可选的,若目标限流结果为限流,则拦截目标API调用请求,并向目标API调用请求的发起端发送限流通知;若目标限流结果为不限流,则将目标API调用请求发送到目标API对应的后端服务器进行处理。
通过上述方案,本申请在对调用请求处理的流程中引入了性能监控数据,由于性能监控数据包括多维度的监控数据,因此扩充了API限流的分析指标维度,进而采用限流模型,对性能监控数据和API信息进行综合分析,即可提高API限流精度,从而提高对API调用请求处理的精度。
上述S601-S608的具体过程可以参见上述方法实施例的描述,其实现原理和技术效果类似,在此不再赘述。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的调用请求处理方法的调用请求处理装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个调用请求处理装置实施例中的具体限定可以参见上文中对于调用请求处理方法的限定,在此不再赘述。
在其中一个实施例中,通过图7示出了一个实施例中调用请求处理装置的结构框图。如图7所示,提供了一种调用请求处理装置7,该装置包括:信息获取模块70、结果确定模块71和请求处理模块72,其中:
信息获取模块70,用于响应于对目标应用程序接口API的目标API调用请求,获取目标API信息,以及目标API对应的后端服务器的目标性能监控数据;
结果确定模块71,用于通过限流模型,根据目标性能监控数据和目标API信息,确定对目标API的目标限流结果;
请求处理模块72,用于根据目标限流结果,对目标API调用请求进行处理。
上述调用请求处理装置,能够响应于对目标应用程序接口API的目标API调用请求,获取目标API信息和目标API对应的后端服务器的目标性能监控数据,并限流模型对目标性能监控数据和目标API信息进行分析,进而对目标API调用请求进行处理。本申请在对调用请求处理的流程中引入了性能监控数据,由于性能监控数据包括多维度的监控数据,因此扩充了API限流的分析指标维度,进而采用限流模型,对性能监控数据和API信息进行综合分析,即可提高API限流精度,从而提高对API调用请求处理的精度。
在其中一个实施例中,通过图8示出了另一个实施例中调用请求处理装置的结构框图。如图8所示,上述调用请求处理装置7还包括:
第一数据获取模块73,用于获取样本API调用请求对应的样本数据;其中,样本数据包括样本API信息,以及样本API对应的后端服务器的样本性能监控数据;
数据确定模块74,用于根据样本API对应的后端服务器对样本API调用请求的处理情况,确定样本数据的标签数据;
模型训练模块75,用于根据样本数据和样本数据的标签数据,对神经网络模型进行训练,得到限流模型。
在其中一个实施例中,处理情况包括处理时长,数据确定模块74具体可以用于:若时长阈值大于样本API对应的后端服务器对样本API调用请求的处理时长,则将样本API调用请求对应的样本数据的标签数据确定为不限流;若时长阈值小于或等于样本API对应的后端服务器对样本API调用请求的处理时长,则将样本API调用请求对应的样本数据的标签数据确定为限流。
在其中一个实施例中,处理情况包括处理时长和处理结果,数据确定模块74还可以用于:根据时长阈值,与样本API对应的后端服务器对样本API调用请求的处理时长之间的比较结果,确定样本API调用请求对应的样本数据的第一处理值;根据样本API对应的后端服务器对样本API调用请求的处理结果,确定样本API调用请求对应的样本数据的第二处理值;根据样本API调用请求对应的样本数据的第一处理值和第二处理值,确定样本API调用请求对应的样本数据的标签数据。
在其中一个实施例中,上述信息获取模块70具体可以用于:
获取目标API对应的各后端服务器的原始性能监控数据;对各原始性能监控数据进行聚合处理,得到目标API对应的后端服务器的目标性能监控数据。
在其中一个实施例中,请求处理模块72具体可以用于:
若目标限流结果为限流,则拦截目标API调用请求,并向目标API调用请求的发起端发送限流通知;若目标限流结果为不限流,则将目标API调用请求发送到目标API对应的后端服务器进行处理。
上述调用请求处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在其中一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和收发器。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该计算机设备的收发器用于在处理器的控制下执行接收数据或发送数据的操作。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储样本数据等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种调用请求处理方法。
本领域技术人员可以理解,图9中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的,计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在其中一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
响应于对目标应用程序接口API的目标API调用请求,获取目标API信息,以及目标API对应的后端服务器的目标性能监控数据;
通过限流模型,根据目标性能监控数据和目标API信息,确定对目标API的目标限流结果;
根据目标限流结果,对目标API调用请求进行处理。
在其中一个实施例中,处理器执行计算机程序中限流模型的训练过程的逻辑时,具体实现以下步骤:
获取样本API调用请求对应的样本数据;其中,样本数据包括样本API信息,以及样本API对应的后端服务器的样本性能监控数据;根据样本API对应的后端服务器对样本API调用请求的处理情况,确定样本数据的标签数据;根据样本数据和样本数据的标签数据,对神经网络模型进行训练,得到限流模型。
在其中一个实施例中,处理情况包括处理时长,处理器执行计算机程序中根据样本API对应的后端服务器对样本API调用请求的处理情况,确定样本数据的标签数据的逻辑时,具体实现以下步骤:
若时长阈值大于样本API对应的后端服务器对样本API调用请求的处理时长,则将样本API调用请求对应的样本数据的标签数据确定为不限流;若时长阈值小于或等于样本API对应的后端服务器对样本API调用请求的处理时长,则将样本API调用请求对应的样本数据的标签数据确定为限流。
在其中一个实施例中,处理情况包括处理时长和处理结果,处理器执行计算机程序中根据样本API对应的后端服务器对样本API调用请求的处理情况,确定样本数据的标签数据的逻辑时,具体实现以下步骤:
根据时长阈值,与样本API对应的后端服务器对样本API调用请求的处理时长之间的比较结果,确定样本API调用请求对应的样本数据的第一处理值;根据样本API对应的后端服务器对样本API调用请求的处理结果,确定样本API调用请求对应的样本数据的第二处理值;根据样本API调用请求对应的样本数据的第一处理值和第二处理值,确定样本API调用请求对应的样本数据的标签数据。
在其中一个实施例中,处理器执行计算机程序中获取目标API对应的后端服务器的目标性能监控数据的逻辑时,具体实现以下内容:
获取目标API对应的各后端服务器的原始性能监控数据;对各原始性能监控数据进行聚合处理,得到目标API对应的后端服务器的目标性能监控数据。
在其中一个实施例中,处理器执行计算机程序中根据目标限流结果,对目标API调用请求进行处理的逻辑时,具体实现以下步骤:
若目标限流结果为限流,则拦截目标API调用请求,并向目标API调用请求的发起端发送限流通知;若目标限流结果为不限流,则将目标API调用请求发送到目标API对应的后端服务器进行处理。
上述提供的计算机设备,其在实现各实施例中的原理和具体过程可参见前述实施例中调用请求处理方法实施例中的说明,此处不再赘述。
在其中一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
响应于对目标应用程序接口API的目标API调用请求,获取目标API信息,以及目标API对应的后端服务器的目标性能监控数据;
通过限流模型,根据目标性能监控数据和目标API信息,确定对目标API的目标限流结果;
根据目标限流结果,对目标API调用请求进行处理。
在其中一个实施例中,计算机程序中限流模型的训练过程的逻辑被处理器执行时,具体实现以下步骤:
获取样本API调用请求对应的样本数据;其中,样本数据包括样本API信息,以及样本API对应的后端服务器的样本性能监控数据;根据样本API对应的后端服务器对样本API调用请求的处理情况,确定样本数据的标签数据;根据样本数据和样本数据的标签数据,对神经网络模型进行训练,得到限流模型。
在其中一个实施例中,处理情况包括处理时长,计算机程序中根据样本API对应的后端服务器对样本API调用请求的处理情况,确定样本数据的标签数据的逻辑被处理器执行时,还具体实现以下步骤:
若时长阈值大于样本API对应的后端服务器对样本API调用请求的处理时长,则将样本API调用请求对应的样本数据的标签数据确定为不限流;若时长阈值小于或等于样本API对应的后端服务器对样本API调用请求的处理时长,则将样本API调用请求对应的样本数据的标签数据确定为限流。
在其中一个实施例中,处理情况包括处理时长和处理结果,计算机程序中根据样本API对应的后端服务器对样本API调用请求的处理情况,确定样本数据的标签数据的逻辑被处理器执行时,还具体实现以下步骤:
根据时长阈值,与样本API对应的后端服务器对样本API调用请求的处理时长之间的比较结果,确定样本API调用请求对应的样本数据的第一处理值;根据样本API对应的后端服务器对样本API调用请求的处理结果,确定样本API调用请求对应的样本数据的第二处理值;根据样本API调用请求对应的样本数据的第一处理值和第二处理值,确定样本API调用请求对应的样本数据的标签数据。
在其中一个实施例中,计算机程序中获取目标API对应的后端服务器的目标性能监控数据的逻辑被处理器执行时,具体实现以下内容:
获取目标API对应的各后端服务器的原始性能监控数据;对各原始性能监控数据进行聚合处理,得到目标API对应的后端服务器的目标性能监控数据。
在其中一个实施例中,计算机程序中根据目标限流结果,对目标API调用请求进行处理的逻辑被处理器执行时,具体实现以下步骤:
若目标限流结果为限流,则拦截目标API调用请求,并向目标API调用请求的发起端发送限流通知;若目标限流结果为不限流,则将目标API调用请求发送到目标API对应的后端服务器进行处理。
上述提供的计算机可读存储介质,其在实现各实施例中的原理和具体过程可参见前述实施例中调用请求处理方法实施例中的说明,此处不再赘述。
上述提供的计算机可读存储介质,其在实现各实施例中的原理和具体过程可参见前述实施例中目标检测方法实施例中的说明,此处不再赘述。
在其中一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
响应于对目标应用程序接口API的目标API调用请求,获取目标API信息,以及目标API对应的后端服务器的目标性能监控数据;
通过限流模型,根据目标性能监控数据和目标API信息,确定对目标API的目标限流结果;
根据目标限流结果,对目标API调用请求进行处理。
在其中一个实施例中,计算机程序中限流模型的训练过程的逻辑被处理器执行时,具体实现以下步骤:
获取样本API调用请求对应的样本数据;其中,样本数据包括样本API信息,以及样本API对应的后端服务器的样本性能监控数据;根据样本API对应的后端服务器对样本API调用请求的处理情况,确定样本数据的标签数据;根据样本数据和样本数据的标签数据,对神经网络模型进行训练,得到限流模型。
在其中一个实施例中,处理情况包括处理时长,计算机程序中根据样本API对应的后端服务器对样本API调用请求的处理情况,确定样本数据的标签数据的逻辑被处理器执行时,还具体实现以下步骤:
若时长阈值大于样本API对应的后端服务器对样本API调用请求的处理时长,则将样本API调用请求对应的样本数据的标签数据确定为不限流;若时长阈值小于或等于样本API对应的后端服务器对样本API调用请求的处理时长,则将样本API调用请求对应的样本数据的标签数据确定为限流。
在其中一个实施例中,处理情况包括处理时长和处理结果,计算机程序中根据样本API对应的后端服务器对样本API调用请求的处理情况,确定样本数据的标签数据的逻辑被处理器执行时,还具体实现以下步骤:
根据时长阈值,与样本API对应的后端服务器对样本API调用请求的处理时长之间的比较结果,确定样本API调用请求对应的样本数据的第一处理值;根据样本API对应的后端服务器对样本API调用请求的处理结果,确定样本API调用请求对应的样本数据的第二处理值;根据样本API调用请求对应的样本数据的第一处理值和第二处理值,确定样本API调用请求对应的样本数据的标签数据。
在其中一个实施例中,计算机程序中获取目标API对应的后端服务器的目标性能监控数据的逻辑被处理器执行时,具体实现以下内容:
获取目标API对应的各后端服务器的原始性能监控数据;对各原始性能监控数据进行聚合处理,得到目标API对应的后端服务器的目标性能监控数据。
在其中一个实施例中,计算机程序中根据目标限流结果,对目标API调用请求进行处理的逻辑被处理器执行时,具体实现以下步骤:
若目标限流结果为限流,则拦截目标API调用请求,并向目标API调用请求的发起端发送限流通知;若目标限流结果为不限流,则将目标API调用请求发送到目标API对应的后端服务器进行处理。
上述提供的计算机程序产品,其在实现各实施例中的原理和具体过程可参见前述实施例中目标检测方法实施例中的说明,此处不再赘述。
需要说明的是,本申请所涉及的数据(包括但不限于调用请求处理过程中的数据等),均为经过各方充分授权的数据,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种调用请求处理方法,其特征在于,包括:
响应于对目标应用程序接口API的目标API调用请求,获取目标API信息,以及所述目标API对应的后端服务器的目标性能监控数据;
通过限流模型,根据所述目标性能监控数据和所述目标API信息,确定对所述目标API的目标限流结果;
根据所述目标限流结果,对所述目标API调用请求进行处理。
2.根据权利要求1所述的方法,其特征在于,所述限流模型通过如下方式训练得到:
获取样本API调用请求对应的样本数据;其中,所述样本数据包括样本API信息,以及样本API对应的后端服务器的样本性能监控数据;
根据所述样本API对应的后端服务器对所述样本API调用请求的处理情况,确定所述样本数据的标签数据;
根据所述样本数据和所述样本数据的标签数据,对神经网络模型进行训练,得到限流模型。
3.根据权利要求2所述的方法,其特征在于,所述处理情况包括处理时长,所述根据所述样本API对应的后端服务器对所述样本API调用请求的处理情况,确定所述样本数据的标签数据,包括:
若时长阈值大于所述样本API对应的后端服务器对所述样本API调用请求的处理时长,则将所述样本API调用请求对应的样本数据的标签数据确定为不限流;
若时长阈值小于或等于所述样本API对应的后端服务器对所述样本API调用请求的处理时长,则将所述样本API调用请求对应的样本数据的标签数据确定为限流。
4.根据权利要求2所述的方法,其特征在于,所述处理情况包括处理时长和处理结果,所述根据所述样本API对应的后端服务器对所述样本API调用请求的处理情况,确定所述样本数据的标签数据,包括:
根据时长阈值,与所述样本API对应的后端服务器对所述样本API调用请求的处理时长之间的比较结果,确定所述样本API调用请求对应的样本数据的第一处理值;
根据所述样本API对应的后端服务器对所述样本API调用请求的处理结果,确定所述样本API调用请求对应的样本数据的第二处理值;
根据所述样本API调用请求对应的样本数据的第一处理值和第二处理值,确定所述样本API调用请求对应的样本数据的标签数据。
5.根据权利要求1所述的方法,其特征在于,获取所述目标API对应的后端服务器的目标性能监控数据,包括:
获取所述目标API对应的各后端服务器的原始性能监控数据;
对各原始性能监控数据进行聚合处理,得到所述目标API对应的后端服务器的目标性能监控数据。
6.根据权利要求1所述的方法,其特征在于,所述根据所述目标限流结果,对所述目标API调用请求进行处理,包括:
若所述目标限流结果为限流,则拦截所述目标API调用请求,并向所述目标API调用请求的发起端发送限流通知;
若所述目标限流结果为不限流,则将所述目标API调用请求发送到所述目标API对应的后端服务器进行处理。
7.一种应用程序接口API限流预测执行装置,其特征在于,所述装置包括:
信息获取模块,用于响应于对目标应用程序接口API的目标API调用请求,获取目标API信息,以及所述目标API对应的后端服务器的目标性能监控数据;
结果确定模块,用于通过限流模型,根据所述目标性能监控数据和所述目标API信息,确定对所述目标API的目标限流结果;
请求处理模块,用于根据所述目标限流结果,对所述目标API调用请求进行处理。
8.一种计算机设备,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6中任一项所述的方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310857054.9A CN116860480A (zh) | 2023-07-13 | 2023-07-13 | 调用请求处理方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310857054.9A CN116860480A (zh) | 2023-07-13 | 2023-07-13 | 调用请求处理方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116860480A true CN116860480A (zh) | 2023-10-10 |
Family
ID=88228250
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310857054.9A Pending CN116860480A (zh) | 2023-07-13 | 2023-07-13 | 调用请求处理方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116860480A (zh) |
-
2023
- 2023-07-13 CN CN202310857054.9A patent/CN116860480A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110471945B (zh) | 活跃数据的处理方法、系统、计算机设备和存储介质 | |
US11797527B2 (en) | Real time fault tolerant stateful featurization | |
CN116049109A (zh) | 一种基于过滤器的文件校验方法、系统、设备和介质 | |
CN116800671A (zh) | 数据传输方法、装置、计算机设备、存储介质和程序产品 | |
CN116860480A (zh) | 调用请求处理方法、装置、计算机设备和存储介质 | |
CN116009985A (zh) | 接口调用方法、装置、计算机设备和存储介质 | |
US9659041B2 (en) | Model for capturing audit trail data with reduced probability of loss of critical data | |
CN113902415A (zh) | 财务数据核对方法、装置、计算机设备和存储介质 | |
CN112199401A (zh) | 数据请求处理方法、装置、服务器、系统及存储介质 | |
CN115730016B (zh) | 数据同步方法、系统、装置、计算机设备和存储介质 | |
CN117435367B (zh) | 用户行为处理方法、装置、设备、存储介质和程序产品 | |
CN116389502B (zh) | 跨集群调度系统、方法、装置、计算机设备和存储介质 | |
CN115604667B (zh) | 消息发送方法、装置、计算机设备和存储介质 | |
EP4398152A1 (en) | Analytics platform optimisation | |
CN118227557A (zh) | 业务信息导入方法、装置、计算机设备和存储介质 | |
CN117170844A (zh) | 分布式锁的离线传播方法、装置、计算机设备及存储介质 | |
CN117978539A (zh) | 网络入侵检测系统、方法、装置、计算机设备和介质 | |
CN117354154A (zh) | 网元确定方法、装置、计算机设备和存储介质 | |
CN117455501A (zh) | 请求处理方法、装置、计算机设备和存储介质 | |
CN117350689A (zh) | 消息通知方法、装置、计算机设备和存储介质 | |
CN116860359A (zh) | 接口调用信息返回方法、装置、计算机设备和存储介质 | |
CN118012618A (zh) | 接口请求的调度方法、装置、计算机设备、存储介质 | |
CN116700969A (zh) | 任务处理方法、装置、计算机设备和存储介质 | |
CN117439913A (zh) | 交易服务监测方法、装置和计算机设备 | |
CN116450341A (zh) | 异步回调方法、装置、设备、存储介质和程序产品 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |