CN117201333A - 限流阈值推荐方法、装置及电子设备 - Google Patents

Abstract

本公开涉及一种限流阈值推荐方法、装置及电子设备，涉及数据处理技术领域，其中方法包括：获取不同服务维度下的服务数据，服务数据包括预测时间数据和资源数据；将预测时间数据输入流量预测模型，得到预测时间数据对应的流量预测结果，流量预测模型用于确定预测时间数据对应的预测流量值，将预测流量值确定为流量预测结果；将资源数据和流量预测结果输入阈值推荐模型，得到预测时间数据对应的限流推荐阈值，阈值推荐模型用于利用资源数据确定流量预测结果对应的预测分值，将对应预测分值最高的流量预测结果确定为限流推荐阈值。通过本公开的方案，相比之前按照经验进行设置的限流阈值更加准确合理。

Description

限流阈值推荐方法、装置及电子设备

技术领域

本申请涉及数据处理技术领域，具体涉及一种限流阈值推荐方法、装置及电子设备。

背景技术

限流是网关的关键模块之一，其原理是在于监控应用流量的每秒流量的请求数量或者并发线程数等，当系统的处理能力不能应对外部请求的突增流量时，为了不让系统奔溃，必须采取限流的措施。当达到指定阈值时对流量进行限制，以避免被瞬时的流量高峰冲垮，从而保证服务的高可用性。

在现有网关限流中，网关的限流阈值很难设置，因为服务自身是迭代变化的，服务的指标数据也是不断变化的，而且服务存在扩缩容情况，服务自身的资源是在不断调整变化的，而服务自身的承受压力的能力也在变化。这种会导致服务已设置的限流阈值出现偏差，可能会存在设置的限流阈值过高，导致限流无效，或者设置的限流阈值过低，导致误杀正常流量的情况。

发明内容

有鉴于此，本公开提供了一种限流阈值推荐方法、装置及电子设备，主要目的在于解决在现有网关限流中，网关的限流阈值很难设置的技术问题。

根据本公开的第一个方面，提供了一种限流阈值推荐方法，该方法包括：

获取不同服务维度下的服务数据，所述服务数据包括预测时间数据和资源数据；

将所述预测时间数据输入流量预测模型，得到所述预测时间数据对应的流量预测结果，所述流量预测模型用于确定所述预测时间数据对应的预测流量值，将所述预测流量值确定为所述流量预测结果；

将所述资源数据和所述流量预测结果输入阈值推荐模型，得到所述预测时间数据对应的限流推荐阈值，所述阈值推荐模型用于利用所述资源数据确定所述流量预测结果对应的预测分值，将对应所述预测分值最高的流量预测结果确定为限流推荐阈值。

根据本公开的第二个方面，提供了一种限流阈值推荐装置，该装置包括：

获取模块，用于获取不同服务维度下的服务数据，所述服务数据包括预测时间数据和资源数据；

第一输入模块，用于将所述预测时间数据输入流量预测模型，得到所述预测时间数据对应的流量预测结果，所述流量预测模型用于确定所述预测时间数据对应的预测流量值，将所述预测流量值确定为所述流量预测结果；

第二输入模块，用于将所述资源数据和所述流量预测结果输入阈值推荐模型，得到所述预测时间数据对应的限流推荐阈值，所述阈值推荐模型用于利用所述资源数据确定所述流量预测结果对应的预测分值，将对应所述预测分值最高的流量预测结果确定为限流推荐阈值。

根据本公开的第三个方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述第一方面的方法。

根据本公开的第四个方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行前述第一方面的方法。

本公开提供的限流阈值推荐方法、装置及电子设备，与现有技术相比，本公开通过获取不同服务维度下的服务数据，服务数据包括预测时间数据和资源数据；将预测时间数据输入流量预测模型，得到预测时间数据对应的流量预测结果，流量预测模型用于确定预测时间数据对应的预测流量值，将预测流量值确定为流量预测结果；将资源数据和流量预测结果输入阈值推荐模型，得到预测时间数据对应的限流推荐阈值，阈值推荐模型用于利用资源数据确定流量预测结果对应的预测分值，将对应预测分值最高的流量预测结果确定为限流推荐阈值。通过应用本公开的方案，可以利用流量预测模型预测时间数据对应的流量预测值，以及根据流量预测值和资源数据在阈值推荐模型中确定预测时间数据对应的限流推荐阈值，相比之前按照经验进行设置的限流阈值更加准确合理。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本公开实施例所提供的一种限流阈值推荐方法的流程示意图；

图2为本公开另一实施例所提供的一种限流阈值推荐方法的流程示意图；

图3为本公开另一实施例所提供的一种限流阈值推荐方法的原理流程图；

图4为本公开实施例提供的一种限流阈值推荐装置的结构示意图；

图5为本公开实施例提供的一种限流阈值推荐装置的结构示意图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。需要说明的是，在不冲突的情况下，本公开的实施例及实施例中的特征可以相互组合。

下面参考附图描述本公开实施例的限流阈值推荐方法、装置及电子设备。

本公开提供了一种限流阈值推荐方法、装置及电子设备，相比之前按照经验进行设置的限流阈值更加准确合理。

如图1所示，本公开的实施例提供了一种限流阈值推荐方法，包括：

步骤101、获取不同服务维度下的服务数据，服务数据包括预测时间数据和资源数据。

其中，服务维度可以包括但不限于是时间维度，以服务维度为时间维度为例，对本公开中的技术方案进行说明，但并不构成对本公开中技术方案的具体限定。时间维度可以划分为周、月、节假日等时间。预测时间数据可为用户根据实际应用场景进行设定的未来某一天，或者未来的某一时间段，或者未来的某一时间点等，对此不做具体限定。资源数据可以包括但不限于是不同时间维度下中央处理器的核数、内存等，以及服务的响应情况信息，其中，响应情况信息可以包括但不限于是返回状态码、耗时等。

在本公开实施例中，可以按照不同的时间维度划分服务数据，如按照以周为服务周期划分服务数据，可以将相同周内的服务数据按天进行排序和显示对应的数据。

对于本公开实施例，执行主体可为限流阈值推荐模块，限流阈值推荐模块通过将获取到预测时间数据输入到流量预测模型，得到预测时间数据对应的流量预测结果，以及将计算得到的流量预测结果和资源数据输入阈值推荐模型，可以得到预测时间数据对应的限流推荐阈值，通过模型预测的方式来推荐限流阈值，相比之前按照经验进行设置的限流阈值更加准确合理。

步骤102、将预测时间数据输入流量预测模型，得到预测时间数据对应的流量预测结果。

其中，流量预测模型用于确定预测时间数据对应的预测流量值，流量预测结果为根据预测时间数据确定的预测流量值，流量预测模型可以包括但不限于是历史平均模型、线性回归模型、非线性回归模型、时间序列模型等，对此不做限定。

在具体应用场景中，由于是利用预测时间数据来预测流量预测结果，所以可以选用与时间有关的时间序列模型作为流量预测模型进行流量预测。其中，时间序列模型用于分析和预测时间序列数据的统计模型。时间序列数据是按照时间对预测时间数据进行顺序排列的一系列观测值，可以用于直观的分析数据的趋势、季节性、周期性和随机性等特征，并进行未来值的预测。

对于本公开实施例，时间序列模型可以通过研究历史预期流量值在对应历史预期流量时间下的变化规律，来预测未来时间段对应的流量预测结果，其中，历史预期流量值为预设流量数据范围内的流量值，预设流量数据范围为可根据实际应用场景进行设定的未被大流量攻击情况下稳定的流量数据范围值。

步骤103、将资源数据和流量预测结果输入阈值推荐模型，得到预测时间数据对应的限流推荐阈值。

其中，阈值推荐模型用于利用资源数据确定流量预测结果对应的预测分值，限流推荐阈值为对应预测分值最高的流量预测结果；阈值推荐模型可以包括但不限于是回归模型、历史平均模型、时间序列模型等，对此不做限定。

在具体应用场景中，由于是利用资源数据和流量预测结果之间的对应关系来预测与预测时间数据对应的限流推荐阈值，所以可以选用回归模型作为阈值推荐模型进行限流阈值推荐。其中，回归模型是一种用于建立变量之间关系的统计模型，可以通过分析自变量(资源数据)与因变量(流量预测结果)之间的关系，来预测限流推荐阈值的变化。

对于本公开实施例，作为一种可能的方式，当流量预测结果对应的资源信息在进行资源响应出现响应异常时，回归模型可以利用流量预测结果和对应的异常结果判断流量预测结果应该被限制流量，回归模型可以确定异常结果对应流量预测结果的预测分值，并将预测分值按照由高到低的顺序进行排序，并从中选取预测分值最高的流量预测结果作为限流推荐阈值，通过进行合理限流阈值的推荐，使得可以接收限流推荐阈值内的流量，降低由于手动设置限流阈值过高导致的限流无效，或者由于手动设置限流阈值过低导致的误杀正常流量的情况的产生，而且通过模型进行限流阈值的推荐，不需要进行多次人工限流阈值测试，从而减少用工成本。

在具体应用场景中，如果服务的资源数据发生变化，则可以重新将新的资源数据和流量预测结果输入阈值推荐模型，得到新的限流推荐阈值，避免资源数据变化导致的限流推荐阈值设置出现错误，提高了阈值推荐结果的准确性。

综上，根据本公开提供的限流阈值推荐方法，与现有技术相比，本公开通过获取不同服务维度下的服务数据，服务数据包括预测时间数据和资源数据；将预测时间数据输入流量预测模型，得到预测时间数据对应的流量预测结果，流量预测模型用于确定预测时间数据对应的预测流量值，将预测流量值确定为流量预测结果；将资源数据和流量预测结果输入阈值推荐模型，得到预测时间数据对应的限流推荐阈值，阈值推荐模型用于利用资源数据确定流量预测结果对应的预测分值，将对应预测分值最高的流量预测结果确定为限流推荐阈值。通过应用本公开的方案，可以利用流量预测模型预测时间数据对应的流量预测值，以及根据流量预测值和资源数据在阈值推荐模型中确定预测时间数据对应的限流推荐阈值，相比之前按照经验进行设置的限流阈值更加准确合理。

进一步的，作为上述实施例的细化和扩展，为了完整说明本实施例方法的具体实现过程，本实施例提供了如图2所示的具体方法，该方法包括：

步骤201、获取不同服务维度下的服务数据，服务数据包括预测时间数据、资源数据和历史流量数据。

其中，历史流量数据为过去某一时间段下，每分钟内每秒的最高流量值的流量集合，历史流量数据可以包括历史流量值和历史流量值对应的历史流量时间。

对于本公开实施例，其实现过程具体可参见实施例步骤101中的相关描述，在此不再赘述。

步骤202、对历史流量数据进行流量数据处理，得到历史预期流量数据。

其中，历史预期流量数据为处于预设流量数据范围的流量数据。

对于本公开实施例，由于历史流量数据为过去某一时间段下，每分钟内每秒的最高流量值的流量集合，所以可能在过去某一时刻存在被大流量攻击的情况，即历史非预期流量数据，由于历史非预期流量数据的存在会导致预测的限流推荐阈值的不准确，所以需要将将历史非预期流量数据去除掉，以保证预测的限流推荐阈值的准确性。由于将历史非预期流量数据去除掉以后，历史非预期流量数据对应的剔除位置会出现空白，同样会导致预测的限流推荐阈值的不准确，所以需要在剔除位置补充上合适的流量数据，作为一种可能实现的方法，可以利用将过去某一时间点的在预设流量数据范围内的流量数据，进行剔除位置的流量数据补充，或者可以对过去某一时间段内在预设流量数据范围内的流量数据进行均值处理，将得到均值处理后得到的流量数据作为剔除位置的补充。

对于本公开实施例，对历史流量数据进行流量数据处理，得到历史预期流量数据的具体实现过程可以描述为：剔除历史流量数据中的历史非预期流量数据，历史非预期流量数据为不符合预设流量数据范围的流量数据；在历史非预期流量数据对应的剔除位置，在剔除位置补充符合预设流量数据范围的流量数据，得到补充后的历史预期流量数据。

步骤203、将预测时间数据输入流量预测模型，得到预测时间数据对应的流量预测结果。

对于本公开实施例，在将预测时间数据输入流量预测模型，得到预测时间数据对应的流量预测结果之前，可以利用实施例步骤202得到的历史预期流量数据先对流量预测模型进行模型训练。其中，历史预期流量数据包括历史预期流量值和历史预期流量值对应的历史预期流量时间。

对于本公开实施例，可以将时间序列模型作为流量预测模型进行模型训练。流量预测模型的训练方法的具体实现过程可以描述为：将历史预期流量时间作为流量预测模型的输入特征，将历史预期流量值作为流量预测模型的训练标签，迭代训练流量预测模型，直到流量预测模型的损失函数值小于第一预设阈值，判断流量预测模型训练完成。其中，历史预期流量时间为与历史预期流量值对应的历史时间；历史预期流量值为在预设流量数据范围内的流量值；第一预设阈值为可根据实际应用场景进行设定的数值，在此不进行具体限定，第一预设阈值的设定值越接近于0，表示流量预测模型的预测精准度越高。

在具体应用场景中，为了及时掌握流量预测结果，提前调整服务能承受的最大范围，避免大流量可能带来的损失，作为一种可能实现的方法，判断流量预测结果是否大于预设推荐阈值；若是，则输出预警提示信息，其中，预设推荐阈值为过去某一时间段内通过阈值推荐模型已经得到的预测分值最高的流量预测结果；预警提示信息用于提醒用户流量预测结果已经超过预设推荐阈值，预警提示信息可以包括但不限于是预警提示级别、预警警示事项等。

步骤204、将资源数据和流量预测结果输入阈值推荐模型，得到预测时间数据对应的限流推荐阈值。

其中，限流推荐阈值为服务能接受的最大流量值；资源数据可以包括但不限于是不同时间维度下中央处理器的核数、内存等，以及服务的响应情况信息，其中，响应情况信息可以包括但不限于是历史预期流量数据对应的返回状态码，以及历史预期流量值运行过程中的耗费时长等。

对于本公开实施例，在将资源数据和流量预测结果输入阈值推荐模型，得到预测时间数据对应的限流推荐阈值之前，需要先对阈值推荐模型进行模型训练。

在具体应用场景中，为了避免对已有的流量产生影响，需要将超过限流推荐阈值的部分拒绝掉。限流推荐阈值的产生一是根据当前服务的容量，二是根据服务进来的流量。可以通过对历史预期流量值进行限流打标，判断哪部分历史预期流量值超过历史限流阈值，哪部分历史预期流量值没超过历史限流阈值。限流打标是根据响应情况信息进行打标，响应情况信息包括返回状态码和历史预期流量值运行过程中的耗费时长，返回状态码为网页服务器响应状态的3位数字代码，不同的返回状态码对应不同网页服务器的响应状态；在当前容量下，对应的历史预期流量值的返回状态码或者耗费时长为异常的，则应该被限流；在标签为限流的历史预期流量值中，找到一个最应该被限流的值作为限流推荐阈值，可以将标签为限流的历史预期流量值按照由高到低的顺序进行排序，将标签为限流的历史预期流量值的中间历史预期流量值、最低历史预期流量值、最高历史预期流量值中任意一个流量值作为限流推荐阈值，或者将标签为限流的历史预期流量值进行均值运算，将均值运算结果作为限流推荐阈值。

对于本公开实施例，首先需要判断历史预期流量值是否限流，而判断历史预期流量值是否限流是根据服务的响应情况信息什么时候开始变得异常的时候判断的，具体实现过程可以描述为：判断历史预期流量数据对应的资源数据是否符合预设信息异常条件，若是，则确定历史预期流量值为限流；预设信息异常条件包括以下条件中的至少一种：历史预期流量数据对应的返回状态码的返回类别为异常状态码；历史预期流量值运行过程中的耗费时长大于预设时长。

对于本公开实施例，阈值推荐模型的训练方法的具体实现过程可以描述为：利用历史预期流量数据对应的资源数据，判断历史预期流量值是否限流；确定历史预期流量值对应限流时的历史限流阈值；将历史预期流量值作为阈值推荐模型的输入特征，将历史限流阈值作为阈值推荐模型的训练标签，迭代训练阈值推荐模型，直到阈值推荐模型的损失函数值小于第二预设阈值，判断阈值推荐模型训练完成，其中，第二预设阈值为可根据实际应用场景进行设定的数值，在此不进行具体限定，第二预设阈值的设定值越接近于0，表示阈值推荐模型的预测精准度越高。

对于本公开实施例，将资源数据和流量预测结果输入阈值推荐模型，得到预测时间数据对应的限流推荐阈值之后，可以将限流推荐阈值应用到网关系统，并实时监控系统的运行情况。同时继续收集新的服务数据，并根据新的服务数据对流量预测模型和阈值推荐模型进行重新训练更新模型，随着服务数据的不断增加与修正，限流推荐阈值的准确度也在不断增加，也可以根据实际情况，对限流推荐阈值进行调整和优化，以保证系统在高负载和异常情况下的稳定性和性能。

对于本公开实施例，如图3所示，首先需要历史数据(即历史预期流量数据)输入到流量预测模型进行模型训练，在训练结束后，将流量预测模型推送到流量预测服务，流量预测服务用于根据流量预测模型预测未来时间数据对应的流量趋势(即流量预测结果)，如可以预测未来14天的流量趋势，并将预测未来14天的流量值与预设推荐阈值进行对比，如果预测未来14天的流量值超过预设推荐阈值，则进行流量预警。其次需要历史数据(即历史预期流量数据)和历史限流阈值输入到阈值推荐模型进行模型训练，在训练结束后，将阈值推荐模型推送到阈值推荐服务，阈值推荐服务用于根据阈值推荐模型预测和推荐限流阈值。通过将流量预测模型输出的流量预测结果和服务资源情况(即资源数据)输入到阈值推荐服务，阈值推荐服务可以根据流量预测结果和服务资源情况输出推荐限流阈值，如果服务资源情况发生变化，则可以重新将新的服务资源情况和流量预测结果输入阈值推荐模型，得到新的限流推荐阈值，并将新的推荐限流阈值应用到网关系统，并实时监控系统的运行情况，同时继续收集新的服务数据，并根据新的服务数据对流量预测模型和阈值推荐模型进行重新训练更新模型。

综上，根据本公开提供的限流阈值推荐方法，与现有技术相比，本申请可通过获取不同服务维度下的服务数据，服务数据包括预测时间数据和资源数据；将预测时间数据输入流量预测模型，得到预测时间数据对应的流量预测结果，流量预测模型用于确定预测时间数据对应的预测流量值，将预测流量值确定为流量预测结果；将资源数据和流量预测结果输入阈值推荐模型，得到预测时间数据对应的限流推荐阈值，阈值推荐模型用于利用资源数据确定流量预测结果对应的预测分值，将对应预测分值最高的流量预测结果确定为限流推荐阈值。通过应用本公开的方案，可以利用流量预测模型预测时间数据对应的流量预测值，以及根据流量预测值和资源数据在阈值推荐模型中确定预测时间数据对应的限流推荐阈值，相比之前按照经验进行设置的限流阈值更加准确合理。

基于上述图1、图2所示方法的具体实现，本实施例提供了一种限流阈值推荐装置，如图4所示，该装置包括：获取模块31、第一输入模块32、第二输入模块33；

获取模块31，用于获取不同服务维度下的服务数据，服务数据包括预测时间数据和资源数据；

第一输入模块32，用于将预测时间数据输入流量预测模型，得到预测时间数据对应的流量预测结果，流量预测模型用于确定预测时间数据对应的预测流量值，将预测流量值确定为流量预测结果；

第二输入模块33，用于将资源数据和流量预测结果输入阈值推荐模型，得到预测时间数据对应的限流推荐阈值，阈值推荐模型用于利用资源数据确定流量预测结果对应的预测分值，将对应预测分值最高的流量预测结果确定为限流推荐阈值。

在具体的应用场景中，如图5所示，该装置还包括：处理模块34；

处理模块34，用于对历史流量数据进行流量数据处理，得到历史预期流量数据，历史预期流量数据为处于预设流量数据范围的流量数据。

在具体的应用场景中，处理模块34，可用于剔除历史流量数据中的历史非预期流量数据，历史非预期流量数据为不符合预设流量数据范围的流量数据；在历史非预期流量数据对应的剔除位置，在剔除位置补充符合预设流量数据范围的流量数据，得到补充后的历史预期流量数据。

在具体的应用场景中，历史预期流量数据包括历史预期流量值和历史预期流量值对应的历史预期流量时间，如图5所示，该装置还包括：第一训练模块35；

第一训练模块35，用于将历史预期流量值作为流量预测模型的训练标签，迭代训练流量预测模型，直到流量预测模型的损失函数值小于第一预设阈值，判断流量预测模型训练完成。

在具体的应用场景中，如图5所示，该装置还包括：第二训练模块36；

第二训练模块36，用于利用历史预期流量数据对应的资源数据，判断历史预期流量值是否限流；确定历史预期流量值对应限流时的历史限流阈值；将历史预期流量值作为阈值推荐模型的输入特征，将历史限流阈值作为阈值推荐模型的训练标签，迭代训练阈值推荐模型，直到阈值推荐模型的损失函数值小于第二预设阈值，判断阈值推荐模型训练完成。

在具体的应用场景中，资源数据包括历史预期流量数据对应的返回状态码，以及历史预期流量值运行过程中的耗费时长，第二训练模块36，可用于判断历史预期流量数据对应的资源数据是否符合预设信息异常条件，若是，则确定历史预期流量值为限流；预设信息异常条件包括以下条件中的至少一种：历史预期流量数据对应的返回状态码的返回类别为异常状态码；历史预期流量值运行过程中的耗费时长大于预设时长。

在具体的应用场景中，如图5所示，该装置还包括：判断模块37、输出模块38；

判断模块37，用于判断预测流量值是否大于预设推荐阈值；

输出模块38，用于若预测流量值大于预设推荐阈值，则输出预警提示信息。

基于上述如图1和图2所示方法，相应的，本实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述如图1和图2所示的方法。

基于这样的理解，本申请的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施场景的方法。

基于上述如图1和图2所示的方法，以及图4和图5所示的虚拟装置实施例，为了实现上述目的，本申请实施例还提供了一种电子设备，可配置在车辆(如电动汽车)端侧，该设备包括存储介质和处理器；存储介质，用于存储计算机程序；处理器，用于执行计算机程序以实现上述如图1和图2所示的方法。

可选的，上述实体设备还可以包括用户接口、网络接口、摄像头、射频(RadioFrequency，RF)电路，传感器、音频电路、WI-FI模块等等。用户接口可以包括显示屏(Display)、输入单元比如键盘(Keyboard)等，可选用户接口还可以包括USB接口、读卡器接口等。网络接口可选的可以包括标准的有线接口、无线接口(如WI-FI接口)等。

本领域技术人员可以理解，本实施例提供的上述实体设备结构并不构成对该实体设备的限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件布置。

存储介质中还可以包括操作系统、网络通信模块。操作系统是管理上述实体设备硬件和软件资源的程序，支持信息处理程序以及其它软件和/或程序的运行。网络通信模块用于实现存储介质内部各组件之间的通信，以及与信息处理实体设备中其它硬件和软件之间通信。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本申请可以借助软件加必要的通用硬件平台的方式来实现，也可以通过硬件实现。本公开中的技术方案，与现有技术相比，本公开通过获取不同服务维度下的服务数据，服务数据包括预测时间数据和资源数据；将预测时间数据输入流量预测模型，得到预测时间数据对应的流量预测结果，流量预测模型用于确定预测时间数据对应的预测流量值，将预测流量值确定为流量预测结果；将资源数据和流量预测结果输入阈值推荐模型，得到预测时间数据对应的限流推荐阈值，阈值推荐模型用于利用资源数据确定流量预测结果对应的预测分值，将对应预测分值最高的流量预测结果确定为限流推荐阈值。通过应用本公开的方案，可以利用流量预测模型预测时间数据对应的流量预测值，以及根据流量预测值和资源数据在阈值推荐模型中确定预测时间数据对应的限流推荐阈值，相比之前按照经验进行设置的限流阈值更加准确合理。

需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”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、物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、物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、物品或者设备中还存在另外的相同要素。

以上仅是本申请的具体实施方式，使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种限流阈值推荐方法，其特征在于，所述方法包括：

获取不同服务维度下的服务数据，所述服务数据包括预测时间数据和资源数据；

将所述预测时间数据输入流量预测模型，得到所述预测时间数据对应的流量预测结果，所述流量预测模型用于确定所述预测时间数据对应的预测流量值，将所述预测流量值确定为所述流量预测结果；

将所述资源数据和所述流量预测结果输入阈值推荐模型，得到所述预测时间数据对应的限流推荐阈值，所述阈值推荐模型用于利用所述资源数据确定所述流量预测结果对应的预测分值，将对应所述预测分值最高的流量预测结果确定为限流推荐阈值。

2.根据权利要求1中所述的方法，其特征在于，所述服务数据还包括历史流量数据，所述方法还包括：

对所述历史流量数据进行流量数据处理，得到历史预期流量数据，所述历史预期流量数据为处于预设流量数据范围的流量数据。

3.根据权利要求2中所述的方法，其特征在于，所述对所述历史流量数据进行流量数据处理，得到历史预期流量数据，包括：

剔除所述历史流量数据中的历史非预期流量数据，所述历史非预期流量数据为不符合预设流量数据范围的流量数据；

在所述历史非预期流量数据对应的剔除位置，在所述剔除位置补充符合所述预设流量数据范围的流量数据，得到补充后的所述历史预期流量数据。

4.根据权利要求3中所述的方法，其特征在于，所述历史预期流量数据包括历史预期流量值和历史预期流量值对应的历史预期流量时间，所述流量预测模型的训练方法，包括：

将所述历史预期流量时间作为所述流量预测模型的输入特征，将所述历史预期流量值作为所述流量预测模型的训练标签，迭代训练所述流量预测模型，直到所述流量预测模型的损失函数值小于第一预设阈值，判断所述流量预测模型训练完成。

5.根据权利要求4中所述的方法，其特征在于，所述阈值推荐模型的训练方法，包括：

利用所述历史预期流量数据对应的资源数据，判断所述历史预期流量值是否限流；

确定所述历史预期流量值对应限流时的历史限流阈值；

将所述历史预期流量值作为所述阈值推荐模型的输入特征，将所述历史限流阈值作为所述阈值推荐模型的训练标签，迭代训练所述阈值推荐模型，直到所述阈值推荐模型的损失函数值小于第二预设阈值，判断所述阈值推荐模型训练完成。

6.根据权利要求5中所述的方法，其特征在于，所述资源数据包括历史预期流量数据对应的返回状态码，以及历史预期流量值运行过程中的耗费时长，所述利用所述历史预期流量数据对应的资源数据，判断所述历史预期流量值是否限流，包括：

判断所述历史预期流量数据对应的资源数据是否符合预设信息异常条件，若是，则确定所述历史预期流量值为限流；

所述预设信息异常条件包括以下条件中的至少一种：

所述历史预期流量数据对应的返回状态码的返回类别为异常状态码；

所述历史预期流量值运行过程中的耗费时长大于预设时长。

7.根据权利要求1-6中任意一项所述的方法，其特征在于，所述方法还包括：

判断所述预测流量值是否大于预设推荐阈值；

若是，则输出预警提示信息。

8.一种限流阈值推荐装置，其特征在于，包括：

获取模块，用于获取不同服务维度下的服务数据，所述服务数据包括预测时间数据和资源数据；

第一输入模块，用于将所述预测时间数据输入流量预测模型，得到所述预测时间数据对应的流量预测结果，所述流量预测模型用于确定所述预测时间数据对应的预测流量值，将所述预测流量值确定为所述流量预测结果；

第二输入模块，用于将所述资源数据和所述流量预测结果输入阈值推荐模型，得到所述预测时间数据对应的限流推荐阈值，所述阈值推荐模型用于利用所述资源数据确定所述流量预测结果对应的预测分值，将对应所述预测分值最高的流量预测结果确定为限流推荐阈值。

9.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。

10.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-7中任一项所述的方法。