CN117407153A - 接口访问控制方法、装置、计算机设备、存储介质和产品 - Google Patents

接口访问控制方法、装置、计算机设备、存储介质和产品 Download PDF

Info

Publication number
CN117407153A
CN117407153A CN202311148776.3A CN202311148776A CN117407153A CN 117407153 A CN117407153 A CN 117407153A CN 202311148776 A CN202311148776 A CN 202311148776A CN 117407153 A CN117407153 A CN 117407153A
Authority
CN
China
Prior art keywords
interface
tps
threshold
candidate
combination
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
Application number
CN202311148776.3A
Other languages
English (en)
Inventor
王博瑞
朱阿龙
石慧彪
田林
何聪聪
李瑞男
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Bank of China Ltd
Original Assignee
Bank of China Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Bank of China Ltd filed Critical Bank of China Ltd
Priority to CN202311148776.3A priority Critical patent/CN117407153A/zh
Publication of CN117407153A publication Critical patent/CN117407153A/zh
Pending legal-status Critical Current

Links

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
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • G06F9/505—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering the load
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
    • G06F21/31—User authentication
    • 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
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5061—Partitioning or combining of resources
    • G06F9/5072—Grid computing
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06F2221/00—Indexing scheme relating to security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F2221/21—Indexing scheme relating to G06F21/00 and subgroups addressing additional information or applications relating to security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F2221/2141—Access rights, e.g. capability lists, access control lists, access tables, access matrices

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Security & Cryptography (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computer Hardware Design (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及一种接口访问控制方法、装置、计算机设备、存储介质和产品。所述方法包括：针对接口集合中每个接口，将所针对接口分别在连续的多个历史统计时段的历史TPS，输入LSTM循环神经网络，获得所针对接口在下一统计时段的预测TPS；按照接口集合中接口的数量，枚举多种候选阈值组合；针对每种候选阈值组合，分别根据接口集合中每个接口的预测TPS、接口权重、以及在所针对候选阈值组合中对应的候选TPS阈值，确定所针对候选阈值组合的评价指标值；按照多种候选阈值组合各自的评价指标值，筛选出目标阈值组合；按照目标阈值组合对接口集合中每个接口进行TPS阈值配置，以在下一统计时段对每个接口进行访问控制。采用本方法能够避免服务器宕机。

Description

接口访问控制方法、装置、计算机设备、存储介质和产品
技术领域
本申请涉及大数据技术领域，特别是涉及一种接口访问控制方法、装置、计算机设备、存储介质和产品。
背景技术
随着计算机技术的发展，越来越多传统行业实现了信息化。在银行领域中，银行借助计算机技术发展电子银行服务，建设了银行的计算机系统，可支持各种线上业务。在外部系统访问银行的内部系统时，需要网关系统作为桥梁，由网关系统对外部系统与银行的内部系统间的数据交互进行中转。网关系统可运行在服务器上，服务器可部署有多个接口，以处理外部系统与银行的内部系统间的数据交互。
然而，在服务器资源有限的情况下，当外部系统对接口的访问量过大，可能导致服务器宕机。
发明内容
基于此，有必要针对上述技术问题，提供一种能够避免服务器宕机的接口访问控制方法、装置、计算机设备、存储介质和产品。
第一方面，本申请提供了一种接口访问控制方法。所述方法包括：
针对接口集合中每个接口，获取所针对接口分别在当前统计时段之前连续的多个历史统计时段的历史TPS；
将所针对接口分别在连续的多个历史统计时段的历史TPS，输入预生成的LSTM循环神经网络，获得所针对接口在所述当前统计时段之后下一统计时段的预测TPS；
按照所述接口集合中接口的数量，枚举多种候选阈值组合；每种所述候选阈值组合中的候选TPS阈值之和为预配置的总体TPS阈值；
针对每种候选阈值组合，分别根据所述接口集合中每个接口的预测TPS、预配置的接口权重、以及在所针对候选阈值组合中对应的候选TPS阈值，确定所针对候选阈值组合的评价指标值；
按照所述多种候选阈值组合各自的评价指标值，从所述多种候选阈值组合筛选出目标阈值组合；
按照所述目标阈值组合对所述接口集合中每个接口进行TPS阈值配置，以在所述下一统计时段对每个接口进行访问控制。
第二方面，本申请还提供了一种接口访问控制装置。所述装置包括：
数据获取模块，用于针对接口集合中每个接口，获取所针对接口分别在当前统计时段之前连续的多个历史统计时段的历史TPS；
预测模块，用于将所针对接口分别在连续的多个历史统计时段的历史TPS，输入预生成的LSTM循环神经网络，获得所针对接口在所述当前统计时段之后下一统计时段的预测TPS；
阈值组合确定模块，用于按照所述接口集合中接口的数量，枚举多种候选阈值组合；每种所述候选阈值组合中的候选TPS阈值之和为预配置的总体TPS阈值；针对每种候选阈值组合，分别根据所述接口集合中每个接口的预测TPS、预配置的接口权重、以及在所针对候选阈值组合中对应的候选TPS阈值，确定所针对候选阈值组合的评价指标值；按照所述多种候选阈值组合各自的评价指标值，从所述多种候选阈值组合筛选出目标阈值组合；
阈值配置模块，用于按照所述目标阈值组合对所述接口集合中每个接口进行TPS阈值配置，以在所述下一统计时段对每个接口进行访问控制。
第三方面，本申请还提供了一种计算机设备。所述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，所述处理器执行所述计算机程序时实现以下步骤：
针对接口集合中每个接口，获取所针对接口分别在当前统计时段之前连续的多个历史统计时段的历史TPS；
将所针对接口分别在连续的多个历史统计时段的历史TPS，输入预生成的LSTM循环神经网络，获得所针对接口在所述当前统计时段之后下一统计时段的预测TPS；
按照所述接口集合中接口的数量，枚举多种候选阈值组合；每种所述候选阈值组合中的候选TPS阈值之和为预配置的总体TPS阈值；
针对每种候选阈值组合，分别根据所述接口集合中每个接口的预测TPS、预配置的接口权重、以及在所针对候选阈值组合中对应的候选TPS阈值，确定所针对候选阈值组合的评价指标值；
按照所述多种候选阈值组合各自的评价指标值，从所述多种候选阈值组合筛选出目标阈值组合；
按照所述目标阈值组合对所述接口集合中每个接口进行TPS阈值配置，以在所述下一统计时段对每个接口进行访问控制。
第四方面，本申请还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，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
针对接口集合中每个接口，获取所针对接口分别在当前统计时段之前连续的多个历史统计时段的历史TPS；
将所针对接口分别在连续的多个历史统计时段的历史TPS，输入预生成的LSTM循环神经网络，获得所针对接口在所述当前统计时段之后下一统计时段的预测TPS；
按照所述接口集合中接口的数量，枚举多种候选阈值组合；每种所述候选阈值组合中的候选TPS阈值之和为预配置的总体TPS阈值；
针对每种候选阈值组合，分别根据所述接口集合中每个接口的预测TPS、预配置的接口权重、以及在所针对候选阈值组合中对应的候选TPS阈值，确定所针对候选阈值组合的评价指标值；
按照所述多种候选阈值组合各自的评价指标值，从所述多种候选阈值组合筛选出目标阈值组合；
按照所述目标阈值组合对所述接口集合中每个接口进行TPS阈值配置，以在所述下一统计时段对每个接口进行访问控制。
第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，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：
针对接口集合中每个接口，获取所针对接口分别在当前统计时段之前连续的多个历史统计时段的历史TPS；
将所针对接口分别在连续的多个历史统计时段的历史TPS，输入预生成的LSTM循环神经网络，获得所针对接口在所述当前统计时段之后下一统计时段的预测TPS；
按照所述接口集合中接口的数量，枚举多种候选阈值组合；每种所述候选阈值组合中的候选TPS阈值之和为预配置的总体TPS阈值；
针对每种候选阈值组合，分别根据所述接口集合中每个接口的预测TPS、预配置的接口权重、以及在所针对候选阈值组合中对应的候选TPS阈值，确定所针对候选阈值组合的评价指标值；
按照所述多种候选阈值组合各自的评价指标值，从所述多种候选阈值组合筛选出目标阈值组合；
按照所述目标阈值组合对所述接口集合中每个接口进行TPS阈值配置，以在所述下一统计时段对每个接口进行访问控制。
上述接口访问控制方法、装置、计算机设备、存储介质和产品，通过接口集合中每个接口分别在多个历史统计时段的历史TPS以及LSTM循环神经网络，可以获得较为准确的对应接口在下一统计时段的预测TPS；进而枚举多种候选阈值组合，根据接口集合中每个接口的预测TPS、预配置的接口权重、以及在所针对候选阈值组合中对应的候选TPS阈值，确定所针对候选阈值组合的评价指标值，可以从多种候选阈值组合筛选出较优的目标阈值组合，进而按照目标阈值组合对接口集合中每个接口进行TPS阈值配置，使得为每个接口配置的TPS阈值与接口的预测TPS、接口权重相匹配，对接口配置了较准确的TPS阈值的同时，可以通过TPS阈值对访问过高的接口进行限制，避免了服务器宕机。
附图说明
为了更清楚地说明本申请实施例或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为一个实施例中接口访问控制方法的流程示意图；
图2为一个实施例中针对每种候选阈值组合，分别根据接口集合中每个接口的预测TPS、预配置的接口权重、以及在所针对候选阈值组合中对应的候选TPS阈值，确定所针对候选阈值组合的评价指标值的步骤的流程示意图；
图3为一个实施例中接口访问控制装置的结构框图；
图4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。
在一个实施例中，如图1所示，提供了一种接口访问控制方法，本实施例以该方法应用于计算机设备进行举例说明，计算机设备可以是终端，也可以是服务器；可以理解的是，该方法还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。其中，终端可以是台式计算机、笔记本电脑、智能手机或平板电脑。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。本实施例中，该方法包括以下步骤：
步骤102，针对接口集合中每个接口，获取所针对接口分别在当前统计时段之前连续的多个历史统计时段的历史TPS。
其中，接口是在计算机程序间进行数据传输的通道。接口可以是业务系统内部不同计算机程序间进行数据传输的通道，也可以是不同业务系统间进行数据传输的通道。接口集合是多个接口形成的集合。接口集合中接口可以是银行的业务系统的接口，也可以是对接系统的接口。对接系统是为银行的业务系统与外部系统提供数据对接服务的系统，例如，对接系统可以是第三方网关对接系统，为银行的业务系统与第三方系统提供数据对接服务。银行的业务系统如银行信息管理系统、手机银行后台管理系统或其它。第三方系统如第三方支付平台。
统计时段是用于统计TPS的时间段。统计时段的时间长度可由开发人员配置，可以是10分钟、30分钟、1小时或其它。当前统计时段是当前时间点所在的统计时段。当前统计时段可以是以当前时间点为起始时间点的统计时段，也可以是以当前时间点为中间时间点的统计时段。历史统计时段是历史时间点所在的统计时段。多个历史统计时段的数量可以是10个、20个或其它。连续的多个历史统计时段中最近的历史统计时段，可与当前统计时段紧密相邻。举例说明，统计时段可以是时间长度为30分钟的时间段，当前时间点可以是8月10日10:00，当前统计时段可以是8月10日的10:00至10:30，多个历史统计时段可以是8月10日的5:00至10:00中10个连续的统计时段，具体如8月10日的5:00至5:30、5:30至6:00，以此类推。
TPS(Transactions Per Second，每秒事务数)是服务器每秒处理的事务量。一个事务是指向服务器发送请求然后服务器做出反应的过程。例如，一个事务可以是客户端向服务器发起请求、服务器向客户端反馈数据以响应该请求的过程。接口在统计时段的TPS，是在统计时段内服务器通过接口处理的每秒事务数。接口在统计时段的TPS具体可以是统计时段内服务器通过接口处理的事务量，与统计时段以秒为单位的时间长度的比值。例如，当统计时段内服务器通过接口处理的事务量为600个，统计时段的时间长度是60秒，则接口在统计时段的TPS可以是10。历史TPS是在历史统计时段对接口统计的TPS。
在一个实施例中，计算机设备可针对接口集合中每个接口，按在当前统计时段之前连续的多个历史统计时段中每个历史时段，对所针对接口统计历史TPS，获得所针对接口分别在当前统计时段之前连续的多个历史统计时段的历史TPS。
在一个实施例中，计算机设备可确定当前统计时段之前连续的多个历史统计时段，针对接口集合中每个接口，从预存储的接口TPS统计表中，查询所针对接口分别在当前统计时段之前连续的多个历史统计时段的历史TPS。其中，预存储的接口TPS统计表，是预先存储的用于记录对接口统计的TPS的数据表。
在一个实施例中，当从预存储的接口TPS统计表中，未查询到所针对接口在多个历史统计时段中任一历史统计时段的历史TPS，计算机设备可按未查询到历史TPS的历史统计时段，对所针对接口统计历史TPS。
步骤104，将所针对接口分别在连续的多个历史统计时段的历史TPS，输入预生成的LSTM循环神经网络，获得所针对接口在当前统计时段之后下一统计时段的预测TPS。
其中，LSTM循环神经网络是长短期记忆(Long Short-Term Memory，LSTM)循环神经网络。下一统计时段是在当前统计时段之后、与当前统计时段紧密相邻的统计时段。例如，在当前统计时段是8月10日的10:00至10:30的情况下，下一统计时段可以是8月10日的10:30至11:00。预测TPS是通过LSTM循环神经网络预测的接口在下一统计时段的TPS。
在一个实施例中，计算机设备可将所针对接口分别在连续的多个历史统计时段的历史TPS，输入预生成的LSTM循环神经网络，使得LSTM循环神经网络识别所针对接口后，对所针对接口分别在连续的多个历史统计时段的历史TPS进行处理，输出所针对接口在所述当前统计时段之后下一统计时段的预测TPS。
步骤106，按照接口集合中接口的数量，枚举多种候选阈值组合；每种候选阈值组合中的候选TPS阈值之和为预配置的总体TPS阈值。
其中，候选阈值组合是接口集合中每个接口的候选TPS阈值形成的组合。枚举多种候选阈值组合，是列出所有候选阈值组合的处理。预配置的总体TPS阈值是预先对接口集合配置的TPS阈值。不同的两种候选阈值组合间，每种候选阈值组合中至少两个接口的候选TPS阈值，与另一种候选阈值组合中相同接口的候选TPS阈值不同。
举例说明，接口集合中接口的数量可以是5，预配置的总体TPS阈值可以是100，则针对接口1、接口2、接口3、接口4、接口5，多种候选阈值组合中第一种候选阈值组合可以是10、10、20、40、20，第二种候选阈值组合可以是10、20、10、40、20，第三种候选阈值组合可以是10、30、20、10、30，还可以是其它组合。
在一个实施例中，计算机设备可获取预配置的取值粒度，按照接口集合中接口的数量以及取值粒度，枚举多种候选阈值组合。其中，取值粒度是接口的候选TPS阈值最小的取值单位，接口的候选TPS阈值是取值粒度与整数倍的乘积。举例说明，当取值粒度为10，接口的候选TPS阈值可以是10、20、30或其它10与整数倍的乘积。取值粒度可以是根据总体TPS阈值配置的，例如当总体TPS阈值为100，取值粒度可以是5、10或其它；当总体TPS阈值为1000，取值粒度可以是50、100或其它。
步骤108，针对每种候选阈值组合，分别根据接口集合中每个接口的预测TPS、预配置的接口权重、以及在所针对候选阈值组合中对应的候选TPS阈值，确定所针对候选阈值组合的评价指标值。
其中，预配置的接口权重是针对接口预配置的接口权重，可表征接口相对于接口集合中其他接口的重要程度。接口权重可以是10％、50％、80％或其它，接口的重要程度可与接口权重呈正相关，即接口权重越大，接口的重要程度越高。评价指标值是用于评价多种候选阈值组合中候选阈值组合的指标值。评价指标值具体可用于评价候选阈值组合相较于多种候选阈值组合中其他候选阈值组合的优劣程度。
在一个实施例中，计算机设备可针对每种候选阈值组合，分别根据接口集合中每个接口的预测TPS、预配置的接口权重、以及在所针对候选阈值组合中对应的候选TPS阈值，确定所述接口集合中对应接口的指标参考值，根据所述接口集合中各接口的指标参考值，确定所针对候选阈值组合的评价指标值。
步骤110，按照多种候选阈值组合各自的评价指标值，从多种候选阈值组合筛选出目标阈值组合。
其中，目标阈值组合是用于对接口集合进行TPS阈值配置的组合。
在一个实施例中，计算机设备可按照多种候选阈值组合各自的评价指标值，对多种候选阈值组合降序排序，将排在前预设数量位置的候选阈值组合中任一候选阈值组合，确定为从多种候选阈值组合筛选出目标阈值组合。其中，预设数量是预先设置的数量。排在前预设数量位置，可以是排在前3位。
步骤112，按照目标阈值组合对接口集合中每个接口进行TPS阈值配置，以在下一统计时段对每个接口进行访问控制。
其中，当候选阈值组合被确定为目标阈值组合，则该候选阈值组合中候选阈值TPS也确定为目标阈值TPS。TPS阈值配置是对接口配置TPS阈值，使得接口在下一统计时段内的TPS上限为配置的TPS阈值。
在一个实施例中，计算机设备可按照目标阈值组合中每个接口的目标阈值TPS，对接口集合中对应接口进行TPS阈值配置，以在下一统计时段对每个接口进行访问控制。
上述接口访问控制方法中，通过接口集合中每个接口分别在多个历史统计时段的历史TPS以及LSTM循环神经网络，可以获得较为准确的对应接口在下一统计时段的预测TPS；进而枚举多种候选阈值组合，根据接口集合中每个接口的预测TPS、预配置的接口权重、以及在所针对候选阈值组合中对应的候选TPS阈值，确定所针对候选阈值组合的评价指标值，可以从多种候选阈值组合筛选出较优的目标阈值组合，进而按照目标阈值组合对接口集合中每个接口进行TPS阈值配置，使得为每个接口配置的TPS阈值与接口的预测TPS、接口权重相匹配，对接口配置了较准确的TPS阈值的同时，可以通过TPS阈值对访问过高的接口进行限制，避免了服务器宕机。
在一个实施例中，如图2所示，步骤108包括：
步骤202，针对每种候选阈值组合，分别确定接口集合中每个接口的预测TPS、预配置的接口权重、以及在所针对候选阈值组合中对应的候选TPS阈值三者的乘积，获得接口集合中对应接口的指标参考值。
其中，指标参考值是每种候选阈值组合下，用于确定评价指标值的每个接口的参考值。
在一个实施例中，计算机设备可针对接口集合中每个接口，确定所针对接口的预测TPS、所针对接口的预配置的接口权重、以及所针对接口在所针对候选阈值组合中对应的候选TPS阈值三者的乘积，获得所针对接口的指标参考值。
步骤204，对接口集合中各接口的指标参考值求和，获得所针对候选阈值组合的评价指标值。
本实施例中，通过计算接口集合中每个接口的预测TPS、预配置的接口权重、以及在所针对候选阈值组合中对应的候选TPS阈值三者的乘积，获得接口集合中对应接口的指标参考值，进而对接口集合中各接口的指标参考值求和，获得所针对候选阈值组合的评价指标值，从而后续通过比较不同候选阈值组合间的评价指标值，能够筛选出目标阈值组合，以在配置后能够避免服务器宕机。
在一个实施例中，步骤110包括下述步骤：确定多种候选阈值组合各自的评价指标值中最大的评价指标值；将最大的评价指标值对应的候选阈值组合，确定为从多种候选阈值组合筛选出目标阈值组合。
本实施例中，将最大的评价指标值对应的候选阈值组合，确定为目标阈值组合，以在后续对接口进行TPS阈值配置后，可以为预测TPS较高、接口权重较高的接口配置更大的TPS阈值，也就是将更多资源倾向预测TPS较高、接口权重较高的接口，在避免服务器宕机的同时，可提高资源利用率，并保证对重要接口的请求进行处理。
在一个实施例中，接口集合部署在服务器集群中，上述接口访问控制方法还包括下述步骤：对接口集合中各接口在下一统计时段的预测TPS求和，获得接口集合在下一统计时段的总体预测TPS；当总体预测TPS相比总体TPS阈值超过预设比例，根据总体预测TPS以及总体TPS阈值，对服务器集群扩容；根据扩容后的服务器集群对应的集群TPS阈值，更新总体TPS阈值。
其中，预设比例是预先设置的比例。预设比例可以是30％、50％或其它。当总体预测TPS相比总体TPS阈值稍微超出一定比例而未超过预设比例，可能导致用户请求的响应时间长但处于可接受范围，此时可保持服务器集群的服务器数量不变。当总体预测TPS相比总体TPS阈值超过预设比例，可说明接口集合在下一统计时段的总体预测TPS较高，此时若保持总体TPS阈值不变，可能导致较多用户请求的响应时间过长，大大影响用户体验，因此对服务器集群进行扩容，可提高总体TPS阈值，从而缩短用户请求的响应时间。
服务器集群是将多台物理服务器组合在一起以共同处理工作负载的集合。接口集合的总体TPS阈值可以是根据服务器集群的物理服务器数量配置的。每台物理服务器可为接口集合的总体TPS阈值贡献预设TPS阈值，即，每增加一台物理服务器，接口集合的总体TPS阈值可增加预设TPS阈值。预设TPS阈值可以是预先设置的一台物理服务器可贡献的TPS阈值，例如100、500或其它。
本实施例中，当接口集合在所述下一统计时段的总体预测TPS相比总体TPS阈值超过预设比例，说明接口集合在下一统计时段的总体预测TPS较高，为了避免由于总体TPS阈值限制导致大量请求的处理耗时过长，对服务器集群扩容以更新总体TPS阈值，从而可提高对请求的处理效率。
在一个实施例中，计算机设备可确定总体预测TPS与总体TPS阈值间差值的绝对值，确定该差值的绝对值与预设TPS阈值间的比值，将该比值取整后作为目标数量，向服务器集群增加目标数量的服务器，以对服务器集群扩容。
在一个实施例中，计算机设备可确定目标数量与预设TPS阈值的乘积，获得服务器集群的新增TPS阈值，对总体TPS阈值与新增TPS阈值求和，获得扩容后的服务器集群对应的集群TPS阈值，将总体TPS阈值的值更新为集群TPS阈值的值。
在一个实施例中，LSTM循环神经网络是通过训练步骤生成的，训练步骤包括：根据接口集合中每个接口分别在连续的多个样本统计时段的样本TPS，构建监督学习样本集；监督学习样本集包括接口集合中每个接口的样本组，每个样本组中的样本数据，是对应接口在间隔有一个样本统计时段的两个样本统计时段各自的样本TPS所形成的数组；基于监督学习样本集，对待训练的LSTM循环神经网络进行训练，获得训练完成的LSTM循环神经网络。
其中，样本统计时段是用于训练LSTM循环神经网络的统计时段。样本统计时段可以在多个历史统计时段之前。多个样本统计时段的数量可以是一千个、一万个或其它。样本TPS是接口在样本统计时段的TPS。监督学习样本集是用于对LSTM循环神经网络进行训练的样本集。每个接口的样本组是每个接口分别在连续的多个样本统计时段的样本TPS形成的多个样本数据。样本组中每个样本数据，是一个包含两个样本TPS的数组，该两个样本TPS是对应接口分别在两个样本统计时段的样本TPS，该两个样本统计时段可间隔一个样本统计时段。
举例说明，连续的三个样本统计时段如8月5日的6:00至6:30、6:30至7:00、7:00至7:30，则间隔有一个样本统计时段的两个样本统计时段可以是6:00至6:30、7:00至7:30。当接口在6:00至6:30、7:00至7:30的样本TPS分别是5、10的情况下，样本数据可以是[5,10]。
本实施例中，通过接口集合中每个接口分别在连续的多个样本统计时段的样本TPS，构建监督学习样本集，监督学习样本集中样本数据是间隔的两个样本统计时段各自的样本TPS形成的数组，使得基于监督学习样本集训练的LSTM循环神经网络，可以在输入为接口分别在当前统计时段之前的多个历史统计时段的历史TPS时，输出较为准确的当前统计时段之后下一统计时段的预测TPS。
在一个实施例中，计算机设备对待训练的LSTM循环神经网络初始化网络参数后，将监督学习样本集作为输入，对待训练的LSTM神经网络进行迭代训练，每次迭代中更新LSTM神经网络的网络参数，直至模型评估参数收敛，停止迭代，获得训练完成的LSTM循环神经网络。其中，模型评估参数可以是AUC值(Area Under the Curve，ROC(ReceiverOperating Characteristic，受试者工作特征)曲线与坐标轴围成的面积)。AUC值收敛是指迭代训练过程中AUC值保持在预设AUC值附近，预设AUC值如0.85。
在一个实施例中，上述接口访问控制方法还包括下述步骤：针对多个历史统计时段中每个历史统计时段，根据接口集合中每个接口在所针对历史统计时段的历史TPS，确定接口集合在所针对历史统计时段的TPS平均值；当接口集合分别在多个历史统计时段的TPS平均值均超过预设值，减小用于统计TPS的统计时段的时间长度，重新训练LSTM循环神经网络，获得重新训练完成的LSTM循环神经网络。
其中，预设值是预先设置的值，可以是500、800或其它。可以理解的是，减小统计时段的时间长度，即对历史统计时段、当前统计时段、下一统计时段以及样本统计时段中每一者，统一减小相同尺度时间长度。减小的尺度可以是预设的，如5分钟、10分钟或其它。在获得重新训练完成的LSTM循环神经网络后，若需预测TPS，预测时涉及的历史统计时段、当前统计时段、下一统计时段均是减小时间长度后对应的统计时段。
本实施例中，当接口集合分别在所述多个历史统计时段的TPS平均值均超过预设值，说明接口集合中接口在多个历史统计时段中每个历史统计时段的TPS均处于较高值，访问量上涨，此时减少统计时段的时间长度，提高统计频率，可以更精准地对TPS阈值进行调整，提高接口访问的控制精准度。
在一个实施例中，计算机设备可针对多个历史统计时段中每个历史统计时段，对接口集合中各接口各自在所针对历史统计时段的历史TPS求和后除以接口集合中接口的数量，获得接口集合在所针对历史统计时段的TPS平均值。
在一个实施例中，当接口集合分别在多个历史统计时段的TPS平均值均超过预设值，计算机设备可减小用于统计TPS的统计时段的时间长度，根据接口集合中每个接口分别在连续的多个更新后的样本统计时段的样本TPS，重新构建监督学习样本集，基于监督学习样本集，重新训练LSTM循环神经网络，获得重新训练完成的LSTM循环神经网络。
在一个实施例中，在一个具体的应用场景中，上述接口访问控制方法具体可包括下述步骤：
计算机设备可根据接口集合中每个接口分别在连续的多个样本统计时段的样本TPS，构建监督学习样本集；监督学习样本集包括接口集合中每个接口的样本组，每个样本组中的样本数据，是对应接口在间隔有一个样本统计时段的两个样本统计时段各自的样本TPS所形成的数组；基于监督学习样本集，对待训练的LSTM循环神经网络进行训练，获得训练完成的LSTM循环神经网络。
计算机设备可针对接口集合中每个接口，获取所针对接口分别在当前统计时段之前连续的多个历史统计时段的历史TPS；将所针对接口分别在连续的多个历史统计时段的历史TPS，输入预生成的LSTM循环神经网络，获得所针对接口在当前统计时段之后下一统计时段的预测TPS。
计算机设备可按照接口集合中接口的数量，枚举多种候选阈值组合；每种候选阈值组合中的候选TPS阈值之和为预配置的总体TPS阈值；针对每种候选阈值组合，分别确定接口集合中每个接口的预测TPS、预配置的接口权重、以及在所针对候选阈值组合中对应的候选TPS阈值三者的乘积，获得接口集合中对应接口的指标参考值；对接口集合中各接口的指标参考值求和，获得所针对候选阈值组合的评价指标值；确定多种候选阈值组合各自的评价指标值中最大的评价指标值；将最大的评价指标值对应的候选阈值组合，确定为从多种候选阈值组合筛选出目标阈值组合；按照目标阈值组合对接口集合中每个接口进行TPS阈值配置，以在下一统计时段对每个接口进行访问控制。
计算机设备可对接口集合中各接口在下一统计时段的预测TPS求和，获得接口集合在下一统计时段的总体预测TPS；当总体预测TPS相比总体TPS阈值超过预设比例，根据总体预测TPS以及总体TPS阈值，对服务器集群扩容；根据扩容后的服务器集群对应的集群TPS阈值，更新总体TPS阈值。
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接口访问控制方法的接口访问控制装置。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接口访问控制装置实施例中的具体限定可以参见上文中对于接口访问控制方法的限定，在此不再赘述。
在一个示例性的实施例中，如图3所示，提供了一种接口访问控制装置300，包括：数据获取模块310、预测模块320、阈值组合确定模块330和阈值配置模块340，其中：
数据获取模块310，用于针对接口集合中每个接口，获取所针对接口分别在当前统计时段之前连续的多个历史统计时段的历史TPS；
预测模块320，用于将所针对接口分别在连续的多个历史统计时段的历史TPS，输入预生成的LSTM循环神经网络，获得所针对接口在当前统计时段之后下一统计时段的预测TPS；
阈值组合确定模块330，用于按照接口集合中接口的数量，枚举多种候选阈值组合；每种候选阈值组合中的候选TPS阈值之和为预配置的总体TPS阈值；针对每种候选阈值组合，分别根据接口集合中每个接口的预测TPS、预配置的接口权重、以及在所针对候选阈值组合中对应的候选TPS阈值，确定所针对候选阈值组合的评价指标值；按照多种候选阈值组合各自的评价指标值，从多种候选阈值组合筛选出目标阈值组合；
阈值配置模块340，用于按照目标阈值组合对接口集合中每个接口进行TPS阈值配置，以在下一统计时段对每个接口进行访问控制。
在一个实施例中，阈值组合确定模块330还用于针对每种候选阈值组合，分别确定接口集合中每个接口的预测TPS、预配置的接口权重、以及在所针对候选阈值组合中对应的候选TPS阈值三者的乘积，获得接口集合中对应接口的指标参考值；对接口集合中各接口的指标参考值求和，获得所针对候选阈值组合的评价指标值。
在一个实施例中，阈值组合确定模块330还用于确定多种候选阈值组合各自的评价指标值中最大的评价指标值；将最大的评价指标值对应的候选阈值组合，确定为从多种候选阈值组合筛选出目标阈值组合。
在一个实施例中，接口访问控制装置300还包括扩容模块，扩容模块用于对接口集合中各接口在下一统计时段的预测TPS求和，获得接口集合在下一统计时段的总体预测TPS；当总体预测TPS相比总体TPS阈值超过预设比例，根据总体预测TPS以及总体TPS阈值，对服务器集群扩容；根据扩容后的服务器集群对应的集群TPS阈值，更新总体TPS阈值。
在一个实施例中，接口访问控制装置300还包括训练模块，训练模块用于根据接口集合中每个接口分别在连续的多个样本统计时段的样本TPS，构建监督学习样本集；监督学习样本集包括接口集合中每个接口的样本组，每个样本组中的样本数据，是对应接口在间隔有一个样本统计时段的两个样本统计时段各自的样本TPS所形成的数组；基于监督学习样本集，对待训练的LSTM循环神经网络进行训练，获得训练完成的LSTM循环神经网络。
在一个实施例中，训练模块还用于针对多个历史统计时段中每个历史统计时段，根据接口集合中每个接口在所针对历史统计时段的历史TPS，确定接口集合在所针对历史统计时段的TPS平均值；当接口集合分别在多个历史统计时段的TPS平均值均超过预设值，减小用于统计TPS的统计时段的时间长度，重新训练LSTM循环神经网络，获得重新训练完成的LSTM循环神经网络。
上述接口访问控制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。
在一个示例性的实施例中，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4所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O)和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。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执行上述接口访问控制方法需存储的数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信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接口访问控制方法。
本领域技术人员可以理解，图4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。
在一个实施例中，还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上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中，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上述各方法实施例中的步骤。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要符合相关规定。
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)

1.一种接口访问控制方法，其特征在于，所述方法包括：
针对接口集合中每个接口，获取所针对接口分别在当前统计时段之前连续的多个历史统计时段的历史TPS；
将所针对接口分别在连续的多个历史统计时段的历史TPS，输入预生成的LSTM循环神经网络，获得所针对接口在所述当前统计时段之后下一统计时段的预测TPS；
按照所述接口集合中接口的数量，枚举多种候选阈值组合；每种所述候选阈值组合中的候选TPS阈值之和为预配置的总体TPS阈值；
针对每种候选阈值组合，分别根据所述接口集合中每个接口的预测TPS、预配置的接口权重、以及在所针对候选阈值组合中对应的候选TPS阈值，确定所针对候选阈值组合的评价指标值；
按照所述多种候选阈值组合各自的评价指标值，从所述多种候选阈值组合筛选出目标阈值组合；
按照所述目标阈值组合对所述接口集合中每个接口进行TPS阈值配置，以在所述下一统计时段对每个接口进行访问控制。
2.根据权利要求1所述的方法，其特征在于，所述针对每种候选阈值组合，分别根据所述接口集合中每个接口的预测TPS、预配置的接口权重、以及在所针对候选阈值组合中对应的候选TPS阈值，确定所针对候选阈值组合的评价指标值，包括：
针对每种候选阈值组合，分别确定所述接口集合中每个接口的预测TPS、预配置的接口权重、以及在所针对候选阈值组合中对应的候选TPS阈值三者的乘积，获得所述接口集合中对应接口的指标参考值；
对所述接口集合中各接口的指标参考值求和，获得所针对候选阈值组合的评价指标值。
3.根据权利要求2所述的方法，其特征在于，所述按照所述多种候选阈值组合各自的评价指标值，从所述多种候选阈值组合筛选出目标阈值组合，包括：
确定所述多种候选阈值组合各自的评价指标值中最大的评价指标值；
将最大的评价指标值对应的候选阈值组合，确定为从所述多种候选阈值组合筛选出目标阈值组合。
4.根据权利要求1所述的方法，其特征在于，所述接口集合部署在服务器集群中，所述方法还包括：
对所述接口集合中各接口在所述下一统计时段的预测TPS求和，获得所述接口集合在所述下一统计时段的总体预测TPS；
当所述总体预测TPS相比所述总体TPS阈值超过预设比例，根据所述总体预测TPS以及所述总体TPS阈值，对所述服务器集群扩容；
根据扩容后的服务器集群对应的集群TPS阈值，更新所述总体TPS阈值。
5.根据权利要求1至4任一项所述的方法，其特征在于，所述LSTM循环神经网络是通过训练步骤生成的，所述训练步骤包括：
根据所述接口集合中每个接口分别在连续的多个样本统计时段的样本TPS，构建监督学习样本集；所述监督学习样本集包括所述接口集合中每个接口的样本组，每个样本组中的样本数据，是对应接口在间隔有一个样本统计时段的两个样本统计时段各自的样本TPS所形成的数组；
基于所述监督学习样本集，对待训练的LSTM循环神经网络进行训练，获得训练完成的LSTM循环神经网络。
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
针对所述多个历史统计时段中每个历史统计时段，根据所述接口集合中每个接口在所针对历史统计时段的历史TPS，确定所述接口集合在所针对历史统计时段的TPS平均值；
当所述接口集合分别在所述多个历史统计时段的TPS平均值均超过预设值，减小用于统计TPS的统计时段的时间长度，重新训练LSTM循环神经网络，获得重新训练完成的LSTM循环神经网络。
7.一种接口访问控制装置，其特征在于，所述装置包括：
数据获取模块，用于针对接口集合中每个接口，获取所针对接口分别在当前统计时段之前连续的多个历史统计时段的历史TPS；
预测模块，用于将所针对接口分别在连续的多个历史统计时段的历史TPS，输入预生成的LSTM循环神经网络，获得所针对接口在所述当前统计时段之后下一统计时段的预测TPS；
阈值组合确定模块，用于按照所述接口集合中接口的数量，枚举多种候选阈值组合；每种所述候选阈值组合中的候选TPS阈值之和为预配置的总体TPS阈值；针对每种候选阈值组合，分别根据所述接口集合中每个接口的预测TPS、预配置的接口权重、以及在所针对候选阈值组合中对应的候选TPS阈值，确定所针对候选阈值组合的评价指标值；按照所述多种候选阈值组合各自的评价指标值，从所述多种候选阈值组合筛选出目标阈值组合；
阈值配置模块，用于按照所述目标阈值组合对所述接口集合中每个接口进行TPS阈值配置，以在所述下一统计时段对每个接口进行访问控制。
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。
CN202311148776.3A 2023-09-06 2023-09-06 接口访问控制方法、装置、计算机设备、存储介质和产品 Pending CN117407153A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311148776.3A CN117407153A (zh) 2023-09-06 2023-09-06 接口访问控制方法、装置、计算机设备、存储介质和产品

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311148776.3A CN117407153A (zh) 2023-09-06 2023-09-06 接口访问控制方法、装置、计算机设备、存储介质和产品

Publications (1)

Publication Number Publication Date
CN117407153A true CN117407153A (zh) 2024-01-16

Family

ID=89487788

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311148776.3A Pending CN117407153A (zh) 2023-09-06 2023-09-06 接口访问控制方法、装置、计算机设备、存储介质和产品

Country Status (1)

Country Link
CN (1) CN117407153A (zh)

Similar Documents

Publication Publication Date Title
CN107657015B (zh) 一种兴趣点推荐方法、装置、电子设备及存储介质
Xu et al. Partially-connected neural architecture search for reduced computational redundancy
Bi et al. Deep neural networks for predicting task time series in cloud computing systems
CN111080360B (zh) 行为预测方法、模型训练方法、装置、服务器及存储介质
WO2013067461A2 (en) Identifying associations in data
CN108205570A (zh) 一种数据检测方法和装置
CN113887845B (zh) 极端事件预测方法、装置、设备和存储介质
Mall et al. Representative subsets for big data learning using k-NN graphs
CN106776925B (zh) 一种移动终端用户性别的预测方法、服务器和系统
CN112085615A (zh) 图神经网络的训练方法及装置
US10956825B1 (en) Distributable event prediction and machine learning recognition system
WO2023103527A1 (zh) 一种访问频次的预测方法及装置
US10445341B2 (en) Methods and systems for analyzing datasets
Xiao et al. ORHRC: Optimized recommendations of heterogeneous resource configurations in cloud-fog orchestrated computing environments
CN116737373A (zh) 负载均衡方法、装置、计算机设备、存储介质
CN114638823B (zh) 基于注意力机制序列模型的全切片图像分类方法及装置
CN117407153A (zh) 接口访问控制方法、装置、计算机设备、存储介质和产品
US20220292387A1 (en) Byzantine-robust federated learning
CN111598390B (zh) 服务器高可用性评估方法、装置、设备和可读存储介质
De Mulder et al. Extending Gaussian process emulation using cluster analysis and artificial neural networks to fit big training sets
CN116308721B (zh) 一种信息监督管理方法、装置、电子设备及存储介质
CN113821722B (zh) 数据处理方法、推荐方法、装置、电子设备以及介质
US20220382741A1 (en) Graph embeddings via node-property-aware fast random projection
CN117391490A (zh) 金融业务的评价信息处理方法、装置和计算机设备
CN117312892A (zh) 用户聚类方法、装置、计算机设备和存储介质

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