熔断配置修改方法、装置、设备及可读存储介质

技术领域

本申请涉及金融科技(Fintech)的人工智能技术领域，尤其涉及一种熔断配置修改方法、装置、设备及可读存储介质。

背景技术

随着金融科技，尤其是互联网科技金融的不断发展，越来越多的技术(如分布式、人工智能等)应用在金融领域，但金融业也对技术提出了更高的要求，如对金融业的服务可用性也有更高的要求。

随着计算机技术的不断发展，微服务架构被越来越多公司使用，在使用时，必须要保证服务的高可用性。其中，服务熔断是保证微服务高可用的策略之一。

例如Spring Cloud的Hystrix中实现了断路器模型，其主要方案如下：在服务调用时统计服务的失败率(如因网络故障/超时造成的失败)，当失败率超过预先设定的阈值时，则进入熔断状态，通过服务降级或者抛出异常的方式达到快速响应或者快速失败的目的。

又如Sentinel也实现了熔断降级功能，并且相比于Hystrix，Sentinel实现了更多的熔断策略，包括慢调用比例熔断、异常比例熔断以及异常数量熔断。Sentinel实现熔断降级功能的主要逻辑如下：基于熔断器的状态机来判断资源是否可以访问；对不可访问的资源会有探测机制，该探测机制保障了对资源访问的弹性恢复；熔断器会在对资源访问的完成态去更新统计，然后基于熔断规则更新熔断器状态机。

然而，无论是Hystrix还是Sentinel，熔断配置目前都需要人工修改，而在修改之前需要对如何进行合理修改进行分析，该分析过程需要花费大量时间，产生了相关的分析时间成本，此外，对于修改的相关人员，要求其对如何合理修改熔断配置有一定的了解，产生了相关的学习时间成本。

也即，现有的对熔断配置进行修改的方法存在时间成本高的问题。

发明内容

本申请的主要目的在于提供一种熔断配置修改方法、装置、设备及可读存储介质，旨在解决现有的对熔断配置进行修改的方法存在时间成本高的技术问题。

为实现上述目的，本申请提供一种熔断配置修改方法，所述熔断配置修改方法包括步骤：

获取目标服务调用信息，其中，所述目标服务调用信息由多个服务特征组成；

将所述多个服务特征输入预设熔断参数预测模型，得到模型预测熔断参数；

基于所述模型预测熔断参数确定目标预测熔断参数；

发送所述目标预测熔断参数至配置管理模块，以供所述配置管理模块修改原始熔断配置得到修改后熔断配置。

可选地，所述将所述多个服务特征输入预设熔断参数预测模型，得到模型预测熔断参数之前，包括：

从预设训练集中随机选取预设数量的样本集，其中，所述样本集由多个训练特征组成；

基于最小二乘回归树生成算法和所述多个训练特征，生成决策树；

基于所述决策树确定所述预设熔断参数预测模型。

可选地，所述基于所述决策树确定所述预设熔断参数预测模型，包括：

获取所述训练特征和所述训练特征对应的标准预测熔断参数之间的特征相关系数；

基于所述特征相关系数计算所述决策树的权重系数；

基于所述决策树和所述权重系数确定所述预设熔断参数预测模型。

可选地，所述特征相关系数的计算方式包括：

对多个训练特征，计算每个训练特征和其对应的标准预测熔断参数的乘积，并对各个乘积进行求和，得到第一数值；及

对每个训练特征进行求和，并对每个训练特征对应的标准预测熔断参数进行求和，并将两个和进行乘积，得到第二数值；

根据每个训练特征计算第一差值，根据每个标准预测熔断参数计算第二差值，并对两个差值进行乘积，得到第三数值；

根据所述第一数值、第二数值和第三数值计算特征相关系数。

可选地，所述基于所述模型预测熔断参数确定目标预测熔断参数之前，包括：

对所述多个服务特征进行正态分布变换，得到变换后预测熔断参数；

所述基于所述模型预测熔断参数确定目标预测熔断参数，包括：

若所述模型预测熔断参数大于所述变换后预测熔断参数，则确定所述模型预测熔断参数为目标预测熔断参数。

可选地，所述获取目标服务调用信息，包括：

服务网格获取初始服务调用信息，并上报所述初始服务调用信息至监控模块；

所述监控模块对所述初始服务调用信息进行统计处理，得到所述目标服务调用信息。

可选地，所述服务网格包括请求接收单元、路由器和断路器，所述服务网格获取初始服务调用信息，包括：

所述请求接收单元接收请求，所述路由器选取所述请求对应的服务实例；

所述断路器获取所述原始熔断配置，并基于所述原始熔断配置确定所述服务实例是否需要熔断；

若否，则所述断路器发送所述请求至所述服务实例；

所述路由器获取初始服务调用信息，其中，所述初始服务调用信息与所述服务实例处理所述请求的处理过程相对应。

此外，为实现上述目的，本申请还提供一种熔断配置修改装置，所述熔断配置修改装置包括：

获取模块，用于获取目标服务调用信息，其中，所述目标服务调用信息由多个服务特征组成；

输入模块，用于将所述多个服务特征输入预设熔断参数预测模型，得到模型预测熔断参数；

确定模块，用于基于所述模型预测熔断参数确定目标预测熔断参数；

发送模块，用于发送所述目标预测熔断参数至配置管理模块，以供所述配置管理模块修改原始熔断配置得到修改后熔断配置。

此外，为实现上述目的，本申请还提供一种熔断配置修改设备，所述熔断配置修改设备包括存储器、处理器和存储在所述存储器上并可在所述处理器上运行的熔断配置修改程序，所述熔断配置修改程序被所述处理器执行时实现如上所述的熔断配置修改方法的步骤。

此外，为实现上述目的，本申请还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有熔断配置修改程序，所述熔断配置修改程序被处理器执行时实现如上所述的熔断配置修改方法的步骤。

与现有技术中，通过人工来为熔断配置进行修改，致使修改熔断配置的时间成本高相比，本申请通过获取目标服务调用信息，其中，所述目标服务调用信息由多个服务特征组成；将所述多个服务特征输入预设熔断参数预测模型，得到模型预测熔断参数；基于所述模型预测熔断参数确定目标预测熔断参数；发送所述目标预测熔断参数至配置管理模块，以供所述配置管理模块修改原始熔断配置得到修改后熔断配置。本申请实现了自动获取由多个服务特征组成的目标服务调用信息，并通过预测准确率高的预设熔断参数预测模型对该多个服务特征进行预测得到模型预测熔断参数，并由模型预测熔断参数确定目标预测熔断参数，从而由通过预测得到的目标预测熔断参数来修改原始熔断配置，而无需人工对如何修改该原始熔断配置进行学习和分析，并最终通过该分析的结果来修改该原始熔断配置，因此，避免了人工分析和学习如何修改原始熔断配置，节省了该人工分析和学习所需要花费的时间，进而降低了对原始熔断配置进行修改的时间成本。

附图说明

图1是本申请熔断配置修改方法第一实施例的流程示意图；

图2是本申请熔断配置修改方法的决策树的举例说明示意图；

图3是本申请熔断配置修改装置较佳实施例的功能模块示意图；

图4是本申请实施例方案涉及的硬件运行环境的结构示意图。

本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所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。

本申请提供一种熔断配置修改方法，参照图1，图1为本申请熔断配置修改方法第一实施例的流程示意图。

本申请实施例提供了熔断配置修改方法的实施例，需要说明的是，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。熔断配置修改方法可应用于微服务架构中。为了便于描述，以下省略执行主体描述熔断配置修改方法的各个步骤。熔断配置修改方法包括：

步骤S10，获取目标服务调用信息，其中，所述目标服务调用信息由多个服务特征组成。

在本实施例中，获取目标服务调用信息，该目标服务调用信息为调用服务实例相关的信息，该服务实例用于处理请求，在一定时间段内，服务实例可以处理大量的请求，并且在服务实例处理请求的过程中，需要消耗CPU(Central Processing Unit，中央处理器)资源、内存资源等硬件资源，此外，可以理解，服务实例处理请求需要花费一定的时间。上述服务特征为服务实例处理请求相关的信息，该服务特征包括服务实例被调用以用于处理请求的调用耗时、QPS(Queries Per Second，每秒查询量)、TPS(Transactions Per Second，每秒处理事务数)、CPU消耗、内存消耗中的至少一项。其中，目标服务调用信息由多个服务特征组成，例如目标服务调用信息包括TPS和CPU消耗。

具体地，所述获取目标服务调用信息，包括：

步骤a，服务网格获取初始服务调用信息，并上报所述初始服务调用信息至监控模块；

步骤b，所述监控模块对所述初始服务调用信息进行统计处理，得到所述目标服务调用信息。

在本实施例中，微服务架构包括服务网格和监控模块，目标服务调用信息由监控模块对初始服务调用信息进行统计处理得到，该统计以对初始服务调用信息进行收集聚合的数据作为统计基础，其中，初始服务调用信息按服务实例的维度进行获取，以方便对各服务实例对应的服务调用信息进行统计。

需要说明的是，上述初始服务调用信息由服务网格获取后，上报至监控模块，可选地，该上报的过程为定时上报的过程，具体地，服务网格上传的初始服务调用信息为定时上报的时间点对应的服务调用信息，上述收集聚合的过程为收集多个时间点对应的服务调用信息，并将该多个时间点对应的服务调用信息聚合，从而得到该多个时间点组成的时间段内的目标服务调用信息。需要说明的是，在每次上报时，服务网格上报的各服务实例对应的服务调用信息可能存在重复部分，监控模块在接收到重复的服务调用信息时，会将该重复的部分去掉，以减小统计的数据量，节省统计的时间。

其中，服务网格获取初始服务调用信息的过程为：在调用服务实例结束之后，获取该服务实例对应的初始服务调用信息，具体地，所述服务网格包括请求接收单元、路由器和断路器，所述服务网格获取初始服务调用信息，包括：

步骤a1，所述请求接收单元接收请求，所述路由器选取所述请求对应的服务实例。

在本实施例中，请求接收单元接收请求，并在请求接收单元接收到请求后，路由器确定能够处理该请求对应的服务实例时，选取该服务实例，具体地，在请求接收单元接收到客户端的请求后，路由器判断该请求需要发往的服务，一般地，一个服务有多个服务实例(例如服务A有三个服务实例)，即在确定服务后还需在该服务的多个服务实例中选取一个服务实例作为处理该请求的服务实例。

步骤a2，所述断路器获取所述原始熔断配置，并基于所述原始熔断配置确定所述服务实例是否需要熔断。

在本实施例中，断路器获取原始熔断配置，该原始熔断配置为配置管理模块修改前的熔断配置，断路器基于该原始熔断配置确定该服务实例是否需要熔断，以在需要熔断时对该服务实例进行服务熔断。

步骤a3，若否，则所述断路器发送所述请求至所述服务实例。

在本实施例中，若断路器基于该原始熔断配置确定服务实例不需要熔断，则发送该请求至该服务实例，以使该服务实例响应该请求；若断路器基于该原始熔断配置确定服务实例需要熔断，则不发送该请求至该服务实例，以保证微服务架构的可用性。

步骤a4，所述路由器获取初始服务调用信息，其中，所述初始服务调用信息与所述服务实例处理所述请求的处理过程相对应。

在本实施例中，在服务实例调用结束后，路由器获取该服务实例对应的初始服务调用信息，其中，初始服务调用信息与服务实例处理请求的处理过程相对应。需要说明的是，断路器会根据该初始服务调用信息更新该服务实例的状态信息。

步骤S20，将所述多个服务特征输入预设熔断参数预测模型，得到模型预测熔断参数。

在本实施例中，微服务架构还包括决策模块，决策模块通过上述多个服务特征计算目标预测熔断参数。其中，该多个服务特征由决策模块从上述监控模块暴露的对应的API(Application Programming Interface，应用程序接口)接口获取。

需要说明的是，由上述步骤S10可知，目标服务调用信息按服务实例的维度收集并统计得到，因此，在计算一服务实例对应的目标预测熔断参数时，获取该服务实例对应的多个服务特征即可。此外，若需要计算多个服务实例对应的目标预测熔断参数，则分别计算不同的服务实例对应的目标预测熔断参数即可，相较于人工分析如何修改原始熔断配置，产生了降低时间成本的累积效果，即需要修改的原始熔断配置对应的服务实例越多，人工花费的时间、精力越多，通过自动计算各服务实例对应的目标预测熔断参数，降低时间成本的效果越显著。此外，除降低了时间成本之外，自动计算各服务实例对应的目标预测熔断参数还解决了人工分析如何修改原始熔断配置造成的处理过程存在滞后性的问题。

其中，该计算过程为决策模块通过预设熔断参数预测模型确定目标预测熔断参数的过程。

具体地，将多个服务特征输入预设熔断参数预测模型，得到模型预测熔断参数，其中，预设熔断参数预测模块为通过随机森林算法实现的模型。

需要说明的是，预设熔断参数预测模型通过服务特征来对调用服务实例的调用状态进行预测，该预测的结果为调用服务实例的调用耗时阈值或调用失败率等影响调用状态的参数，例如调用耗时阈值为5.6ms，则调用服务实例的时间超过5.6ms即触发服务熔断。需要说明的是，各影响调用状态的参数的具体实施方式基本相同，本实施例即下述实施例均以预测的结果为调用耗时阈值进行阐述，其他影响调用状态的参数对应的实施方式不再赘述。需要说明的是，调用耗时阈值是针对慢调用而言的，对于慢调用，在某次调用服务实例的调用耗时超过该调用耗时阈值时，此次调用被认为是慢调用。

其中，所述将所述多个服务特征输入预设熔断参数预测模型，得到模型预测熔断参数之前，包括：

步骤c，从预设训练集中随机选取预设数量的样本集，其中，所述样本集由多个训练特征组成。

在本实施例中，从预设训练集中随机选取预设数量的样本集，该样本集由多个训练特征组成，其中，该随机选取的过程为有放回的选取过程，该预设数量本实施例不做具体限制，可根据需要自行设置。

步骤d，基于最小二乘回归树生成算法和所述多个训练特征，生成决策树。

在本实施例中，通过最小二乘回归树生成算法和该多个训练特征，生成决策树。需要说明的是，该生成过程包括遍历样本集并使用平方误差最小化准则处理遍历到的训练特征的过程。

步骤e，基于所述决策树确定所述预设熔断参数预测模型。

在本实施例中，基于上述决策树确定预设熔断参数预测模型，需要说明的是，每个样本集均可以对应生成一棵决策树，预设数量的决策树即组成了随机森林，即确定了预设熔断参数预测模型。

需要说明的是，上述随机森林的建立过程为传统的随机森林的建立过程，该建立过程对预设训练集中所有的训练特征均平等对待，即生成决策树时每个特征的地位是相同的，该建立过程没有考虑每个训练特征对模型输出结果的影响，本申请对该传统的随机森林的建立过程进行了改进，即考虑了训练特征对模型输出结果的影响，以提高模型输出结果的准确性，具体地，所述基于所述决策树确定所述预设熔断参数预测模型，包括：

步骤e1，获取所述训练特征和所述训练特征对应的标准预测熔断参数之间的特征相关系数。

在本实施例中，上述模型输出结果由标准预测熔断参数确定，可以理解，模型输出结果为随机森林的输出结果，标准预测熔断参数为随机森林中该训练特征对应的决策树的输出结果，获取训练特征和该训练特征对应的标准预测熔断参数之间的特征相关系数；上述训练特征对模型输出结果的影响与训练特征对标准预测熔断参数的影响相对应，即各决策树对应的特征相关系数共同对模型输出结果产生影响。

其中，该特征相关系数的计算方式包括：

对多个训练特征，计算每个训练特征和其对应的标准预测熔断参数的乘积，并对各个乘积进行求和，得到第一数值；及

对每个训练特征进行求和，并对每个训练特征对应的标准预测熔断参数进行求和，并将两个和进行乘积，得到第二数值；

根据每个训练特征计算第一差值，根据每个标准预测熔断参数计算第二差值，并对两个差值进行乘积，得到第三数值；

根据所述第一数值、第二数值和第三数值计算特征相关系数。

具体地，该特征相关系数r通过线性回归的公式计算得到，该公式为：

其中，x

步骤e2，基于所述特征相关系数计算所述决策树的权重系数。

在本实施例中，由于决策树基于样本集生成，因此在确定各决策树对应的特征相关系数共同对模型输出结果产生影响时，需要计算各决策树中各训练特征和各决策树对应的标准预测熔断参数之间的特征相关系数，从而得到各决策树的权重系数。需要说明的是，各决策树的权重系数为各决策树的标准预测熔断参数对模型输出结果的影响程度，即权重系数越高影响程度越大。

其中，决策树的权重系数w的计算公式为：

w＝∑r

其中，ti为决策树特征的标号，r

例如决策树A基于样本集a生成，样本集a由训练特征1、训练特征2和训练特征3组成，相应地，各训练特征分别对应特征相关系数r

步骤e3，基于所述决策树和所述权重系数确定所述预设熔断参数预测模型。

在本实施例中，为随机森林中各决策树添加对应的权重系数，通过添加权重系数后的决策树确定预设熔断参数预测模型，以完成对随机森林建立过程的改进。

需要说明的是，对于上述将所述多个服务特征输入预设熔断参数预测模型，得到模型预测熔断参数的步骤，参照图2，以多个服务特征为TPS＝8和CPU＝7.5％为例，可从预设熔断参数预测模型中选中该决策树，并得到模型预测熔断参数，其值为5.6ms。

步骤S30，基于所述模型预测熔断参数确定目标预测熔断参数。

在本实施例中，在得到模型预测熔断参数之后，通过该模型预测熔断参数确定目标预测熔断参数，需要说明的是，可以直接将该模型预测熔断参数作为目标预测熔断参数，然而，由于预设熔断参数预测模型的输出结果并非是完全准确无误的，其输出结果模型预测熔断参数存在是否合理的问题，在模型预测熔断参数明显不合理时，若继续将模型预测熔断参数作为目标预测熔断参数，则将导致该目标预测熔断参数对应的服务实例不可用，进而影响整个微服务框架的调用链。

因此，在将模型预测熔断参数确定为目标预测熔断参数之前，需要判断该模型预测熔断参数的合理性，由于微服务框架的系统本身无法对该合理性进行判断，因此，需要建立合理性的判断机制，具体地，所述基于所述模型预测熔断参数确定目标预测熔断参数之前，包括：

步骤f，对所述多个服务特征进行正态分布变换，得到变换后预测熔断参数。

在本实施例中，由于对于同一服务实例而言，其在一段时间内的调用耗时是符合正态分布的，获取该一段时间内的调用耗时集合，该调用耗时集合包括多个调用耗时，通过该调用耗时集合得到该一段时间内的调用耗时的正态分布情况，即调用耗时正态分布，之后通过查标准正态分布表可得到标准正态分布与该调用耗时正态分布的对应关系，基于此，通过该对应关系，对该多个服务特征进行正态分布变换，以得到该多个服务特征对应的变换后预测熔断参数。其中，正态分布变换公式N为：

其中，μ为该多个服务特征对应的均数，σ为该多个服务特征对应的标准差，X为随机变量。

例如在1小时内，服务实例1有75％的调用耗时不超过1.2ms、有95％的调用耗时不超过3.2ms，查标准正态分布表可知，在标准正态分布下，不超过75％的X值为0.675、不超过95％的X值为1.645、不超过99.99％的X值为3.617，由此可根据上述正态分布变换公式和上述对应关系得出服务实例1有99.99％的调用耗时不超过7.3ms。

所述基于所述模型预测熔断参数确定目标预测熔断参数，包括：

步骤g，若所述模型预测熔断参数大于所述变换后预测熔断参数，则确定所述模型预测熔断参数为目标预测熔断参数。

在本实施例中，若模型预测熔断参数大于变换后预测熔断参数，则确定模型预测熔断参数为目标预测熔断参数；若模型预测熔断参数小于变换后预测熔断参数，则确定变换后预测熔断参数为目标预测熔断参数；若模型预测熔断参数等于变换后预测熔断参数，则确定模型预测熔断参数和变换后预测熔断参数为目标预测熔断参数。例如模型预测熔断参数的值为5.6ms，变换后预测熔断参数的值为7.3ms，则将7.3ms作为目标预测熔断参数的值。

可以理解，将数值更大的一方作为目标预测熔断参数的值，可以有效地提高服务实例对请求的处理量，即能够更好地发挥微服务框架的性能。例如请求1已耗时6ms，若目标预测熔断参数的值为6ms，则满足慢调用的条件，该服务实例将处于服务熔断状态；若目标预测熔断参数的值为7ms，则不满足慢调用的条件，继续等待该服务实例处理该请求。

步骤S40，发送所述目标预测熔断参数至配置管理模块，以供所述配置管理模块修改原始熔断配置得到修改后熔断配置。

在本实施例中，在决策模块计算得到目标预测熔断参数后，将该目标预测熔断参数发送至配置管理模块，以供配置管理模块修改原始熔断配置得到修改后熔断配置。

与现有技术中，通过人工来为熔断配置进行修改，致使修改熔断配置的时间成本高相比，本申请通过获取目标服务调用信息，其中，所述目标服务调用信息由多个服务特征组成；将所述多个服务特征输入预设熔断参数预测模型，得到模型预测熔断参数；基于所述模型预测熔断参数确定目标预测熔断参数；发送所述目标预测熔断参数至配置管理模块，以供所述配置管理模块修改原始熔断配置得到修改后熔断配置。本申请实现了自动获取由多个服务特征组成的目标服务调用信息，并通过预测准确率高的预设熔断参数预测模型对该多个服务特征进行预测得到模型预测熔断参数，并由模型预测熔断参数确定目标预测熔断参数，从而由通过预测得到的目标预测熔断参数来修改原始熔断配置，而无需人工对如何修改该原始熔断配置进行学习和分析，并最终通过该分析的结果来修改该原始熔断配置，因此，避免了人工分析和学习如何修改原始熔断配置，节省了该人工分析和学习所需要花费的时间，进而降低了对原始熔断配置进行修改的时间成本。

此外，本申请还提供一种熔断配置修改装置，参照图3，所述熔断配置修改装置包括：

获取模块10，用于获取目标服务调用信息，其中，所述目标服务调用信息由多个服务特征组成；

输入模块20，用于将所述多个服务特征输入预设熔断参数预测模型，得到模型预测熔断参数；

确定模块30，用于基于所述模型预测熔断参数确定目标预测熔断参数；

发送模块40，用于发送所述目标预测熔断参数至配置管理模块，以供所述配置管理模块修改原始熔断配置得到修改后熔断配置。

可选地，所述输入模块20还用于：

从预设训练集中随机选取预设数量的样本集，其中，所述样本集由多个训练特征组成；

基于最小二乘回归树生成算法和所述多个训练特征，生成决策树；

基于所述决策树确定所述预设熔断参数预测模型。

可选地，所述输入模块20还用于：

获取所述训练特征和所述训练特征对应的标准预测熔断参数之间的特征相关系数；

基于所述特征相关系数计算所述决策树的权重系数；

基于所述决策树和所述权重系数确定所述预设熔断参数预测模型。

可选地，所述输入模块20还用于：

对多个训练特征，计算每个训练特征和其对应的标准预测熔断参数的乘积，并对各个乘积进行求和，得到第一数值；及

对每个训练特征进行求和，并对每个训练特征对应的标准预测熔断参数进行求和，并将两个和进行乘积，得到第二数值；

根据每个训练特征计算第一差值，根据每个标准预测熔断参数计算第二差值，并对两个差值进行乘积，得到第三数值；

根据所述第一数值、第二数值和第三数值计算特征相关系数。

可选地，所述确定模块30还用于：

对所述多个服务特征进行正态分布变换，得到变换后预测熔断参数；

所述基于所述模型预测熔断参数确定目标预测熔断参数，包括：

若所述模型预测熔断参数大于所述变换后预测熔断参数，则确定所述模型预测熔断参数为目标预测熔断参数。

可选地，所述获取模块10还用于：

服务网格获取初始服务调用信息，并上报所述初始服务调用信息至监控模块；

所述监控模块对所述初始服务调用信息进行统计处理，得到所述目标服务调用信息。

可选地，所述服务网格包括请求接收单元、路由器和断路器，所述获取模块10还用于：

所述请求接收单元接收请求，所述路由器选取所述请求对应的服务实例；

所述断路器获取所述原始熔断配置，并基于所述原始熔断配置确定所述服务实例是否需要熔断；

若否，则所述断路器发送所述请求至所述服务实例；

所述路由器获取初始服务调用信息，其中，所述初始服务调用信息与所述服务实例处理所述请求的处理过程相对应。

本申请熔断配置修改装置具体实施方式与上述熔断配置修改方法各实施例基本相同，在此不再赘述。

此外，本申请还提供一种熔断配置修改设备。如图4所示，图4是本申请实施例方案涉及的硬件运行环境的结构示意图。

需要说明的是，图4即可为熔断配置修改设备的硬件运行环境的结构示意图。

如图4所示，该熔断配置修改设备可以包括：处理器1001，例如CPU，存储器1005，用户接口1003，网络接口1004，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。

可选地，熔断配置修改设备还可以包括RF(Radio Frequency，射频)电路，传感器、音频电路、WiFi模块等等。

本领域技术人员可以理解，图4中示出的熔断配置修改设备结构并不构成对熔断配置修改设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图4所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及熔断配置修改程序。其中，操作系统是管理和控制熔断配置修改设备硬件和软件资源的程序，支持熔断配置修改程序以及其它软件或程序的运行。

在图4所示的熔断配置修改设备中，用户接口1003主要用于连接终端，与终端进行数据通信，如接收终端发送的用户信令数据；网络接口1004主要用于后台服务器，与后台服务器进行数据通信；处理器1001可以用于调用存储器1005中存储的熔断配置修改程序，并执行如上所述的熔断配置修改方法的步骤。

本申请熔断配置修改设备具体实施方式与上述熔断配置修改方法各实施例基本相同，在此不再赘述。

此外，本申请实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有熔断配置修改程序，所述熔断配置修改程序被处理器执行时实现如上所述的熔断配置修改方法的步骤。

本申请计算机可读存储介质具体实施方式与上述熔断配置修改方法各实施例基本相同，在此不再赘述。

需要说明的是，在本文中，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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。

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上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，设备，或者网络设备等)执行本申请各个实施例所述的方法。

以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。