确定流量算力的方法、装置、设备以及存储介质

技术领域

本公开涉及人工智能技术领域，具体涉及深度学习和云计算技术领域，尤其涉及确定流量算力的方法、装置、设备以及存储介质。

背景技术

随着近年深度学习技术的发展，搜索算法复杂度不断上升，同时算力供给需求出现了爆发式的增长。在信息推荐或搜索系统中，为应对在线极大的流量压力和庞大的候选集，一般将整个检索过程设计成候选集依次递减的漏斗型级联架构，主要包含召回、粗排、精排、机制等阶段。在主流搜索、推荐等系统中，一般对于每个流量均采用算力等额分配的方式对流量请求进行处理。

发明内容

本公开提供了一种确定流量算力的方法、装置、设备以及存储介质。

根据本公开的第一方面，提供了一种确定流量算力的方法，包括：接收同一时刻下的至少一个流量请求；对于至少一个流量请求中的每个流量请求，基于流量请求所处阶段的特征信息计算流量请求所处阶段的容量值；从预先生成的折扣因子集合中确定流量请求所处阶段对应的折扣因子；基于容量值以及折扣因子确定流量请求的价值；基于至少一个流量请求中每个流量请求的价值分别确定流量请求对应的算力值。

根据本公开的第二方面，提供了一种确定流量算力的装置，包括：接收模块，被配置成接收同一时刻下的至少一个流量请求；计算模块，被配置成对于至少一个流量请求中的每个流量请求，基于流量请求所处阶段的特征信息计算流量请求所处阶段的容量值；第一确定模块，被配置成从预先生成的折扣因子集合中确定流量请求所处阶段对应的折扣因子；第二确定模块，被配置成基于容量值以及折扣因子确定流量请求的价值；第三确定模块，被配置成基于至少一个流量请求中每个流量请求的价值分别确定流量请求对应的算力值。

根据本公开的第三方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如第一方面中任一实现方式描述的方法。

根据本公开的第四方面，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，计算机指令用于使计算机执行如第一方面中任一实现方式描述的方法。

根据本公开的第五方面，提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如第一方面中任一实现方式描述的方法。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是本公开可以应用于其中的示例性系统架构图；

图2是根据本公开的确定流量算力的方法的一个实施例的流程图；

图3是根据本公开的确定流量算力的方法的另一个实施例的流程图；

图4是图3所示的确定流量算力的方法的生成折扣因子集合步骤的分解流程图；

图5是根据本公开的确定流量算力的方法的一个应用场景的示意图；

图6是根据本公开的确定流量算力的方法的另一个应用场景的示意图；

图7是根据本公开的确定流量算力的装置的一个实施例的结构示意图；

图8是用来实现本公开实施例的确定流量算力的方法的电子设备的框图。

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，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。

图1示出了可以应用本公开的确定流量算力的方法或确定流量算力的装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送信息等。终端设备101、102、103上可以安装有各种客户端应用。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述电子设备中。其可以实现成多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以提供各种服务。例如，服务器105可以对从终端设备101、102、103获取的至少一个流量请求进行分析和处理，并生成处理结果(例如确定每个流量请求对应的算力值)。

需要说明的是，服务器105可以是硬件，也可以是软件。当服务器105为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器105为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

需要说明的是，本公开实施例所提供的确定流量算力的方法一般由服务器105执行，相应地，确定流量算力的装置一般设置于服务器105中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，其示出了根据本公开的确定流量算力的方法的一个实施例的流程200。该确定流量算力的方法包括以下步骤：

步骤201，接收同一时刻下的至少一个流量请求。

在本实施例中，确定流量算力的方法的执行主体(例如图1所示的服务器105)会接收同一时刻下的至少一个流量请求。也即在同一时刻上述执行主体会接收到多个流量请求，上述执行主体会获取同一时刻所接收到的所有流量请求。

步骤202，对于至少一个流量请求中的每个流量请求，基于流量请求所处阶段的特征信息计算流量请求所处阶段的容量值。

在本实施例中，对于至少一个流量请求中的每个流量请求，上述执行主体会基于流量请求所处阶段的特征信息计算流量请求所处阶段的容量值。具体地，上述执行主体会先确定该流量请求当前所处的阶段，这里的阶段指的是搜索过程中的阶段，一般包括召回阶段、粗排阶段、精排阶段、排序阶段等。在这里，上述执行主体可以基于预置的策略来确定流量请求当前所处的阶段，例如在接收到流量请求时，从代码中获取流量请求当前所处的阶段信息，再例如通过查词典的方式去获取流量请求当前所处的阶段信息等等，本实施例中对此不做具体限定。

在确定流量请求当前所处的阶段后，上述执行主体会获取流量请求所处阶段的特征信息，特征信息一般包括当前阶段的队列长度、当前阶段系统的CPU(centralprocessing unit，中央处理器)利用率和GPU(graphics processing unit，图形处理器)利用率等，这里的队列长度一般指当前阶段的候选集的长度。然后上述执行主体再基于上述特征信息计算流量请求所处阶段的容量值。

步骤203，从预先生成的折扣因子集合中确定流量请求所处阶段对应的折扣因子。

在本实施例中，上述执行主体会从预先生成的折扣因子集合中确定流量请求所处阶段对应的折扣因子，这里的折扣因子还可以称为折扣率、折扣系数等，折扣因子是强化学习中常用的一个概念，在此不再赘述。本实施例中，上述执行主体会预先生成折扣因子集合，折扣因子集合中包括了不同类别下的流量请求所处不同阶段对应的折扣因子，所以，在接收到流量请求后，上述执行主体会先确定接收的流量请求的类别信息，类别可以包括热门请求、冷门请求等多个维度，本实施例中对此不做具体限定。然后上述执行主体会从预先生成的折扣因子集合中获取该类别下的流量请求在不同阶段的折扣因子，之后再根据流量请求当前所处阶段信息确定该流量请求所处阶段对应的折扣因子。

步骤204，基于容量值以及折扣因子确定流量请求的价值。

在本实施例中，上述执行主体会基于容量值以及折扣因子确定流量请求的价值。上述执行主体在确定流量请求所处各个阶段的容量值以及流量请求所处各个阶段对应的折扣因子后，会基于流量请求所处各个阶段的容量值以及流量请求所处各个阶段对应的折扣因子，来计算该流量请求当前所处阶段的价值。

步骤205，基于至少一个流量请求中每个流量请求的价值分别确定流量请求对应的算力值。

在本实施例中，上述执行主体会基于至少一个流量请求中每个流量请求的价值分别确定流量请求对应的算力值。具体地，上述执行主体可以获取当前的总算力值，然后基于接收的每个流量请求的价值计算当前时刻下所有流量请求的总价值，最后基于每个流量请求的价值在总价值中的占比，从当前总算力值确定该占比对应的算力值，并将该算力值确定为流量请求对应的算力值。也即流量请求的价值占比越高，其获得的算力值越高，也即每个流量请求的算力值与该流量请求的价值成正比。

本公开实施例提供的确定流量算力的方法，首先接收同一时刻下的至少一个流量请求；然后对于至少一个流量请求中的每个流量请求，基于流量请求所处阶段的特征信息计算流量请求所处阶段的容量值；并从预先生成的折扣因子集合中确定流量请求所处阶段对应的折扣因子；之后基于容量值以及折扣因子确定流量请求的价值；最后基于至少一个流量请求中每个流量请求的价值分别确定流量请求对应的算力值。本实施例中的确定流量算力的方法，该方法先基于流量请求当前所处阶段的容量值以及流量请求当前所处阶段的折扣因子来计算该流量请求的价值，然后基于各个流量请求的价值来进行算力的分配，从而实现了对流量进行更加智能化、个性化的算力分配，继而提高了算力分配的合理性，以及算力分配的效率，也即在给定资源上限的情况下，最大化了资源投入的性价比。

本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。

继续参考图3，图3示出了根据本公开的确定流量算力的方法的另一个实施例的流程300。该确定流量算力的方法包括以下步骤：

步骤301，接收同一时刻下的至少一个流量请求。

在本实施例中，确定流量算力的方法的执行主体(例如图1所示的服务器105)会接收同一时刻下的至少一个流量请求。步骤301与前述实施例的步骤201基本一致，具体实现方式可以参考前述对步骤201的描述，此处不再赘述。

步骤302，对于至少一个流量请求中的每个流量请求，基于预置的策略确定流量请求所处阶段。

在本实施例中，对于至少一个流量请求中的每个流量请求，上述执行主体可以基于预置的策略来确定流量请求当前所处的阶段，例如在接收到流量请求时，从代码中获取流量请求当前所处的阶段信息，再例如通过查词典的方式去获取流量请求当前所处的阶段信息等等，本实施例对此不做具体限定。

步骤303，获取流量请求所处阶段的特征信息。

在本实施例中，上述执行主体会获取流量请求所处阶段的特征信息，其中，特征信息包括当前阶段的队列长度、当前系统的CPU利用率和GPU利用率等，这里的队列长度一般指当前阶段的候选集的长度。

步骤304，将队列长度、CPU利用率和GPU利用率与预置参数乘积之和的值确定为流量请求所处阶段的容量值。

在本实施例中，上述执行主体会基于上述特征信息计算流量请求所处阶段的容量值，也即分别将队列长度、CPU利用率和GPU利用率与预置参数乘积之和的值确定为流量请求所处阶段的容量值。具体的计算公式表示如下：

Qi

其中，Q

基于上述步骤，可以快速、准确地计算出流量请求所处阶段的容量值。

步骤305，确定流量请求的类别信息。

在本实施例中，上述执行主体会确定流量请求的类别信息。这里的类别可以包括热门请求、冷门请求等多个维度，本实施例中对此不做具体限定。例如，上述执行主体可以对流量请求进行语义识别，从而基于语义识别结果确定该流量请求具体为预设类别信息中的哪一种类别。

步骤306，基于流量请求的类别信息以及流量请求所处阶段信息、从折扣因子集合中确定流量请求所处阶段对应的折扣因子。

在本实施例中，上述执行主体会基于流量请求的类别信息以及流量请求所处阶段信息、从折扣因子集合中确定流量请求所处阶段对应的折扣因子。本实施例中，上述执行主体会预先生成折扣因子集合，折扣因子集合中包括了不同类别下的流量请求所处不同阶段对应的折扣因子，所以，在接收到流量请求后，上述执行主体会先确定接收的流量请求的类别信息，然后从预先生成的折扣因子集合中获取该类别下的流量请求在不同阶段的折扣因子，得到第一折扣因子集合，之后再根据流量请求当前所处阶段信息从第一折扣因子集合中确定该流量请求所处阶段对应的折扣因子。从而快速准确地确定流量请求所处阶段对应的容折扣因子。

步骤307，基于流量请求在各个阶段的容量值以及流量请求在该阶段的折扣因子，计算流量请求的价值。

在本实施例中，上述执行主体会基于流量请求在各个阶段的容量值以及流量请求在该阶段的折扣因子，计算流量请求的价值。上述执行主体在确定流量请求所处各个阶段的容量值以及流量请求所处各个阶段对应的折扣因子后，会基于流量请求所处各个阶段的容量值以及流量请求所处各个阶段对应的折扣因子，来计算该流量请求的价值。将第i条流量的价值表示为

其中，r

步骤308，获取当前总算力值。

在本实施例中，上述执行主体会获取当前总算力值，也即获取当前系统的总算力值。

步骤309，基于每个流量请求的价值计算当前总价值。

在本实施例中，上述执行主体会基于每个流量请求的价值计算当前总价值，也即将当前每个流量请求的价值进行相加求和，即可得到当前总价值。

步骤310，基于每个流量请求的价值在当前总价值中的占比以及当前总算力值，确定流量请求对应的算力值。

在本实施例中，上述执行主体会基于每个流量请求的价值在当前总价值中的占比以及当前总算力值，确定流量请求对应的算力值。具体地，上述执行主体可以获取当前的总算力值，然后基于接收的每个流量请求的价值计算当前时刻下所有流量请求的总价值，最后基于每个流量请求的价值在总价值中的占比，从当前总算力值确定该占比对应的算力值，将该算力值确定为流量请求对应的算力值。也即每个流量请求的价值占比越高，其获得的算力值越高，也即每个流量请求的算力值与该流量请求的价值成正比。

从图3中可以看出，与图2对应的实施例相比，本实施例中的确定流量算力的方法，该方法先基于流量请求所处阶段的特征信息来计算流量请求当前所处阶段的容量值，再基于流量请求的类别信息以及流量请求所处阶段信息、从折扣因子集合中确定流量请求所处阶段对应的折扣因子，然后基于流量请求在各个阶段的容量值以及流量请求在该阶段的折扣因子，计算该流量请求的价值，最后基于每个流量请求的价值来确定该流量请求对应的算力值，从而实现了对流量进行更加智能化、个性化的算力分配，继而提高了算力分配的合理性，以及算力分配的效率，也即在给定资源上限的情况下，最大化了资源投入的性价比。

继续参考图4，其示出了图3所示的确定流量算力的方法的生成折扣因子集合步骤的分解流程400。该生成折扣因子集合步骤包括：

步骤401，分别获取至少一个类别中每个类别下的历史流量请求集合。

在本实施例中，先分别获取至少一个类别中每个类别下的历史流量请求集合，历史流量请求集合可以是指历史某一时间段内的、该类别下的所有流量请求。

步骤402，对于历史流量请求集合中的每个历史流量请求，确定历史流量请求的所处阶段以及所处阶段对应的候选网页集合。

由于本实施例中的确定流量算力的方法的目标是：通过调控流量在各个阶段的信息例如队列长度、模型选型等，从而调节折扣因子，最终实现流量价值最大化。

将历史流量请求集合中的M条流量经过N个阶段的处理，其中，M和N均为正整数，可以表示为：

其中，C1为成本约束，也即对于任意一个阶段，该阶段的成本都必须小于等于其成本C

C2为时间约束，也即对于任意一个请求流量，在N个阶段的耗时综合都必须小于等于规定的耗时T；

C3为辅助约束，也即对于任意一个流量请求其在任意一个阶段都必须有大于等于0的值。

对于一个实时的搜索系统来说，在线进行上述的优化并不太实际也会带来比较多的困难。为了简化分析和提高系统的鲁棒性，本实施例将上述N个阶段拆封成N个子问题，这样方便对各个阶段进行监控和可靠的干预，从而提高系统的鲁棒性。例如当系统出现巨大的变化时，可以随时动态调整各个阶段的参数。基于此，将C1、C2约束进行一定的拆分：

Q

具体来说，对于阶段j，流量的价值最大化，可以看作是上述的一个子问题：

假设：Y

在本实施例中，对于历史流量请求集合中的每个历史流量请求，确定历史流量请求的所处阶段以及所处阶段对应的候选网页集合。也即将流量i细化成第i条Query，j阶段则为具体筛选阶段，增加一个维度k表示URL级别的参数和特征信息。

步骤403，基于候选网页集合中每个候选网页对应的网页特征，确定候选网页的保留概率。

在本实施例中，基于候选网页集合中每个候选网页对应的网页特征，确定候选网页的保留概率。

在本实施例的一些可选的实现方式中，步骤403包括：对于候选网页集合中每个候选网页，获取候选网页对应的网页特征，其中，网页特征包括：网页权威性特征、网页点击特征、和/或网页相关性特征；基于网页特征计算候选网页的保留概率。

在本实现方式中，对于候选网页集合中每个候选网页，会获取候选网页对应的网页特征，例如：网页权威性特征authority_feature、网页点击特征click_feature、和/或网页相关性特征correlation_feature；则流量请求i的第k条url的信息可以表示为Q

Q

流量请求i在弹性候选集下的折扣因子Y

Y

具体来说，针对第i条query的k条url的具体信息，采用多个维度的特征进行考量。

最后，上述执行主体会基于网页特征计算候选网页的保留概率Q

Q

其中，f(Q

通过上述步骤使得确定的候选网页的保留概率更加准确。

在本实施例的一些可选的实现方式中，网页特征还包括网页时效性特征；此时步骤403还包括：响应于确定网页特征包括网页时效性特征，确定候选网页的保留概率为1。

在本实现方式中，上述执行主体若确定网页特征包括网页时效性特征，那么则可以直接将候选网页的保留概率确定为1。也即网页的时效性特征优先级最高，从而保证了网页的时效性。

步骤404，基于候选网页集合中每个候选网页的保留概率，确定当前类别下历史流量请求所处阶段对应的折扣因子。

在本实施例中，基于候选网页集合中每个候选网页的保留概率，确定当前类别下历史流量请求所处阶段对应的折扣因子f(Q

f(Q

基于上述步骤生成了包含至少一个类别的流量请求所处不同阶段对应的折扣因子的折扣因子集合，从而实现了流量价值最大化。

继续参考图5，图5示出了根据本公开的确定流量算力的方法的一个应用场景的示意图。在该应用场景中，执行主体先接收同一时刻下的三个流量请求。然后执行主体会自适应进行算力分配，也即自适应为这三个流量请求进行算力分配。具体地，对于三个流量请求中的每个流量请求，执行主体会基于流量请求所处阶段的特征信息计算流量请求所处阶段的容量值；再从预先生成的折扣因子集合中确定流量请求所处阶段对应的折扣因子；再基于容量值以及折扣因子确定流量请求的价值；最后基于每个流量请求的价值分别确定流量请求对应的算力值，从而得到最后的算力分配结果，例如对于第一个流量请求，为其分配30％的算力；对于第二个流量请求，为其分配30％的算力；对于第三个流量请求，为其分配40％的算力。从而在当前时刻下根据流量请求产生的价值来动态分配算力，使得在给定总算力的情况下获得全局最优。

继续参考图6，图6示出了根据本公开的确定流量算力的方法的另一个应用场景的示意图。在该应用场景中，对于流量请求i，执行主体会基于流量请求i所处阶段信息对应的队列长度、CPU利用率以及GPU利用率确定流量i所处阶段的容量值。并基于流量i所处阶段的特征信息(点击特征、权威性特征、相关性特征等)来确定流量i所处阶段的折扣因子。

在确定折扣因子的过程中，基于以下约束条件：

假设流量i所处的不同阶段分别为阶段阶段1、阶段2、阶段3......阶段M，基于上述约束条件可以确定流量i在阶段1的折扣因子为Y

最后，可以基于流量i在各个阶段的折扣因子得到流量请求i的价值为Q

在该应用场景中，将调控动作按照Query级别、URL级别、Feature级别进行划分，调控算子拥有相同基类，接口规范统一。调控决策器可以根据参数集合，确定各个阶段的调控档位设置并调用调控算子进行执行算力调控，每个调控阶段包含控制流(Control Level)和反馈流(Feedback Level)，控制流能结合当前阶段看到的特征和信号给出其他下游其他阶段的调控档位，反馈流可以根据当前阶段参考其他阶段给出的调控档位建议和当前阶段看到的特征和信号确定实际执行的调控档位。通过这种方式，每个调控阶段既能看到到其他阶段实际执行的调控状态，同时也能根据它们对当前阶段的指导建议进行综合判断，最终在全链路上获取全局最优解。

进一步参考图7，作为对上述各图所示方法的实现，本公开提供了一种确定流量算力的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图7所示，本实施例的确定流量算力的装置700包括：接收模块701、计算模块702、第一确定模块703、第二确定模块704和第三确定模块705。其中，接收模块701，被配置成接收同一时刻下的至少一个流量请求；计算模块702，被配置成对于至少一个流量请求中的每个流量请求，基于流量请求所处阶段的特征信息计算流量请求所处阶段的容量值；第一确定模块703，被配置成从预先生成的折扣因子集合中确定流量请求所处阶段对应的折扣因子；第二确定模块704，被配置成基于容量值以及折扣因子确定流量请求的价值；第三确定模块705，被配置成基于至少一个流量请求中每个流量请求的价值分别确定流量请求对应的算力值。

在本实施例中，确定流量算力的装置700中：接收模块701、计算模块702、第一确定模块703、第二确定模块704和第三确定模块705的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-205的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，计算模块被进一步配置成：基于预置的策略确定流量请求所处阶段；获取流量请求所处阶段的特征信息，其中，特征信息包括队列长度、CPU利用率和GPU利用率；分别将队列长度、CPU利用率和GPU利用率与预置参数乘积之和的值确定流量请求所处阶段的容量值。

在本实施例的一些可选的实现方式中，第一确定模块包括：第一确定子模块，被配置成确定流量请求的类别信息；第二确定子模块，被配置成基于流量请求的类别信息以及流量请求所处阶段信息、从折扣因子集合中确定流量请求所处阶段对应的折扣因子。

在本实施例的一些可选的实现方式中，折扣因子集合中包含至少一个类别的流量请求所处不同阶段对应的折扣因子，上述装置还包括用于生成折扣因子集合的生成模块，生成模块包括：获取子模块，被配置成分别获取至少一个类别中每个类别下的历史流量请求集合；第三确定子模块，被配置成对于历史流量请求集合中的每个历史流量请求，确定历史流量请求的所处阶段以及所处阶段对应的候选网页集合；第四确定子模块，被配置成基于候选网页集合中每个候选网页对应的网页特征，确定候选网页的保留概率；第五确定子模块，被配置成基于候选网页集合中每个候选网页的保留概率，确定当前类别下历史流量请求所处阶段对应的折扣因子。

在本实施例的一些可选的实现方式中，第四确定子模块包括：获取单元，被配置成对于候选网页集合中每个候选网页，获取候选网页对应的网页特征，其中，网页特征包括：网页权威性特征、网页点击特征、和/或网页相关性特征；计算单元，被配置成基于网页特征计算候选网页的保留概率。

在本实施例的一些可选的实现方式中，网页特征还包括网页时效性特征；以及第四确定子模块还包括：确定单元，被配置成响应于确定网页特征包括网页时效性特征，确定候选网页的保留概率为1。

在本实施例的一些可选的实现方式中，第二确定模块被进一步配置成：基于流量请求在各个阶段的容量值以及流量请求在该阶段的折扣因子，计算流量请求的价值。

在本实施例的一些可选的实现方式中，第二确定模块被进一步配置成：获取当前总算力值；基于每个流量请求的价值计算当前总价值；基于每个流量请求的价值在当前总价值中的占比以及当前总算力值，确定流量请求对应的算力值。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图8所示，设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序，来执行各种适当的动作和处理。在RAM 803中，还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。

设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理，例如确定流量算力的方法。例如，在一些实施例中，确定流量算力的方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时，可以执行上文描述的确定流量算力的方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行确定流量算力的方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

云计算(cloud computer)，指的是通过网络接入弹性可扩展的共享物理或虚拟资源池，资源可以包括服务器、操作系统、网络、软件、应用或存储设备等，并可以以按需、自服务的方式对资源进行部署和管理的技术体系。通过云计算技术，可以为人工智能、区块链等技术应用、模型训练提供高效强大的数据处理能力。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。