1.本技术涉及计算机技术领域，尤其涉及一种响应超时的预测方法及装置。
背景技术：
2.现有技术中，金融软件的服务器出现响应超时时，工作人员会对服务器的软硬件、网络、上下游服务器等多个方面进行全面排查，以防止服务器再次出现响应超时，在出现响应超时后才进行问题排查，影响用户使用金融软件的体验。
技术实现要素：
3.有鉴于此，本技术的目的在于至少提供一种响应超时的预测方法及装置，通过将金融软件在预测时间的预测最大并发个数输入至训练好的机器学习模型中，得出预测最大并发个数下的预测响应时间，从而将预测响应时间与标准响应时间范围进行比较，确定出预测时间是否会发生响应超时，解决了现有技术中只有响应超时发生后才会进行排查导致影响用户使用感受的技术问题，达到了提前预测是否会发生响应超时，并提前进行排查，减少用户侧出现响应超时的技术效果。
4.本技术主要包括以下几个方面：
5.第一方面，本技术实施例提供一种响应超时的预测方法，该方法包括：确定金融软件的目标接口在预测时间的预测最大并发个数；其中，预测时间指的是与预设基准时间距离预测时间周期的时间，最大并发个数用于描述对目标接口同时发送请求的最大数量；将所述预测时间周期、所述预测最大并发个数输入至预先训练好的机器学习模型中，得到预测响应时间；在所述预测响应时间不属于标准响应时间范围时，确定在所述预测时间下金融软件出现响应超时。
6.可选地，确定金融软件在预测时间下的预测最大并发个数，包括：获取所述预测时间对应的目标放量人数；确定所述目标放量人数对应的预测最大并发个数。
7.可选地，目标放量人数包括第一放量人数和第二放量人数；其中，第一放量人数指的是在预测时间对目标接口引流的人数；第二放量人数指的是金融软件在预测时间访问目标接口的预测人数。
8.可选地，在所述目标放量人数为所述第一放量人数时，所述确定所述目标放量人数对应的预测最大并发个数，包括：获取金融软件的多个第一接口在各历史时间的实际放量人数、及该第一接口在各历史时间的最大并发个数，其中，第一接口是在各历史时间进行引流的接口；依据多个第一接口在各历史时间对应的实际放量人数及最大并发个数，确定各个实际放量人数对应的第一并发比例；依据各个实际放量人数对应的第一并发比例，确定所述第一放量人数对应的并发比例；依据第一放量人数对应的并发比例和所述第一放量人数，预测最大并发个数。
9.可选地，在所述目标放量人数为所述第二放量人数时，所述确定所述目标放量人数对应的预测最大并发个数，包括：获取金融软件的多个第二接口在各历史时间的实际放
量人数、及该第二接口在各历史时间的最大并发个数，其中，第二接口是在各历史时间不进行引流的接口；依据多个第二接口在各历史时间对应的实际放量人数及最大并发个数，确定各个实际放量人数对应的第二并发比例；依据各个实际放量人数对应的第二并发比例，确定所述第二放量人数对应的并发比例；依据第二放量人数对应的并发比例和所述第二放量人数，预测最大并发个数。
10.可选地，通过以下方式训练所述机器学习模型：获取金融软件的多个预设接口在各历史时间的实际最大并发个数、及所述实际最大并发个数对应的实际最大响应时间；其中，历史时间指的是与所述预设基准时间距离历史时间周期的时间；将各个历史时间周期、该历史时间周期对应的实际最大并发个数作为样本，将该历史时间周期的实际最大并发个数下对应的实际最大响应时间作为标签，训练所述机器学习模型。
11.可选地，方法还包括：确定金融软件的目标接口在多个预测时间分别对应的预测响应时间；针对每个预测时间，确定该预测时间与前一个预测时间之间的预测响应时间差值，确定预测响应时间差值是否大于预设响应时间差；若预测响应时间差值大于预设响应时间差，则确定金融软件的目标接口在该预测时间产生响应时间突变。
12.第二方面，本技术实施例还提供一种响应超时的预测装置，装置包括：第一确定模块，用于确定金融软件的目标接口在预测时间的预测最大并发个数；其中，预测时间指的是与预设基准时间距离预测时间周期的时间，最大并发个数用于描述对目标接口同时发送请求的最大数量；预测模块，用于将所述预测时间周期、所述预测最大并发个数输入至预先训练好的机器学习模型中，得到预测响应时间；第二确定模块，用于在所述预测响应时间不属于标准响应时间范围时，确定在所述预测时间下金融软件出现响应超时。
13.第三方面，本技术实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过所述总线进行通信，所述机器可读指令被所述处理器运行时执行上述第一方面或第一方面中任一种可能的实施方式中所述的响应超时的预测方法的步骤。
14.第四方面，本技术实施例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上存储有计算机程序，所述计算机程序被处理器运行时执行上述第一方面或第一方面中任一种可能的实施方式中所述的响应超时的预测方法的步骤。
15.本技术实施例提供的一种响应超时的预测方法及装置，该方法包括：确定金融软件的目标接口在预测时间的预测最大并发个数；其中，预测时间指的是与预设基准时间距离预测时间周期的时间，最大并发个数用于描述对目标接口同时发送请求的最大数量；将所述预测时间周期、所述预测最大并发个数输入至预先训练好的机器学习模型中，得到预测响应时间；在所述预测响应时间不属于标准响应时间范围时，确定在所述预测时间下金融软件出现响应超时。通过将金融软件在预测时间的预测最大并发个数输入至训练好的机器学习模型中，得出预测最大并发个数下的预测响应时间，从而将预测响应时间与标准响应时间范围进行比较，确定出预测时间是否会发生响应超时，解决了现有技术中只有响应超时发生后才会进行排查导致影响用户使用感受的技术问题，达到了提前预测是否会发生响应超时，并提前进行排查，减少用户侧出现响应超时的技术效果。
16.为使本技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
17.为了更清楚地说明本技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本技术的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
18.图1示出了本技术实施例所提供的一种响应超时的预测方法的流程图。
19.图2示出了本技术实施例所提供的另一种响应超时的预测方法的流程图。
20.图3示出了本技术实施例所提供的一种响应超时的预测装置的功能模块图。
21.图4示出了本技术实施例所提供的一种电子设备的结构示意图。
具体实施方式
22.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，应当理解，本技术中的附图仅起到说明和描述的目的，并不用于限定本技术的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本技术中使用的流程图示出了根据本技术的一些实施例实现的操作。应当理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本技术内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。
23.另外，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本技术实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本技术的实施例的详细描述并非旨在限制要求保护的本技术的范围，而是仅仅表示本技术的选定实施例。基于本技术的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的全部其他实施例，都属于本技术保护的范围。
24.现有技术中，只有出现响应超时时，技术人员会进行排查，避免再次出现响应超时，影响用户使用感受。
25.基于此，本技术实施例提供了一种响应超时的预测方法及装置，通过将金融软件在预测时间的预测最大并发个数输入至训练好的机器学习模型中，得出预测最大并发个数下的预测响应时间，从而将预测响应时间与标准响应时间范围进行比较，确定出预测时间是否会发生响应超时，解决了现有技术中只有响应超时发生后才会进行排查导致影响用户使用感受的技术问题，达到了提前预测是否会发生响应超时，并提前进行排查，减少用户侧出现响应超时的技术效果，具体如下：
26.请参阅图1，图1为本技术实施例所提供的一种响应超时的预测方法的流程图。如图1所示，本技术实施例提供的响应超时的预测方法，包括以下步骤：
27.s101：确定金融软件的目标接口在预测时间的预测最大并发个数。
28.其中，预测时间指的是与预设基准时间距离预测时间周期的时间，最大并发个数用于描述对目标接口同时发送请求的最大数量。
29.或者说，最大并发个数指的是目标接口同时接收请求的最大数量。目标接口是金融软件的一个接口。
30.预设基准时间是由用户设置的固定时间，预测时间周期指的是在预设基准时间之
前或之后间隔的时间周期。示例性的，若预设基准时间为2020年01月01日，预测时间间隔是位于预设基准时间之后10天，则预测时间为2020年01月11日。
31.示例性的，确定金融软件的a接口在预测时间的预测最大并发个数。预测最大并发个数指的是预测到的a接口同时接收的最大请求数量。
32.其中，金融软件的后端服务器有多个接口，由于金融软件中存在很多不变的服务，这些服务对应的后端服务器上的接口在同一时刻接收到的并发个数基本固定，但是随着时间的推移，这些接口的响应时间可能会变慢。而对于金融软件的新增服务，由于金融软件的后台操作人员会设置针对新增业务进行引流，从而为了避免用户在使用新增服务时，出现新增服务所对应的任一个接口的响应时间较慢。
33.进而，本技术需要针对接口的响应时间进行预测，且接口一般在其遇到最大并发个数时产生响应超时的概率较大，所以本技术的响应时间是针对单个接口的预测最大并发个数而言的。
34.示例性的，新增服务可能是金融软件新增加的营销产品，而用户点击营销产品的宣传页面时，会向金融软件的后端服务器中营销产品的宣传页面相应的接口发送请求信号；若用户点击此营销产品的宣传页面中的抽奖按钮时，会向金融软件的后端服务器中抽奖按钮相应的接口发送请求信号。由于金融软件会针对新出的营销内容进行引流，从而对该营销内容对应的接口的请求增加。从而，在同一时刻针对该新增功能对应的一个接口发送请求的数量会增加，以使该新增服务对应的一个接口产生的并发个数增加，从而可能该接口的响应时间可能会增加，进而需要对该接口的响应时间进行预测。且每个新增服务对应多个接口，也就是说，需要多个接口来实现一个新增服务。
35.请参阅图2，图2为本技术实施例所提供的确定金融软件在预测时间下的预测最大并发个数的步骤的示意图。如图2所示，确定金融软件在预测时间下的预测最大并发个数，包括：
36.s1011：获取所述预测时间对应的目标放量人数。
37.目标放量人数是金融软件的后台操作人员预先设置好的。目标放量人数包括第一放量人数和第二放量人数。其中，第一放量人数指的是在预测时间对目标接口引流的人数，也就是说，第一放量人数是金融软件的后台操作人员自行设置的针对目标接口对应的服务的引流人数。
38.其中，第二放量人数指的是金融软件在预测时间访问目标接口的预测人数。也就是说，后台操作人员统计金融软件一些固定服务对应的多个接口的每天访问人数，在这些每天访问人数中随机选择一个人数作为第二放量人数。
39.s1012：确定所述目标放量人数对应的预测最大并发个数。
40.预测最大并发个数指的是在目标放量人数时预测向目标接口发送请求的最大数量。
41.也就是说，确定在针对目标接口进行推送时目标放量人数对应的预测最大并发个数，或者，确定在不针对目标接口进行推送时目标放量人数对应的预测最大并发个数。
42.也就是说，在金融软件存在新增服务时，操作人员会通过短信、邮件、弹窗等方式向第一放量人数的用户进行推送。由于，第一放量人数只是引流的人数，对这些人数进行推送，而无法保证第一放量人数的每个人都会向接口发送请求。第二放量人数是针对金融软
件的非新增服务而言的，由于金融软件的常见功能的每日访问人数是基本不变的，进而，对于常见功能对应的任一个接口而言，该接口在预测时间的最大并发个数也基本不变，而只是由于时间的增加，该接口可能会产生响应超时。
43.一般的，第一放量人数设置为随着预测时间的增加而增加的。示例性的，若预测时间为2021年01月01日的目标放量人数为1万，则预测时间为2021年01月02日的目标放量人数为1.5万，预测时间为2021年01月03日的目标放量人数为2万。
44.第二放量人数不会随着预测时间的增加而增加的，第二放量人数是固定值，一般设置为金融软件的固定接口的日均访问人数。也就是说，随机选择金融软件的几个不变的服务，针对这些服务下对应的多个接口统计每天的访问人数，从而计算出单一接口的日均访问人数。
45.在所述目标放量人数为所述第一放量人数时，所述确定所述目标放量人数对应的预测最大并发个数，包括：获取金融软件的多个第一接口在各历史时间的实际放量人数、及该第一接口在各历史时间的最大并发个数，其中，第一接口是在各历史时间进行引流的接口；依据多个第一接口在各历史时间对应的实际放量人数及最大并发个数，确定各个实际放量人数对应的第一并发比例；依据各个实际放量人数对应的第一并发比例，确定所述第一放量人数对应的并发比例；依据第一放量人数对应的并发比例和所述第一放量人数，预测最大并发个数。
46.也就是说，针对金融软件的多个第一接口中的每个第一接口，获取该第一接口在各历史时间的实际放量人数及各历史时间的最大并发个数。在目标放量人数为第一放量人数时，即，需要对目标接口进行引流。第一接口均是在各历史时间进行引流的接口。
47.其中，历史时间与预测时间的时间跨度相同，也就是说，若预测时间是一天，则历史时间也是一天。多个第一接口对应一个历史新增服务，第一接口在各历史时间的实际放量人数可以理解为金融软件的后台操作人员自行设置的针对第一接口对应的服务的引流人数。第一并发比例指的是在对接口进行推送时放量人数与最大并发个数的比例。
48.依据多个第一接口在各历史时间对应的实际放量人数及最大并发个数，确定各个实际放量人数对应的第一并发比例包括：依据多个第一接口在各历史时间对应的实际放量人数，及该第一接口在各历史时间的最大并发个数，确定各实际放量人数对应的至少一个最大并发个数；依据各实际放量人数对应的至少一个最大并发个数，计算各个实际放量人数对应的第一并发个数；依据各个实际放量人数对应的第一并发个数，计算各个实际放量人数对应的第一并发比例。
49.示例性的，若历史时间2020年01月10日，在对金融软件的某个新增服务在2020年01月10日当天对1万的人数进行推送时，获取新增服务对应的b接口在2020年01月10日的最大并发个数是20、新增服务对应的c接口在2020年01月10日的最大并发个数是22、新增服务对应的d接口在2020年01月10日的最大并发个数是18，则在对接口进行推送时，获取实际放量人数为1万时对应的至少一个最大并发个数为20、22、18。也就是说，实际放量人数为1万所对应的最大并发个数为20、22、18，进而，可以通过计算平均值的方式确定第一并发个数为20，将第一并发个数与实际放量人数的比值，作为实际放量人数对应的第一并发比例。
50.也就是说，各个实际放量人数的第一并发个数指的是在对各个第一接口进行引流时该实际放量人数对应的至少一个最大并发个数的均值。各个实际放量人数对应的第一并
发比例指的是在对各个第一接口进行引流时该实际放量人数对应的第一并发个数与该实际放量人数的比值。
51.进而，在对各个第一接口进行引流时，依据各个实际放量人数对应的第一并发比例，确定第一放量人数对应的并发比例。也就是说，每个实际放量人数均对应一个第一并发比例，从而可以确定第一放量人数对应的并发比例。显然，多个第一接口在各历史时间的实际放量人数必然涵盖第一放量人数，第一放量人数是后台操作人员在多个第一接口在各历史时间的实际放量人数中选择的。从而，将第一放量人数与对应的并发比例相乘得到第一放量人数对应的预测最大并发个数，即得到目标放量人数在对目标接口进行引流时对应的预测最大并发个数。
52.在所述目标放量人数为所述第二放量人数时，所述确定所述目标放量人数对应的预测最大并发个数，包括：获取金融软件的多个第二接口在各历史时间的实际放量人数、及该第二接口在各历史时间的最大并发个数，其中，第二接口是在各历史时间不进行引流的接口；依据多个第二接口在各历史时间对应的实际放量人数及最大并发个数，确定各个实际放量人数对应的第二并发比例；依据各个实际放量人数对应的第二并发比例，确定所述第二放量人数对应的并发比例；依据第二放量人数对应的并发比例和所述第二放量人数，预测最大并发个数。
53.也就是说，在目标放量人数为第二放量人数时，即，不需要对目标接口进行引流。第二接口是在各历史时间不进行引流的接口。也就是说，每个历史时间的实际放量人数是差不多的，进而最大并发个数也是差不多的。第二接口在各历史时间的实际放量人数指的是不进行引流时在各个历史时间对第二接口进行访问的人数。
54.也就是说，针对金融软件的多个第二接口中的每个第二接口，获取该第二接口在各历史时间的实际放量人数，以及获取该第二接口在各历史时间的最大并发个数。第二并发比例指的是在不对接口进行推送时实际放量人数与最大并发个数的比例。
55.在所述目标放量人数为所述第二放量人数时，所述确定所述目标放量人数对应的预测最大并发个数，包括：获取金融软件的多个第二接口在各历史时间的实际放量人数、及该第二接口在各历史时间的最大并发个数，其中，第二接口是在各历史时间不进行引流的接口；依据多个第二接口在各历史时间对应的实际放量人数及最大并发个数，确定各个实际放量人数对应的第二并发比例；依据各个实际放量人数对应的第二并发比例，确定所述第二放量人数对应的并发比例；依据第二放量人数对应的并发比例和所述第二放量人数，预测最大并发个数。
56.示例性的，在不对金融软件的某个服务进行推送时，统计该服务对应的b接口在2020年01月10日的访问人数为5000，最大并发个数是12、该服务对应的c接口在2020年01月10日的最大并发个数是10、该服务对应的d接口在2020年01月10日的最大并发个数是11，则在不对接口进行推送时，获取实际放量人数为5千时对应的至少一个最大并发个数为12、10、11。也就是说，实际放量人数为5000时对应的最大并发个数为12、10、11，进而，可以通过计算平均值的方式确定第二并发个数为11，将第二并发个数与实际放量人数的比值，作为实际放量人数对应的第二并发比例。
57.也就是说，各个实际放量人数的第二并发个数指的是在不对各个第二接口进行引流时该实际放量人数对应的至少一个最大并发个数的均值。各个实际放量人数对应的第二
并发比例指的是在不对各个第二接口进行引流时该实际放量人数对应的第二并发个数与该实际放量人数的比值。
58.返回图1，s102：将所述预测时间周期、所述预测最大并发个数输入至预先训练好的机器学习模型中，得到预测响应时间。
59.也就是说，将预测时间周期、预测最大并发个数输入至预先训练好的机器学习模型中，得到在预测最大并发个数下的预测响应时间。预测响应时间是在预测最大并发个数下目标接口的最大响应时间。
60.通过以下方式训练所述机器学习模型：获取金融软件的多个预设接口在各历史时间的实际最大并发个数、及所述实际最大并发个数对应的实际最大响应时间；其中，历史时间指的是与所述预设基准时间距离历史时间周期的时间；将各个历史时间周期、该历史时间周期对应的实际最大并发个数作为样本，将该历史时间周期的实际最大并发个数下对应的实际最大响应时间作为标签，训练所述机器学习模型。
61.也就是说，针对金融软件的多个预设接口中的每个预设接口，获取该预设接口在各历史时间的实际最大并发个数，及该历史时间的实际最大并发个数所对应的实际最大响应时间。
62.其中，多个预设接口包括进行推送的多个第一接口以及不进行推送的多个第二接口。也就是说，本技术中的机器学习模型通过历史时间周期、该历史时间周期对应的实际最大并发个数以及该历史时间周期的实际最大并发个数下对应的实际最大响应时间进行训练，在最大并发个数变多时对应的最大响应时间也自然会变大，进而为了减少简洁没有针对是否对接口进行推送而训练两个模型，也可以为了更加准确的预测而训练两个模型。
63.实际最大响应时间指的是预设接口对同时接收到的多个请求进行响应的最慢时间。示例性的，若预设基准时间为2020年01月01日，b接口在2020年01月10日的最大并发个数是20，最大并发个数为20时b接口响应的最慢时间为700毫秒，则历史时间间隔为9天以及最大并发个数为20所对应的实际最大响应时间为700毫秒。
64.也就是说，将各个历史时间转换为各个历史时间周期；针对金融软件的多个预设接口中的每个预设接口，将该预设接口的各历史时间周期及该历史周期下的实际最大并发个数作为样本，将该预设接口的实际最大并发个数所对应的实际最大响应时间作为标签，训练机器学习模型，以使机器学习模型可以依据时间周期、最大并发个数来预测最大响应时间。
65.示例性的，若预设基准时间为2020年01月01日，多个历史时间为2020年01月10日至2020年01月31日，则历史时间间隔为9天至30天，预设接口为b接口、c接口、d接口，b接口在2020年01月01日的最大并发个数是20及最大响应时间为700毫秒，c接口在2020年01月01日的最大并发个数是22及最大响应时间为680毫秒，d接口在2020年01月01日的最大并发个数是18及最大响应时间为672毫秒。进而，2020年01月10日转换为9天；将时间周期为9天、实际最大并发个数为20作为一个样本，该样本的标签为最大响应时间700毫秒；将时间周期为9天、实际最大并发个数为22作为一个样本，该样本的标签为最大响应时间680毫秒；将时间周期为9天、实际最大并发个数为18作为一个样本，该样本的标签为最大响应时间672毫秒，以此训练机器学习模型。
66.在训练之前，需要将历史时间周期、该历史时间周期对应的实际最大并发个数以
及该历史时间周期的实际最大并发个数下对应的实际最大响应时间进行归一化处理。
67.通过以下公式进行历史时间周期的归一化处理：
[0068][0069]
公式(1)中，a指的是多个历史时间周期中的每个历史时间周期，a
norm
指的是a的归一化结果，a
min
指的是多个历史时间周期的最小值，a
max
指的是多个历史时间周期的最大值。
[0070]
通过以下公式进行实际最大并发个数的归一化处理：
[0071][0072]
公式(2)中，b指的是每个历史时间周期对应的实际最大并发个数，b
norm
指的是b的归一化结果，b
min
指的是多个历史时间周期对应的实际最大并发个数的最小值，b
max
指的是多个历史时间周期对应的实际最大并发个数的最大值。
[0073]
通过以下公式进行实际最大响应时间的归一化处理：
[0074][0075]
公式(3)中，c指的是每个历史时间周期的实际最大并发个数对应的实际最大响应时间，c
norm
指的是c的归一化结果，c
min
指的是多个历史时间周期的实际最大并发个数对应的实际最大响应时间的最小值，c
max
指的是历史时间周期的实际最大并发个数对应的实际最大响应时间的最大值。
[0076]
机器学习模块可以是xgboost模型，xgboost(extreme gradient boost)模型，是一种特殊的梯度提升决策树(gbdt，gradient boosting decision tree)，在时间序列预测方面表现突出。
[0077]
通过以下公式xgboost模型的目标函数值：
[0078][0079][0080]
公式(4)和(5)中，obj为机器学习模型的目标函数值，n为样本的数量，也就是历史时间周期、该历史时间周期对应的实际最大并发个数的数量；yi为第i个样本对应的标签值，也就是该历史时间周期的实际最大并发个数下对应的实际最大响应时间；为第i个样本通过机器学习模型得到的预测值；是机器学习模型的损失函数，即yi与的均方误差；ω(fk)为第k棵cart决策树的复杂度，是机器学习模型的正则化项；k指的是机器学习模型的cart决策树的总数；tk为第k棵cart决策树的叶节点总数；γ为控制每个叶节点的最小损失函数减少值；λ为正则化项的权重；ωj为cart决策树的第j个叶节点的权重。
[0081]
直观上看，要求预测的误差尽量小，且第k棵cart决策树的叶节点总数tk尽量少(γ控制叶子结点的个数)，ωj尽量不极端(λ控制叶子节点的权重不会过大)，防止过拟合。
[0082]
经过反复迭代训练，得到的xgboost的模型最优参数如下：学习率(learning rate)为0.16，通过减少每一步的权重，可以提高模型的鲁棒性，学习率的典型值范围为[0.01，0.2]；机器学习模型的最大的cart树的数目(n estimator)取500，也是最大的迭代
次数；树的最大深度(max depth)为5，避免过拟合，典型值范围为[3，10]；决定最小叶子节点样本权重和(min child weight)取1，取值较大时，可以避免模型学习到局部的特殊样本，但如果取值过高则会导致欠拟合；控制对于每棵树的随机采样的比例(subsample)取0.72，减小这个参数的值会避免过拟合，但是这个值设置的过小，它可能会导致欠拟合，典型值范围为[0.5，1]；控制每颗树随机采样的列数的占比(colsample bytree)取0.7；节点分裂所需的最小损失函数下降值(gamma)取0，在节点分裂时，只有在分裂后损失函数的值下降了才会分裂这个节点；reg_alpha取0，该参数是一个正则化参数，用于控制模型中l1正则化项的强度，l1正则化是模型训练过程中用于惩罚模型的复杂度，以防止过拟合并提高模型的泛化能力；reg_lambda取1，在目标函数中加入l2正则化惩罚项，使得大的权重被缩小，从而控制模型的复杂度。
[0083]
s103：在所述预测响应时间不属于标准响应时间范围时，确定在所述预测时间下金融软件出现响应超时。
[0084]
也就是说，确定预测响应时间是否属于标准响应时间范围；若预测响应时间不属于标准响应时间范围，则确定在所述预测时间下金融软件出现响应超时；若预测响应时间属于标准响应时间范围，则确定在所述预测时间下金融软件不会出现响应超时。
[0085]
所述方法还包括：确定金融软件的目标接口在多个预测时间分别对应的预测响应时间；针对每个预测时间，确定该预测时间与前一个预测时间之间的预测响应时间差值，确定预测响应时间差值是否大于预设响应时间差；若预测响应时间差值大于预设响应时间差，则确定该预测时间产生响应时间突变。
[0086]
也就是说，操作人员针对目标接口选择多个预测时间，确定每个预测时间的预测时间周期及对应的预测最大并发个数；将每个预测时间的预测时间周期及预测最大并发个数输入至预先训练好的机器学习模型中，得到该预测时间的预测响应时间；对预测时间进行升序排列，确定每个预测时间的前一个预测时间；针对每个预测时间，确定该预测时间与该预测时间的前一个预测时间之间的预测响应时间差值；在该预测时间与该预测时间的前一个预测时间之间的预测响应时间差值大于预设响应时间差时，确定目标接口在该预测时间产生响应时间突变，进而可以提示操作人员提前进行排查，以使操作人员对服务器进行扩容、故障排查或减少cpu占用等操作，以避免在预测时间出现响应超时。
[0087]
基于同一申请构思，本技术实施例中还提供了与上述实施例提供的响应超时的预测方法对应的响应超时的预测装置，由于本技术实施例中的装置解决问题的原理与本技术上述实施例的响应超时的预测方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。
[0088]
如图3所示，图3为本技术实施例提供的一种响应超时的预测装置的功能模块图。响应超时的预测装置10包括：第一确定模块101、预测模块102、第二确定模块103。
[0089]
第一确定模块101，用于确定金融软件的目标接口在预测时间的预测最大并发个数；其中，预测时间指的是与预设基准时间距离预测时间周期的时间，最大并发个数用于描述对目标接口同时发送请求的最大数量；
[0090]
预测模块102，用于将所述预测时间周期、所述预测最大并发个数输入至预先训练好的机器学习模型中，得到预测响应时间；
[0091]
第二确定模块103，用于在所述预测响应时间不属于标准响应时间范围时，确定在
所述预测时间下金融软件出现响应超时。
[0092]
基于同一申请构思，参见图4所示，为本技术实施例提供的一种电子设备的结构示意图，电子设备20包括：处理器201、存储器202和总线203，所述存储器202存储有所述处理器201可执行的机器可读指令，当电子设备20运行时，所述处理器201与所述存储器202之间通过所述总线203进行通信，所述机器可读指令被所述处理器201运行时执行如上述实施例中任一所述的响应超时的预测方法的步骤。
[0093]
具体地，所述机器可读指令被所述处理器201执行时可以执行如下处理：确定金融软件的目标接口在预测时间的预测最大并发个数；其中，预测时间指的是与预设基准时间距离预测时间周期的时间，最大并发个数用于描述对目标接口同时发送请求的最大数量；将所述预测时间周期、所述预测最大并发个数输入至预先训练好的机器学习模型中，得到预测响应时间；在所述预测响应时间不属于标准响应时间范围时，确定在所述预测时间下金融软件出现响应超时。
[0094]
基于同一申请构思，本技术实施例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上存储有计算机程序，所述计算机程序被处理器运行时执行上述实施例提供的响应超时的预测方法的步骤。
[0095]
具体地，所述存储介质能够为通用的存储介质，如移动磁盘、硬盘等，所述存储介质上的计算机程序被运行时，能够执行上述响应超时的预测方法，通过将金融软件在预测时间的预测最大并发个数输入至训练好的机器学习模型中，得出预测最大并发个数下的预测响应时间，从而将预测响应时间与标准响应时间范围进行比较，确定出预测时间是否会发生响应超时，解决了现有技术中只有响应超时发生后才会进行排查导致影响用户使用感受的技术问题，达到了提前预测是否会发生响应超时，并提前进行排查，减少用户侧出现响应超时的技术效果。
[0096]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。在本技术所提供的几个实施例中，应所述理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0097]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0098]
另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
[0099]
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者所述技术方案的部分可以以软
件产品的形式体现出来，所述计算机软件产品存储在一个存储介质中，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)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
[0100]
以上仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以权利要求的保护范围为准。