限流

使用 FastAPI 在生产环境中部署 AI

Matt Eckerle

Software and Data Engineering Leader

限流简介

红灯

 

  • 目的：控制 API 请求频率。
  • 响应：超过上限时返回 HTTP 429（"请求过多"）。
使用 FastAPI 在生产环境中部署 AI

限流如何工作

解释限流的流程图第 1 部分

使用 FastAPI 在生产环境中部署 AI

验证传入凭据

解释限流的流程图第 2 部分

使用 FastAPI 在生产环境中部署 AI

限流检查

解释限流的流程图第 3 部分

使用 FastAPI 在生产环境中部署 AI

设置我们的 API

from fastapi import FastAPI, Depends, HTTPException
from fastapi.security import APIKeyHeader
from pydantic import BaseModel

app = FastAPI()
model = SentimentAnalyzer(pkl_file_path)

API_KEY_HEADER = APIKeyHeader(name="X-API-Key")
API_KEY = "your-secret-key"
使用 FastAPI 在生产环境中部署 AI

限流逻辑

from datetime import datetime, timedelta

class RateLimiter:
    def __init__(self, requests_per_min: int = 10):
        self.requests_per_min = requests_per_min
        self.requests = defaultdict(list)

    def is_rate_limited(
        self, api_key: str
    ) -> tuple[bool, int]:

实现限流逻辑的流程图第 1 部分

使用 FastAPI 在生产环境中部署 AI

删除旧请求

from datetime import datetime, timedelta

class RateLimiter:
    def __init__(self, requests_per_min: int = 10):
        self.requests_per_min = requests_per_min
        self.requests = defaultdict(list)

    def is_rate_limited(
        self, api_key: str
    ) -> tuple[bool, int]:

        now = datetime.now()
        minute_ago = now - timedelta(minutes=1)
        self.requests[api_key] = [
            req_time for req_time in 
          self.requests[api_key]
          if req_time > minute_ago
        ]

解释限流的流程图第 2 部分

使用 FastAPI 在生产环境中部署 AI

检查请求计数

    def is_rate_limited(self, api_key: str) -> 
  tuple[bool, int]:
        now = datetime.now()
        minute_ago = now - timedelta(minutes=1)

        self.requests[api_key] = [
          req_time for req_time in 
          self.requests[api_key]
          if req_time > minute_ago
        ]

        recent_requests = len(self.requests[api_key])
        if recent_requests >= self.requests_per_min:
            return True, 0

        self.requests[api_key].append(now)
        return False

用于检查 API 请求次数的图示：若计数≥上限，则返回 true，否则返回 false。

使用 FastAPI 在生产环境中部署 AI

添加限流检查

rate_limiter = RateLimiter(requests_per_minute=10)

def test_api_key(api_key: str = Depends(API_KEY_HEADER)):
    if api_key != API_KEY:
        raise HTTPException(
            status_code=403,
            detail="Invalid API key"
        )
    is_limited, _ = rate_limiter.is_rate_limited(api_key)
    if is_limited:
        raise HTTPException(
            status_code=429,
            detail="Rate limit exceeded. Please try again later."
        )
    return api_key
使用 FastAPI 在生产环境中部署 AI

将限流应用到端点

@app.post("/predict")
def predict_sentiment(
    request: SentimentRequest,
    api_key: str = Depends(test_api_key)
):
    result = sentiment_model(request.text)

    _, requests_remaining = 
           rate_limiter.is_rate_limited(api_key)

    return {
        "text": request.text,
        "sentiment": result[0]["label"].lower(),
        "confidence": result[0]["score"],
        "requests_remaining": requests_remaining
    }

发送 11 次请求：

curl -X POST "http://localhost:8000/predict" \
     -H "Content-Type: application/json" \
     -H "X-API-Key: your-secret-key" \
     -d '{"text": "I love this product"}'

输出：

{"detail":"Rate limit exceeded. 
           Please try again later."}
使用 FastAPI 在生产环境中部署 AI

Let's practice!

使用 FastAPI 在生产环境中部署 AI

Preparing Video For Download...