Limitation du débit

Déployer l'IA en production avec FastAPI

Matt Eckerle

Software and Data Engineering Leader

Introduction à la limitation du débit

un feu de circulation

But : Contrôle la fréquence des requêtes à l'API.
Réponse : renvoie HTTP 429 (« Too Many Requests ») quand la limite est dépassée.

Fonctionnement de la limitation du débit

Partie 1 du schéma de flux expliquant la limitation du débit

Authentifier les justificatifs entrants

Partie 2 du schéma de flux expliquant la limitation du débit

Vérification de la limitation du débit

Partie 3 du schéma de flux expliquant la limitation du débit

Configuration de notre 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"

Logique du limiteur de débit

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]:

Partie 1 du schéma logique de l'implémentation de la limitation du débit

Suppression des requêtes anciennes

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
        ]

Partie 2 du schéma de flux expliquant la limitation du débit

Vérifier le nombre de requêtes

    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

Schéma représentant la vérification du nombre de requêtes effectuées par l'API : si le nombre atteint ou dépasse la limite, renvoyer vrai, sinon faux.

Ajouter la vérification de la limite de débit

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

Appliquer la limite au point de terminaison

@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
    }

Envoyez la requête 11 fois :

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"}'

Sortie :

{"detail":"Rate limit exceeded. 
           Please try again later."}

Passons à la pratique !

Déployer l'IA en production avec FastAPI