在上一期中，咱们介绍了 API 资产的辨认技术，探讨了 API 资产的定义以及各类格调 API 的辨认技术。在本期中，咱们将持续介绍 API 资产辨认中的 API 聚合技术。
一、相干介绍
作为 API 资产梳理中的关键环节，API 聚合的目标是从流量数据中辨认出各种 API，并通过剖析将流量中 API 进行归一化解决。
*API 资产聚合其实相似于生存中的物品聚类。在 API 资产梳理过程中，将通信流量当中属于同一个的 API 接口用通用模式来示意。
举个例子：在 API 通信流量当中，咱们辨认了多个 Restful API：http://www.test.com/v1/app/1001 很显著，这其实是属于同一个 API 接口，该 API 聚合后的成果应该为：http://www.test.com/v1/app/{id}在理论企业 API 资产梳理工作中，API 通信流量通常十分微小。当咱们在流量中辨认到了 10 亿次 API 申请时，咱们就必须思考这到底是存在 10 亿个 API 资产，还是只有 10 个 API 资产。
因而，API 资产剖析的聚合成为企业理清 API 资产实在数量的要害。
二、API 聚合技术
整体思路：基于统计算法，将通信流量中 API 初步归类，一般来说依照同一个业务零碎进行分类，而后将其所有的 API 无论是 URL 的局部还是 Body 的局部，全副形象成一个数据结构，通过统计的办法去放大 API 聚合范畴，最初通过肯定的算法把通用的模式识别进去，再用这些通用的模式去打标签，这种增量的流量逐步的可能收敛掉，靠近到实在 API 的资产数量水平。上面来看看统计局部的算法。
1. 字典树算法
Trie，又称字典树、单词查找树或键树，是一种树形构造，是一种哈希树的变种。典型利用是用于统计，排序和保留大量的字符串（但不仅限于字符串），所以常常被搜索引擎零碎用于文本词频统计。长处是：利用字符串的公共前缀来缩小查问工夫，最大限度地缩小无谓的字符串比拟，查问效率比哈希树高。
举个例子：关键字汇合为：{“a”,“to”,“tea”,“ted”,“ten”,“i”,“in”,“inn”} 应用 Trie 树示意如下图所示：
在 API 聚合逻辑中，咱们还须要对 Trie 算法进行变形，将 / 作为节点宰割符，将 API 的 URL 局部变成树状构造。
比方：http://example.com/cat/sports 解析后果如下图：
基于树状构造，咱们将统计确定 API 聚合范畴的相干维度，比方：尾结点到跟节点的间隔，示意 API 中 URL 的长度领有雷同节点的树状构造，示意 API 中 URL 雷同门路同一深度的节点可变性通过以上统计数据，咱们将 API 聚合的范畴进一步放大：这些 API 属于同一业务零碎、门路长度雷同、领有雷同门路节点，并且存在可变门路。
2. 字符串类似断定
当咱们使用后面提及的 Tire 算法进一步放大 API 聚合的范畴后发现，后续的工作次要是对于那些可变门路的类似度的计算，也就是这些在同一地位的可变门路是不是属于同一类，如果是就能够把它们进行聚合解决。
上面咱们将介绍几种对于字符串类似度计算的基本原理：余弦相似性余弦相似性通过测量两个向量的夹角的余弦值来度量它们之间的相似性。0 度角的余弦值是 1，而其余任何角度的余弦值都不大于 1；并且其最小值是 -1。
定义如下:
编辑间隔编辑间隔是针对二个字符串（例如英文字）的差别水平的量化量测，量测形式是看至多须要多少次的解决能力将一个字符串变成另一个字符串。汉明间隔汉明间隔是两个字符串对应地位的不同字符的个数。换句话说，它就是将一个字符串变换成另外一个字符串所须要替换的字符个数。汉明间隔是编辑间隔中的一个非凡状况，仅用来计算两个等长字符串中不统一的字符个数。
Sorensen Dice 类似度系数 Dice 类似度系数是用于度量两个汇合的相似性，因为能够把字符串了解为一种汇合，因而 Dice 间隔也会用于度量字符串的相似性。Jaccard 类似度定义公式如下, 简略来说就是汇合的交加与汇合的并集的比例。
当然，上述都是计算字符串的相似性的实践计划，在肯定水平上这些办法是无效的，但联合不同的训练样本和业务理论，计算 API 中 URL 类似度的办法也各有不同。
Simhash 算法 Simhash 是 google 于 2007 年公布的一篇论文《Detecting Near-duplicates for web crawling》中提出的算法，最后次要用于解决亿万级别的网页去重工作。
SimHash 自身属于一种部分敏感 hash，其次要思维是降维，将高维的特征向量转化成一个 f 位的指纹，通过算出两个指纹的海明间隔来确定两篇文章的类似度。当然，利用 Simhash 算法，咱们也能够用于两个字符串的类似度的计算，上面是 SimHash 算法的流程：
而传统的 Hash 算法只负责将原始内容尽量平均随机地映射为一个签名值，原理上仅相当于伪随机数产生算法。即使是两个原始内容只相差一个字节，所产生的签名也很可能差异很大，所以传统的 Hash 是无奈在签名的维度上来掂量原内容的类似度。
3. 聚合成果
那通过上述 API 聚合技术的介绍，咱们聚合后最终可能达到什么样的成果呢？咱们以测试网站的 API 为例：从流量中获取到该网站存在以下 API（通过解决，图中显示 API 的 URL 门路局部）
通过统计算法解决之后，咱们将失去门路雷同、URL 长度雷同、领有雷同门路节点等条件的 API 聚合范畴。
依据统计后的聚合范畴，咱们对满足条件的 API 中的可变门路局部进行类似度计算并聚合，最终后果如下所示：
小结
本次次要旨在揭示基于统计算法的 API 资产剖析和聚合技术。通过将通信流量中的 API 进行初步分类，并将所有 API 的 URL 局部形象为一个数据结构。通过统计办法放大 API 聚合范畴，而后利用相干算法计算和聚合满足条件的 API 中可变门路局部的类似度。
最初，对聚合的通用模式进行辨认，并对后续增量的流量进行收敛，以此帮忙企业梳理出靠近实在 API 的资产及其数量。
对于 Portal Lab
星阑科技 Portal Lab 致力于前沿平安技术钻研及能力工具化。次要钻研方向为数据流动平安、API 平安、利用平安、攻防反抗等畛域。实验室成员研究成果曾发表于 BlackHat、HITB、BlueHat、KCon、XCon 等国内外出名平安会议，并屡次公布开源平安工具。将来，Portal Lab 将持续以凋谢翻新的态度踊跃投入各类平安技术钻研，继续为平安社区及企业级客户提供高质量技术输入。