服務(wù)限流，我有六種實(shí)現(xiàn)方式…
哈嘍大家好啊，我是Hydra，今天來和大家聊聊服務(wù)的限流。
服務(wù)限流，是指通過控制請求的速率或次數(shù)來達(dá)到保護(hù)服務(wù)的目的，在微服務(wù)中，我們通常會將它和熔斷、降級搭配在一起使用，來避免瞬時的大量請求對系統(tǒng)造成負(fù)荷，來達(dá)到保護(hù)服務(wù)平穩(wěn)運(yùn)行的目的。下面就來看一看常見的6種限流方式，以及它們的實(shí)現(xiàn)與使用。
固定窗口算法
固定窗口算法通過在單位時間內(nèi)維護(hù)一個計(jì)數(shù)器，能夠限制在每個固定的時間段內(nèi)請求通過的次數(shù)，以達(dá)到限流的效果。
算法實(shí)現(xiàn)起來也比較簡單，可以通過構(gòu)造方法中的參數(shù)指定時間窗口大小以及允許通過的請求數(shù)量，當(dāng)請求進(jìn)入時先比較當(dāng)前時間是否超過窗口上邊界，未越界且未超過計(jì)數(shù)器上限則可以放行請求。
@Slf4j
public class FixedWindowRateLimiter {
// 時間窗口大小，單位毫秒
private long windowSize;
// 允許通過請求數(shù)
private int maxRequestCount;
// 當(dāng)前窗口通過的請求計(jì)數(shù)
private AtomicInteger count=new AtomicInteger(0);
// 窗口右邊界
private long windowBorder;
public FixedWindowRateLimiter(long windowSize,int maxRequestCount){
this.windowSize = windowSize;
this.maxRequestCount = maxRequestCount;
windowBorder = System.currentTimeMillis()+windowSize;
}
public synchronized boolean tryAcquire(){
long currentTime = System.currentTimeMillis();
if (windowBorder < currentTime){
log.info("window reset");
do {
windowBorder += windowSize;
}while(windowBorder < currentTime);
count=new AtomicInteger(0);
}
if (count.intValue() < maxRequestCount){
count.incrementAndGet();
log.info("tryAcquire success");
return true;
}else {
log.info("tryAcquire fail");
return false;
}
}
}進(jìn)行測試，允許在1000毫秒內(nèi)通過5個請求：
void test() throws InterruptedException {
FixedWindowRateLimiter fixedWindowRateLimiter
= new FixedWindowRateLimiter(1000, 5);
for (int i = 0; i < 10; i++) {
if (fixedWindowRateLimiter.tryAcquire()) {
System.out.println("執(zhí)行任務(wù)");
}else{
System.out.println("被限流");
TimeUnit.MILLISECONDS.sleep(300);
}
}
}運(yùn)行結(jié)果：
固定窗口算法的優(yōu)點(diǎn)是實(shí)現(xiàn)簡單，但是可能無法應(yīng)對突發(fā)流量的情況，比如每秒允許放行100個請求，但是在0.9秒前都沒有請求進(jìn)來，這就造成了在0.9秒到1秒這段時間內(nèi)要處理100個請求，而在1秒到1.1秒間可能會再進(jìn)入100個請求，這就造成了要在0.2秒內(nèi)處理200個請求，這種流量激增就可能導(dǎo)致后端服務(wù)出現(xiàn)異常。
滑動窗口算法
滑動窗口算法在固定窗口的基礎(chǔ)上，進(jìn)行了一定的升級改造。它的算法的核心在于將時間窗口進(jìn)行了更精細(xì)的分片，將固定窗口分為多個小塊，每次僅滑動一小塊的時間。
并且在每個時間段內(nèi)都維護(hù)了單獨(dú)的計(jì)數(shù)器，每次滑動時，都減去前一個時間塊內(nèi)的請求數(shù)量，并再添加一個新的時間塊到末尾，當(dāng)時間窗口內(nèi)所有小時間塊的計(jì)數(shù)器之和超過了請求閾值時，就會觸發(fā)限流操作。
看一下算法的實(shí)現(xiàn)，核心就是通過一個int類型的數(shù)組循環(huán)使用來維護(hù)每個時間片內(nèi)獨(dú)立的計(jì)數(shù)器：
@Slf4j
public class SlidingWindowRateLimiter {
// 時間窗口大小，單位毫秒
private long windowSize;
// 分片窗口數(shù)
private int shardNum;
// 允許通過請求數(shù)
private int maxRequestCount;
// 各個窗口內(nèi)請求計(jì)數(shù)
private int[] shardRequestCount;
// 請求總數(shù)
private int totalCount;
// 當(dāng)前窗口下標(biāo)
private int shardId;
// 每個小窗口大小，毫秒
private long tinyWindowSize;
// 窗口右邊界
private long windowBorder;
public SlidingWindowRateLimiter(long windowSize, int shardNum, int maxRequestCount) {
this.windowSize = windowSize;
this.shardNum = shardNum;
this.maxRequestCount = maxRequestCount;
shardRequestCount = new int[shardNum];
tinyWindowSize = windowSize/ shardNum;
windowBorder=System.currentTimeMillis();
}
public synchronized boolean tryAcquire() {
long currentTime = System.currentTimeMillis();
if (currentTime > windowBorder){
do {
shardId = (++shardId) % shardNum;
totalCount -= shardRequestCount[shardId];
shardRequestCount[shardId]=0;
windowBorder += tinyWindowSize;
}while (windowBorder < currentTime);
}
if (totalCount < maxRequestCount){
log.info("tryAcquire success,{}",shardId);
shardRequestCount[shardId]++;
totalCount++;
return true;
}else{
log.info("tryAcquire fail,{}",shardId);
return false;
}
}
}進(jìn)行一下測試，對第一個例子中的規(guī)則進(jìn)行修改，每1秒允許100個請求通過不變，在此基礎(chǔ)上再把每1秒等分為10個0.1秒的窗口。
void test() throws InterruptedException {
SlidingWindowRateLimiter slidingWindowRateLimiter
= new SlidingWindowRateLimiter(1000, 10, 10);
TimeUnit.MILLISECONDS.sleep(800);
for (int i = 0; i < 15; i++) {
boolean acquire = slidingWindowRateLimiter.tryAcquire();
if (acquire){
System.out.println("執(zhí)行任務(wù)");
}else{
System.out.println("被限流");
}
TimeUnit.MILLISECONDS.sleep(10);
}
}查看運(yùn)行結(jié)果：
程序啟動后，在先休眠了一段時間后再發(fā)起請求，可以看到在0.9秒到1秒的時間窗口內(nèi)放行了6個請求，在1秒到1.1秒內(nèi)放行了4個請求，隨后就進(jìn)行了限流，解決了在固定窗口算法中相鄰時間窗口內(nèi)允許通過大量請求的問題。
滑動窗口算法通過將時間片進(jìn)行分片，對流量的控制更加精細(xì)化，但是相應(yīng)的也會浪費(fèi)一些存儲空間，用來維護(hù)每一塊時間內(nèi)的單獨(dú)計(jì)數(shù)，并且還沒有解決固定窗口中可能出現(xiàn)的流量激增問題。
漏桶算法
為了應(yīng)對流量激增的問題，后續(xù)又衍生出了漏桶算法，用專業(yè)一點(diǎn)的詞來說，漏桶算法能夠進(jìn)行流量整形和流量控制。
漏桶是一個很形象的比喻，外部請求就像是水一樣不斷注入水桶中，而水桶已經(jīng)設(shè)置好了最大出水速率，漏桶會以這個速率勻速放行請求，而當(dāng)水超過桶的最大容量后則被丟棄。
看一下代碼實(shí)現(xiàn)：
@Slf4j
public class LeakyBucketRateLimiter {
// 桶的容量
private int capacity;
// 桶中現(xiàn)存水量
private AtomicInteger water=new AtomicInteger(0);
// 開始漏水時間
private long leakTimeStamp;
// 水流出的速率，即每秒允許通過的請求數(shù)
private int leakRate;
public LeakyBucketRateLimiter(int capacity,int leakRate){
this.capacity=capacity;
this.leakRate=leakRate;
}
public synchronized boolean tryAcquire(){
// 桶中沒有水，重新開始計(jì)算
if (water.get()==0){
log.info("start leaking");
leakTimeStamp = System.currentTimeMillis();
water.incrementAndGet();
return water.get() < capacity;
}
// 先漏水，計(jì)算剩余水量
long currentTime = System.currentTimeMillis();
int leakedWater= (int) ((currentTime-leakTimeStamp)/1000 * leakRate);
log.info("lastTime:{}, currentTime:{}. LeakedWater:{}",leakTimeStamp,currentTime,leakedWater);
// 可能時間不足,則先不漏水
if (leakedWater != 0){
int leftWater = water.get() - leakedWater;
// 可能水已漏光，設(shè)為0
water.set(Math.max(0,leftWater));
leakTimeStamp=System.currentTimeMillis();
}
log.info("剩余容量:{}",capacity-water.get());
if (water.get() < capacity){
log.info("tryAcquire success");
water.incrementAndGet();
return true;
}else {
log.info("tryAcquire fail");
return false;
}
}
}進(jìn)行一下測試，先初始化一個漏桶，設(shè)置桶的容量為3，每秒放行1個請求，在代碼中每500毫秒嘗試請求1次：
void test() throws InterruptedException {
LeakyBucketRateLimiter leakyBucketRateLimiter
=new LeakyBucketRateLimiter(3,1);
for (int i = 0; i < 15; i++) {
if (leakyBucketRateLimiter.tryAcquire()) {
System.out.println("執(zhí)行任務(wù)");
}else {
System.out.println("被限流");
}
TimeUnit.MILLISECONDS.sleep(500);
}
}查看運(yùn)行結(jié)果，按規(guī)則進(jìn)行了放行：
但是，漏桶算法同樣也有缺點(diǎn)，不管當(dāng)前系統(tǒng)的負(fù)載壓力如何，所有請求都得進(jìn)行排隊(duì)，即使此時服務(wù)器的負(fù)載處于相對空閑的狀態(tài)，這樣會造成系統(tǒng)資源的浪費(fèi)。由于漏桶的缺陷比較明顯，所以在實(shí)際業(yè)務(wù)場景中，使用的比較少。
令牌桶算法
令牌桶算法是基于漏桶算法的一種改進(jìn)，主要在于令牌桶算法能夠在限制服務(wù)調(diào)用的平均速率的同時，還能夠允許一定程度內(nèi)的突發(fā)調(diào)用。
它的主要思想是系統(tǒng)以恒定的速度生成令牌，并將令牌放入令牌桶中，當(dāng)令牌桶中滿了的時候，再向其中放入的令牌就會被丟棄。而每次請求進(jìn)入時，必須從令牌桶中獲取一個令牌，如果沒有獲取到令牌則被限流拒絕。
假設(shè)令牌的生成速度是每秒100個，并且第一秒內(nèi)只使用了70個令牌，那么在第二秒可用的令牌數(shù)量就變成了130，在允許的請求范圍上限內(nèi)，擴(kuò)大了請求的速率。當(dāng)然，這里要設(shè)置桶容量的上限，避免超出系統(tǒng)能夠承載的最大請求數(shù)量。
Guava中的RateLimiter就是基于令牌桶實(shí)現(xiàn)的，可以直接拿來使用，先引入依賴：
<dependency>
<groupId>com.google.guava</groupId>
<artifactId>guava</artifactId>
<version>29.0-jre</version>
</dependency>進(jìn)行測試，設(shè)置每秒產(chǎn)生5個令牌：
void acquireTest(){
RateLimiter rateLimiter=RateLimiter.create(5);
for (int i = 0; i < 10; i++) {
double time = rateLimiter.acquire();
log.info("等待時間：{}s",time);
}
}運(yùn)行結(jié)果：
可以看到，每200ms左右產(chǎn)生一個令牌并放行請求，也就是1秒放行5個請求，使用RateLimiter能夠很好的實(shí)現(xiàn)單機(jī)的限流。
那么再回到我們前面提到的突發(fā)流量情況，令牌桶是怎么解決的呢？RateLimiter中引入了一個預(yù)消費(fèi)的概念。在源碼中，有這么一段注釋：
* <p>It is important to note that the number of permits requested <i>never</i> affects the
* throttling of the request itself (an invocation to {@code acquire(1)} and an invocation to {@code
* acquire(1000)} will result in exactly the same throttling, if any), but it affects the throttling
* of the <i>next</i> request. I.e., if an expensive task arrives at an idle RateLimiter, it will be
* granted immediately, but it is the <i>next</i> request that will experience extra throttling,
* thus paying for the cost of the expensive task.大意就是，申請令牌的數(shù)量不同不會影響這個申請令牌這個動作本身的響應(yīng)時間，acquire(1)和acquire(1000)這兩個請求會消耗同樣的時間返回結(jié)果，但是會影響下一個請求的響應(yīng)時間。
如果一個消耗大量令牌的任務(wù)到達(dá)空閑的RateLimiter，會被立即批準(zhǔn)執(zhí)行，但是當(dāng)下一個請求進(jìn)來時，將會額外等待一段時間，用來支付前一個請求的時間成本。
至于為什么要這么做，通過舉例來引申一下。當(dāng)一個系統(tǒng)處于空閑狀態(tài)時，突然來了1個需要消耗100個令牌的任務(wù)，那么白白等待100秒是毫無意義的浪費(fèi)資源行為，那么可以先允許它執(zhí)行，并對后續(xù)請求進(jìn)行限流時間上的延長，以此來達(dá)到一個應(yīng)對突發(fā)流量的效果。
看一下具體的代碼示例：
void acquireMultiTest(){
RateLimiter rateLimiter=RateLimiter.create(1);
for (int i = 0; i <3; i++) {
int num = 2 * i + 1;
log.info("獲取{}個令牌", num);
double cost = rateLimiter.acquire(num);
log.info("獲取{}個令牌結(jié)束，耗時{}ms",num,cost);
}
}運(yùn)行結(jié)果：
可以看到，在第二次請求時需要3個令牌，但是并沒有等3秒后才獲取成功，而是在等第一次的1個令牌所需要的1秒償還后，立即獲得了3個令牌得到了放行。同樣，第三次獲取5個令牌時等待的3秒是償還的第二次獲取令牌的時間，償還完成后立即獲取5個新令牌，而并沒有等待全部重新生成完成。
除此之外RateLimiter還具有平滑預(yù)熱功能，下面的代碼就實(shí)現(xiàn)了在啟動3秒內(nèi)，平滑提高令牌發(fā)放速率到每秒5個的功能：
void acquireSmoothly(){
RateLimiter rateLimiter=RateLimiter.create(5,3, TimeUnit.SECONDS);
long startTimeStamp = System.currentTimeMillis();
for (int i = 0; i < 15; i++) {
double time = rateLimiter.acquire();
log.info("等待時間:{}s, 總時間:{}ms"
,time,System.currentTimeMillis()-startTimeStamp);
}
}查看運(yùn)行結(jié)果：
可以看到，令牌發(fā)放時間從最開始的500ms多逐漸縮短，在3秒后達(dá)到了200ms左右的勻速發(fā)放。
總的來說，基于令牌桶實(shí)現(xiàn)的RateLimiter功能還是非常強(qiáng)大的，在限流的基礎(chǔ)上還可以把請求平均分散在各個時間段內(nèi)，因此在單機(jī)情況下它是使用比較廣泛的限流組件。
中間件限流
前面討論的四種方式都是針對單體架構(gòu)，無法跨JVM進(jìn)行限流，而在分布式、微服務(wù)架構(gòu)下，可以借助一些中間件進(jìn)行限。Sentinel是Spring Cloud Alibaba中常用的熔斷限流組件，為我們提供了開箱即用的限流方法。
使用起來也非常簡單，在service層的方法上添加@SentinelResource注解，通過value指定資源名稱，blockHandler指定一個方法，該方法會在原方法被限流、降級、系統(tǒng)保護(hù)時被調(diào)用。
@Service
public class QueryService {
public static final String KEY="query";
@SentinelResource(value = KEY,
blockHandler ="blockHandlerMethod")
public String query(String name){
return "begin query,name="+name;
}
public String blockHandlerMethod(String name, BlockException e){
e.printStackTrace();
return "blockHandlerMethod for Query : " + name;
}
}配置限流規(guī)則，這里使用直接編碼方式配置，指定QPS到達(dá)1時進(jìn)行限流：
@Component
public class SentinelConfig {
@PostConstruct
private void init(){
List<FlowRule> rules = new ArrayList<>();
FlowRule rule = new FlowRule(QueryService.KEY);
rule.setCount(1);
rule.setGrade(RuleConstant.FLOW_GRADE_QPS);
rule.setLimitApp("default");
rules.add(rule);
FlowRuleManager.loadRules(rules);
}
}在application.yml中配置sentinel的端口及dashboard地址：
spring:
application:
name: sentinel-test
cloud:
sentinel:
transport:
port: 8719
dashboard: localhost:8088啟動項(xiàng)目后，啟動sentinel-dashboard：
java -Dserver.port=8088 -jar sentinel-dashboard-1.8.0.jar在瀏覽器打開dashboard就可以看見我們設(shè)置的流控規(guī)則：
進(jìn)行接口測試，在超過QPS指定的限制后，則會執(zhí)行blockHandler()方法中的邏輯：
Sentinel在微服務(wù)架構(gòu)下得到了廣泛的使用，能夠提供可靠的集群流量控制、服務(wù)斷路等功能。在使用中，限流可以結(jié)合熔斷、降級一起使用，成為有效應(yīng)對三高系統(tǒng)的三板斧，來保證服務(wù)的穩(wěn)定性。
網(wǎng)關(guān)限流
網(wǎng)關(guān)限流也是目前比較流行的一種方式，這里我們介紹采用Spring Cloud的gateway組件進(jìn)行限流的方式。
在項(xiàng)目中引入依賴，gateway的限流實(shí)際使用的是Redis加lua腳本的方式實(shí)現(xiàn)的令牌桶，因此還需要引入redis的相關(guān)依賴：
<dependency>
<groupId>org.springframework.cloud</groupId>
<artifactId>spring-cloud-starter-gateway</artifactId>
</dependency>
<dependency>
<groupId>org.springframework.boot</groupId>
<artifactId>spring-boot-starter-data-redis-reactive</artifactId>
</dependency>對gateway進(jìn)行配置，主要就是配一下令牌的生成速率、令牌桶的存儲量上限，以及用于限流的鍵的解析器。這里設(shè)置的桶上限為2，每秒填充1個令牌：
spring:
application:
name: gateway-test
cloud:
gateway:
routes:
- id: limit_route
uri: lb://sentinel-test
predicates:
- Path=/sentinel-test/**
filters:
- name: RequestRateLimiter
args:
# 令牌桶每秒填充平均速率
redis-rate-limiter.replenishRate: 1
# 令牌桶上限
redis-rate-limiter.burstCapacity: 2
# 指定解析器，使用spEl表達(dá)式按beanName從spring容器中獲取
key-resolver: "#{@pathKeyResolver}"
- StripPrefix=1
redis:
host: 127.0.0.1
port: 6379我們使用請求的路徑作為限流的鍵，編寫對應(yīng)的解析器：
@Slf4j
@Component
public class PathKeyResolver implements KeyResolver {
public Mono<String> resolve(ServerWebExchange exchange) {
String path = exchange.getRequest().getPath().toString();
log.info("Request path: {}",path);
return Mono.just(path);
}
}啟動gateway，使用jmeter進(jìn)行測試，設(shè)置請求間隔為500ms，因?yàn)槊棵肷梢粋€令牌，所以后期達(dá)到了每兩個請求放行1個的限流效果，在被限流的情況下，http請求會返回429狀態(tài)碼。
除了上面的根據(jù)請求路徑限流外，我們還可以靈活設(shè)置各種限流的維度，例如根據(jù)請求header中攜帶的用戶信息、或是攜帶的參數(shù)等等。當(dāng)然，如果不想用gateway自帶的這個Redis的限流器的話，我們也可以自己實(shí)現(xiàn)RateLimiter接口來實(shí)現(xiàn)一個自己的限流工具。
gateway實(shí)現(xiàn)限流的關(guān)鍵是spring-cloud-gateway-core包中的RedisRateLimiter類，以及META-INF/scripts中的request-rate-limiter.lua這個腳本，如果有興趣可以看一下具體是如何實(shí)現(xiàn)的。
總結(jié)
總的來說，要保證系統(tǒng)的抗壓能力，限流是一個必不可少的環(huán)節(jié)，雖然可能會造成某些用戶的請求被丟棄，但相比于突發(fā)流量造成的系統(tǒng)宕機(jī)來說，這些損失一般都在可以接受的范圍之內(nèi)。前面也說過，限流可以結(jié)合熔斷、降級一起使用，多管齊下，保證服務(wù)的可用性與健壯性。
