服務限流，是指通過控制請求的速率或次數(shù)來達到保護服務的目的，在微服務中，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)造成負荷，來達到保護服務平穩(wěn)運行的目的。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)維護一個計數(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)，以達到限流的效果。

算法實現(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，當請求進入時先比較當前時間是否超過窗口上邊界，未越界且未超過計數(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;

    // 當前窗口通過的請求計數(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");
        }else{
            System.out.println("被限流");
            TimeUnit.MILLISECONDS.sleep(300);
        }
    }
}

運行結(jié)果：

固定窗口算法的優(yōu)點是實現(xiàn)簡單，但是可能無法應對突發(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致后端服務出現(xiàn)異常。

滑動窗口算法

滑動窗口算法在固定窗口的基礎上，進行了一定的升級改造。它的算法的核心在于將時間窗口進行了更精細的分片，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)都維護了單獨的計數(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，當時間窗口內(nèi)所有小時間塊的計數(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)使用來維護每個時間片內(nèi)獨立的計數(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)請求計數(shù)
    private int[] shardRequestCount;
    // 請求總數(shù)
    private int totalCount;
    // 當前窗口下標
    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;
        }
    }

}

進行一下測試，對第一個例子中的規(guī)則進行修改，每1秒允許100個請求通過不變，在此基礎上再把每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");
        }else{
            System.out.println("被限流");
        }
        TimeUnit.MILLISECONDS.sleep(10);
    }
}

查看運行結(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行分片，對流量的控制更加精細化，但是相應的也會浪費一些存儲空間，用來維護每一塊時間內(nèi)的單獨計數(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)一點的詞來說，漏桶算法能夠進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，而當水超過桶的最大容量后則被丟棄。

看一下代碼實現(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，重新開始計算
        if (water.get()==0){
            log.info("start leaking");
            leakTimeStamp = System.currentTimeMillis();
            water.incrementAndGet();
            return water.get() < capacity;
        }

        // 先漏水，計算剩余水量
        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;
        }
    }
}

進行一下測試，先初始化一個漏桶，設置桶的容量為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");
        }else {
            System.out.println("被限流");
        }
        TimeUnit.MILLISECONDS.sleep(500);
    }
}

查看運行結(jié)果，按規(guī)則進行了放行：

但是，漏桶算法同樣也有缺點，不管當前系統(tǒng)的負載壓力如何，所有請求都得進行排隊，即使此時服務器的負載處于相對空閑的狀態(tài)，這樣會造成系統(tǒng)資源的浪費。由于漏桶的缺陷比較明顯，所以在實際業(yè)務場景中，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，主要在于令牌桶算法能夠在限制服務調(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)，擴大了請求的速率。當然，這里要設置桶容量的上限，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>

進行測試，設置每秒產(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能夠很好的實現(xiàn)單機的限流。

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中引入了一個預消費的概念。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時間。

如果一個消耗大量令牌的任務到達空閑的RateLimiter，會被立即批準執(zhí)行，但是當下一個請求進來時，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，那么白白等待100秒是毫無意義的浪費資源行為，那么可以先允許它執(zhí)行，并對后續(xù)請求進行限流時間上的延長，以此來達到一個應對突發(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還具有平滑預熱功能，下面的代碼就實現(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秒后達到了200ms左右的勻速發(fā)放。

總的來說，基于令牌桶實現(xiàn)的RateLimiter功能還是非常強大的，在限流的基礎上還可以把請求平均分散在各個時間段內(nèi)，因此在單機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進行限流，而在分布式、微服務架構(gòu)下，可以借助一些中間件進行限。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1時進行限流：

@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就可以看見我們設置的流控規(guī)則：

進行接口測試，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，成為有效應對三高系統(tǒng)的三板斧，來保證服務的穩(wěn)定性。

網(wǎng)關限流

網(wǎng)關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組件進行限流的方式。

在項目中引入依賴，gateway的限流實際使用的是Redis加lua腳本的方式實現(xiàn)的令牌桶，因此還需要引入redis的相關依賴：

<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進行測試，設置請求間隔為500ms，因為每秒生成一個令牌，所以后期達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，我們也可以自己實現(xiàn)RateLimiter接口來實現(xiàn)一個自己的限流工具。

gateway實現(xiàn)限流的關鍵是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，保證服務的可用性與健壯性。文章來源地址http://www.zghlxwxcb.cn/news/detail-498932.html

到了這里，關于服務限流的六種方式的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關文章，希望大家以后多多支持TOY模板網(wǎng)！