面試官:來,年輕人!請手擼5種常見限流演算法!
阿新 • • 發佈:2021-01-09
1. **瞬時流量過高,服務被壓垮?**
2. **惡意使用者高頻光顧,導致伺服器宕機?**
3. **訊息消費過快,導致資料庫壓力過大,效能下降甚至崩潰?**
......
在高併發系統中,出於系統保護角度考慮,通常會對流量進行限流;不但在工作中要頻繁使用,而且也是面試中的高頻考點。
今天我們將圖文並茂地對常見的限流演算法分別進行介紹,通過各個演算法的特點,給出限流演算法選型的一些建議,並給出Java語言實現的程式碼示例。
# 01 固定視窗
固定視窗又稱固定視窗(又稱計數器演算法,Fixed Window)限流演算法,是最簡單的限流演算法,通過在單位時間內維護的計數器來控制該時間單位內的最大訪問量。
假設限制每分鐘請求量不超過60,設定一個計數器,當請求到達時如果計數器到達閾值,則拒絕請求,否則計數器加1;每分鐘重置計數器為0。程式碼實現如下:
```java
public class CounterRateLimiter extends MyRateLimiter {
/**
* 每秒限制請求數
*/
private final long permitsPerSecond;
/**
* 上一個視窗的開始時間
*/
public long timestamp = System.currentTimeMillis();
/**
* 計數器
*/
private int counter;
public CounterRateLimiter(long permitsPerSecond) {
this.permitsPerSecond = permitsPerSecond;
}
@Override
public synchronized boolean tryAcquire() {
long now = System.currentTimeMillis();
// 視窗內請求數量小於閾值,更新計數放行,否則拒絕請求
if (now - timestamp < 1000) {
if (counter < permitsPerSecond) {
counter++;
return true;
} else {
return false;
}
}
// 時間視窗過期,重置計數器和時間戳
counter = 0;
timestamp = now;
return true;
}
}
```
固定視窗最大的優點在於**易於實現**;並且**記憶體佔用小**,我們只需要儲存時間視窗中的計數即可;它能夠確保處理更多的最新請求,不會因為舊請求的堆積導致新請求被餓死。當然也面臨著**臨界問題**,當兩個視窗交界處,瞬時流量可能為2n。
![](https://source.mycookies.cn/ce661a997bb4b02df337ac567b0576e9.jpg)
# 02 滑動視窗
為了防止瞬時流量,可以把固定視窗近一步劃分成多個格子,每次向後移動一小格,而不是固定視窗大小,這就是滑動視窗(Sliding Window)。
比如每分鐘可以分為6個10秒中的單元格,每個格子中分別維護一個計數器,視窗每次向前滑動一個單元格。每當請求到達時,只要視窗中所有單元格的計數總和不超過閾值都可以放行。TCP協議中資料包的傳輸,同樣也是採用滑動視窗來進行流量控制。
![](https://source.mycookies.cn/e64330ae253268e600f9c839a8468254.jpg)
實現如下:
```java
public class SlidingWindowRateLimiter extends MyRateLimiter {
/**
* 每分鐘限制請求數
*/
private final long permitsPerMinute;
/**
* 計數器, k-為當前視窗的開始時間值秒,value為當前視窗的計數
*/
private final TreeMap counters;
public SlidingWindowRateLimiter(long permitsPerMinute) {
this.permitsPerMinute = permitsPerMinute;
this.counters = new TreeMap<>();
}
@Override
public synchronized boolean tryAcquire() {
// 獲取當前時間的所在的子視窗值; 10s一個視窗
long currentWindowTime = LocalDateTime.now().toEpochSecond(ZoneOffset.UTC) / 10 * 10;
// 獲取當前視窗的請求總量
int currentWindowCount = getCurrentWindowCount(currentWindowTime);
if (currentWindowCount >= permitsPerMinute) {
return false;
}
// 計數器 + 1
counters.merge(currentWindowTime, 1, Integer::sum);
return true;
}
/**
* 獲取當前視窗中的所有請求數(並刪除所有無效的子視窗計數器)
*
* @param currentWindowTime 當前子視窗時間
* @return 當前視窗中的計數
*/
private int getCurrentWindowCount(long currentWindowTime) {
// 計算出視窗的開始位置時間
long startTime = currentWindowTime - 50;
int result = 0;
// 遍歷當前儲存的計數器,刪除無效的子視窗計數器,並累加當前視窗中的所有計數器之和
Iterator> iterator = counters.entrySet().iterator();
while (iterator.hasNext()) {
Map.Entry entry = iterator.next();
if (entry.getKey() < startTime) {
iterator.remove();
} else {
result += entry.getValue();
}
}
return result;
}
}
```
滑動視窗解決了計數器中的瞬時流量高峰問題,其實計數器演算法也是滑動視窗的一種,只不過視窗沒有進行更細粒度單元的劃分。對比計數器可見,當視窗劃分的粒度越細,則流量控制更加精準和嚴格。
不過當視窗中流量到達閾值時,流量會瞬間切斷,在實際應用中我們要的限流效果往往不是把流量一下子掐斷,而是讓流量平滑地進入系統當中。
# 03 漏桶演算法
如何更加平滑的限流?不妨看看漏桶演算法(Leaky Bucket),請求就像水一樣以任意速度注入漏桶,而桶會按照固定的速率將水漏掉;當注入速度持續大於漏出的速度時,漏桶會變滿,此時新進入的請求將會被丟棄。**限流**和**整形**是漏桶演算法的兩個核心能力。
![](https://source.mycookies.cn/118aff99537fa5540c283747db3efa83.jpg)
實現如下:
```java
public class LeakyBucketRateLimiter extends MyRateLimiter {
// 桶的容量
private final int capacity;
// 漏出速率
private final int permitsPerSecond;
// 剩餘水量
private long leftWater;
// 上次注入時間
private long timeStamp = System.currentTimeMillis();
public LeakyBucketRateLimiter(int permitsPerSecond, int capacity) {
this.capacity = capacity;
this.permitsPerSecond = permitsPerSecond;
}
@Override
public synchronized boolean tryAcquire() {
//1. 計算剩餘水量
long now = System.currentTimeMillis();
long timeGap = (now - timeStamp) / 1000;
leftWater = Math.max(0, leftWater - timeGap * permitsPerSecond);
timeStamp = now;
// 如果未滿,則放行;否則限流
if (leftWater < capacity) {
leftWater += 1;
return true;
}
return false;
}
}
```
這並不是一個完整的漏桶演算法的實現,以上程式碼中只是對流量是否會被拋棄進行校驗,即tryAcquire返回true表示漏桶未滿,否則表示漏桶已滿丟棄請求。
想要以恆定的速率漏出流量,通常還應配合一個FIFO佇列來實現,當tryAcquire返回true時,將請求入隊,然後再以固定頻率從佇列中取出請求進行處理。示例程式碼如下:
```java
@Test
public void testLeakyBucketRateLimiter() throws InterruptedException {
ScheduledExecutorService scheduledExecutorService = Executors.newSingleThreadScheduledExecutor();
ExecutorService singleThread = Executors.newSingleThreadExecutor();
LeakyBucketRateLimiter rateLimiter = new LeakyBucketRateLimiter(20, 20);
// 儲存流量的佇列
Queue queue = new LinkedList<>();
// 模擬請求 不確定速率注水
singleThread.execute(() -> {
int count = 0;
while (true) {
count++;
boolean flag = rateLimiter.tryAcquire();
if (flag) {
queue.offer(count);
System.out.println(count + "--------流量被放行--------");
} else {
System.out.println(count + "流量被限制");
}
try {
Thread.sleep((long) (Math.random() * 1000));
} catch (InterruptedException e) {
e.printStackTrace();
}
}
});
// 模擬處理請求 固定速率漏水
scheduledExecutorService.scheduleAtFixedRate(() -> {
if (!queue.isEmpty()) {
System.out.println(queue.poll() + "被處理");
}
}, 0, 100, TimeUnit.MILLISECONDS);
// 保證主執行緒不會退出
while (true) {
Thread.sleep(10000);
}
}
```
漏桶演算法存在目的主要是用來**平滑突發的流量**,提供一種機制來確保網路中的突發流量被整合成平滑穩定的額流量。
不過由於漏桶對流量的控制過於嚴格,在有些場景下**不能充分使用系統資源**,因為漏桶的漏出速率是固定的,即使在某一時刻下游能夠處理更大的流量,漏桶也不允許突發流量通過。
# 04 令牌桶
如何在夠限制流量速率的前提下,又能夠允許突發流量呢?令牌桶演算法瞭解一下!令牌桶演算法是以恆定速率向令牌桶傳送令牌,請求到達時,嘗試從令牌桶中拿令牌,只有拿到令牌才能夠放行,否則將會被拒絕。
令牌桶具有以下特點:
1. 以恆定的速率發放令牌,假設限流速率為v/s,則表示每1/v秒發放一個令牌
2. 假設令牌桶容量是b,如果令牌桶已滿,則新的令牌會被丟棄
3. 請求能夠通過限流器的前提是令牌桶中有令牌
令牌桶演算法中值得關注的引數有兩個,即限流速率v/s,和令牌桶容量b;速率a表示限流器一般情況下的限流速率,而b則是burst的簡寫,表示限流器允許的最大突發流量。
比如b=10,當令牌桶滿的時候有10個可用令牌,此時允許10個請求同時通過限流器(**允許流量一定程度的突發**),這10個請求瞬間消耗完令牌後,後續的流量只能按照速率r通過限流器。
實現如下:
```java
public class TokenBucketRateLimiter extends MyRateLimiter {
/**
* 令牌桶的容量「限流器允許的最大突發流量」
*/
private final long capacity;
/**
* 令牌發放速率
*/
private final long generatedPerSeconds;
/**
* 最後一個令牌發放的時間
*/
long lastTokenTime = System.currentTimeMillis();
/**
* 當前令牌數量
*/
private long currentTokens;
public TokenBucketRateLimiter(long generatedPerSeconds, int capacity) {
this.generatedPerSeconds = generatedPerSeconds;
this.capacity = capacity;
}
/**
* 嘗試獲取令牌
*
* @return true表示獲取到令牌,放行;否則為限流
*/
@Override
public synchronized boolean tryAcquire() {
/**
* 計算令牌當前數量
* 請求時間在最後令牌是產生時間相差大於等於額1s(為啥時1s?因為生成令牌的最小時間單位時s),則
* 1. 重新計算令牌桶中的令牌數
* 2. 將最後一個令牌發放時間重置為當前時間
*/
long now = System.currentTimeMillis();
if (now - lastTokenTime > = 1000) {
long newPermits = (now - lastTokenTime) / 1000 * generatedPerSeconds;
currentTokens = Math.min(currentTokens + newPermits, capacity);
lastTokenTime = now;
}
if (currentTokens > 0) {
currentTokens--;
return true;
}
return false;
}
}
```
需要主意的是,非常容易被想到的實現是生產者消費者模式;用一個生產者執行緒定時向阻塞佇列中新增令牌,而試圖通過限流器的執行緒則作為消費者執行緒,只有從阻塞佇列中獲取到令牌,才允許通過限流器。
由於**執行緒排程的不確定性**,在高併發場景時,定時器誤差非常大,同時定時器本身會建立排程執行緒,也會對**系統的效能**產生影響。
# 05 滑動日誌
滑動日誌是一個比較“冷門”,但是確實好用的限流演算法。滑動日誌限速演算法需要記錄請求的時間戳,通常使用**有序集合**來儲存,我們可以在單個有序集合中跟蹤使用者在一個時間段內所有的請求。
假設我們要限制給定T時間內的請求不超過N,我們只需要儲存最近T時間之內的請求日誌,每當請求到來時判斷最近T時間內的請求總數是否超過閾值。
![](https://source.mycookies.cn/b61b924418cc50f07e8dc22569dff946.jpg)
實現如下:
```java
public class SlidingLogRateLimiter extends MyRateLimiter {
/**
* 每分鐘限制請求數
*/
private static final long PERMITS_PER_MINUTE = 60;
/**
* 請求日誌計數器, k-為請求的時間(秒),value當前時間的請求數量
*/
private final TreeMap requestLogCountMap = new TreeMap<>();
@Override
public synchronized boolean tryAcquire() {
// 最小時間粒度為s
long currentTimestamp = LocalDateTime.now().toEpochSecond(ZoneOffset.UTC);
// 獲取當前視窗的請求總數
int currentWindowCount = getCurrentWindowCount(currentTimestamp);
if (currentWindowCount >= PERMITS_PER_MINUTE) {
return false;
}
// 請求成功,將當前請求日誌加入到日誌中
requestLogCountMap.merge(currentTimestamp, 1, Integer::sum);
return true;
}
/**
* 統計當前時間視窗內的請求數
*
* @param currentTime 當前時間
* @return -
*/
private int getCurrentWindowCount(long currentTime) {
// 計算出視窗的開始位置時間
long startTime = currentTime - 59;
// 遍歷當前儲存的計數器,刪除無效的子視窗計數器,並累加當前視窗中的所有計數器之和
return requestLogCountMap.entrySet()
.stream()
.filter(entry -> entry.getKey() >= startTime)
.mapToInt(Map.Entry::getValue)
.sum();
}
}
```
滑動日誌能夠避免突發流量,實現較為精準的限流;同樣**更加靈活,能夠支援更加複雜的限流策略**,如多級限流,每分鐘不超過100次,每小時不超過300次,每天不超過1000次,我們只需要儲存最近24小時所有的請求日誌即可實現。
靈活並不是沒有代價的,帶來的缺點就是**佔用儲存空間要高於其他限流演算法**。
# 06 分散式限流
以上幾種限流演算法的實現都僅適合單機限流。雖然給每臺機器平均分配限流配額可以達到限流的目的,但是由於機器效能,流量分佈不均以及計算數量動態變化等問題,單機限流在分散式場景中的效果總是差強人意。
分散式限流最簡單的實現就是利用中心化儲存,即將單機限流儲存在本地的資料儲存到同一個儲存空間中,如常見的Redis等。
![](https://source.mycookies.cn/9fab6c78c24591cf0302d07336d4d943.jpg)
當然也可以從上層流量入口進行限流,Nginx代理服務就提供了限流模組,同樣能夠實現高效能,精準的限流,其底層是漏桶演算法。
![](https://source.mycookies.cn/e4ea7049b473909f26758f3b0a543b50.jpg)
# 07 總結
1. 固定視窗演算法實現簡單,效能高,但是會有臨界突發流量問題,瞬時流量最大可以達到閾值的2倍。
2. 為了解決臨界突發流量,可以將視窗劃分為多個更細粒度的單元,每次視窗向右移動一個單元,於是便有了滑動視窗演算法。
滑動視窗當流量到達閾值時會瞬間掐斷流量,所以導致流量不夠平滑。
3. 想要達到限流的目的,又不會掐斷流量,使得流量更加平滑?可以考慮漏桶演算法!需要注意的是,漏桶演算法通常配置一個FIFO的佇列使用以達到允許限流的作用。
由於速率固定,即使在某個時刻下游處理能力過剩,也不能得到很好的利用,這是漏桶演算法的一個短板。
4. 限流和瞬時流量其實並不矛盾,在大多數場景中,短時間突發流量系統是完全可以接受的。令牌桶演算法就是不二之選了,令牌桶以固定的速率v產生令牌放入一個固定容量為n的桶中,當請求到達時嘗試從桶中獲取令牌。
當桶滿時,允許最大瞬時流量為n;當桶中沒有剩餘流量時則限流速率最低,為令牌生成的速率v。
5. 如何實現更加靈活的多級限流呢?滑動日誌限流演算法瞭解一下!這裡的日誌則是請求的時間戳,通過計算制定時間段內請求總數來實現靈活的限流。
當然,由於需要儲存時間戳資訊,其佔用的儲存空間要比其他限流演算法要大得多。
不管黑貓白貓,能抓到老鼠的就是好貓。限流演算法並沒有絕對的好劣之分,如何選擇合適的限流演算法呢?不妨從效能,**是否允許超出閾值**,**落地成本**,**流量平滑度**,**是否允許突發流量**以及**系統資源**大小限制多方面考慮。
當然,市面上也有比較成熟的限流工具和框架。如Google出品的**Guava**中基於令牌桶實現的限流元件,拿來即用;以及alibaba開源的面向分散式服務架構的流量控制框架**Sentinel**更會讓你愛不釋手,它是基於滑動視窗實現的。
> 看後點贊,養成習慣!本次分享就到這裡,我們下期見!
![img](http://source.mycookies.cn/202002212337_444.png?ERROR)