你所不知道的限流
在系統架構設計當中，限流是一個不得不說的話題，因為他太不起眼，但是也太重要了。這點有些像古代鎮守邊陲的將士，據守隘口，抵擋住外族的千軍萬馬，一旦隘口失守，各種饕餮湧入城內，勢必將我們苦心經營的朝堂廟店洗劫一空，之前的所有努力都付之一炬。所以今天我們點了這個話題，一方面是要對限流做下總結，另一方面，拋磚引玉，看看大家各自的系統中，限流是怎麼做的。
提到限流，映入腦海的肯定是限制流量四個字，其重點在於如何限。而且這個限，還分為單機限和分散式限，單機限流，顧名思義，就是對部署了應用的docker機或者物理機，進行流量控制，以使得流量的湧入呈現可控的態勢，防止過大過快的流量湧入造成應用的效能問題，甚至於失去響應。分散式限流，則是對叢集的流量限制，一般這類應用的流量限制集中在一個地方來進行，比如redis，zk或者其他的能夠支援分散式限流的元件中。這樣當流量過大過快的時候，不至於因為叢集中的一臺機器被壓垮而帶來雪崩效應，造成叢集應用整體坍塌。
下面我們來細數一下各種限流操作。
1. 基於計數器的單機限流
此類限流，一般是通過應用中的計數器來進行流量限制操作。計數器可以用Integer型別的變數，也可以用Java自帶的AtomicLong來實現。原理就是設定一個計數器的閾值，每當有流量進入的時候，將計數器遞增，當達到閾值的時候，後續的請求將會直接被拋棄。程式碼實現如下：
//限流計數器
private static AtomicLong counter = new AtomicLong();
//限流閾值
private static final long counterMax = 500;
//業務處理方法
public void invoke(Request request) {
try {
//請求過濾
if (counter.incrementAndGet() > counterMax) {
return;
}
//業務邏輯
doBusiness(request);
} catch (Exception e) {
//錯誤處理
doException(request,e);
} finally {
counter.decrementAndGet();
}
}
上面的程式碼就是一個簡單的基於計數器實現的單機限流。程式碼簡單易行，操作方便，而且可以帶來不錯的效果。但是缺點也很明顯，那就是先來的流量一般都能打進來，後來的流量基本上都會被拒絕。每個請求被執行的概率其實是不一樣的，這樣就使得早來的使用者反而獲取不到執行機會，晚來的使用者反而有被執行的可能。
所以總結一下此種限流優缺點：
優點：程式碼簡潔，操作方便
缺點：先到先得，先到的請求可執行概率為100%，後到的請求可執行概率小一些，每個請求獲得執行的機會是不平等的。
那麼，如果想讓每個請求獲得執行的機會是平等的話，該怎麼做呢？
2. 基於隨機數的單機限流
此種限流演算法，使得請求可被執行的概率是一致的，所以相對於基於計數器實現的限流說來，對使用者更加的友好一些。程式碼如下：
//獲取隨機數 private static ThreadLocalRandom ptgGenerator = ThreadLocalRandom.current(); //限流百分比，允許多少流量通過此業務，這裡限定為10% private static final long ptgGuarder = 10; //業務處理方法 public void invoke(Request request) { try { //請求進入，獲取百分比 int currentPercentage = ptgGenerator.nextInt(1, 100); if (currentPercentage <= ptgGuarder) { //業務處理 doBusiness(request); } else { return; } } catch (Exception e) { //錯誤處理 doException(request, e); } }
從上面程式碼可以看出來，針對每個請求，都會先獲取一個隨機的1~100的執行率，然後和當前限流閾值（比如當前介面只允許10%的流量通過）相比，如果小於此限流閾值，則放行；如果大於此限流閾值，則直接返回，不做任何處理。和之前的計數器限流比起來，每個請求獲得執行的概率是一致的。當然，在真正的業務場景中，使用者可以通過動態配置化閾值引數，來控制每分鐘通過的流量百分比，或者是每小時通過的流量百分比。但是如果對於突增的高流量，此種方法則有點問題，因為高併發下，每個請求之間進入的時間很短暫，導致nextInt生成的值，大概率是重複的，所以這裡需要做的一個優化點，就是為其尋找合適的seed，用於優化nextInt生成的值。
優點：程式碼簡潔，操作簡便，每個請求可執行的機會是平等的。
缺點：不適合應用突增的流量。
3. 基於時間段的單機限流
有時候，我們的應用只想在單位時間內放固定的流量進來，比如一秒鐘內只允許放進來100個請求，其他的請求拋棄。那麼這裡的做法有很多，可以基於計數器限流實現，然後判斷時間，但是此種做法稍顯複雜，可控性不是特別好。
那麼這裡我們就要用到快取元件來實現了。原理是這樣的，首先請求進來，在guava中設定一個key，此key就是當前的秒數，秒數的值就是放進來的請求累加數，如果此累加數到100了，則拒絕後續請求即可。程式碼如下：
//獲取guava例項
private static LoadingCache<Long, AtomicLong> guava = CacheBuilder.newBuilder()
.expireAfterWrite(5, TimeUnit.SECONDS)
.build(new CacheLoader<Long, AtomicLong>() {
@Override
public AtomicLong load(Long seconds) throws Exception {
return null;
}
});
//每秒允許通過的請求數
private static final long requestsPerSecond = 100;
//業務處理方法
public void invoke(Request request) {
try {
//guava key
long guavaKey = System.currentTimeMillis() / 1000;
//請求累加數
long guavaVal = guava.get(guavaKey).incrementAndGet();
if (guavaVal <= requestsPerSecond) {
//業務處理
doBusiness(request);
} else {
return;
}
} catch (Exception e) {
//錯誤處理
doException(request, e);
}
}
從上面的程式碼中可以看到，我們巧妙的利用了快取元件的特性來實現。每當有請求進來，快取元件中的key值累加，到達閾值則拒絕後續請求，這樣很方便的實現了時間段限流的效果。雖然例子中給的是按照秒來限流的實現，我們可以在此基礎上更改為按照分鐘或者按照小時來實現的方案。
優點：操作簡單，可靠性強
缺點：突增的流量，會導致每個請求都會訪問guava，由於guava是堆內記憶體實現，勢必會對效能有一點點影響。其實如果怕限流影響到其他記憶體計算，我們可以將此限流操作用堆外記憶體元件來實現，比如利用OHC或者mapdb等。也是比較好的備選方案。
4. 基於漏桶演算法的單機限流
所謂漏桶( ofollow,noindex" target="_blank">Leaky bucket )，則是指，有一個盛水的池子，然後有一個進水口，有一個出水口，進水口的水流可大可小，但是出水口的水流是恆定的。下圖圖示可以顯示的更加清晰：
從圖中我們可以看到，水龍頭相當於各端的流量，進入到漏桶中，當流量很小的時候，漏桶可以承載這種流量，出水口按照恆定的速度出水，水不會溢位來。當流量開始增大的時候，漏桶中的出水速度趕不上進水速度，那麼漏桶中的水位一直在上漲。當流量再大，則漏桶中的水過滿則溢。
由於目前很多MQ，比如rabbitmq等，都屬於漏桶演算法原理的具體實現，請求過來先入queue佇列，佇列滿了拋棄多餘請求，之後consumer端勻速消費佇列裡面的資料。所以這裡不再貼多餘的程式碼。
優點：流量控制效果不錯
缺點：不能夠很好的應付突增的流量。適合保護效能較弱的系統，但是不適合效能較強的系統。如果效能較強的系統能夠應對這種突增的流量的話，那麼漏桶演算法是不合適的。
5. 基於令牌桶演算法的單機限流
所謂令牌桶( Token Bucket )，則是指，請求過來的時候，先去令牌桶裡面申請令牌，申請到令牌之後，才能去進行業務處理。如果沒有申請到令牌，則操作終止。具體說明如下圖：
由於生成令牌的流量是恆定的，面對突增流量的時候，桶裡有足夠令牌的情況下，突增流量可以快速的獲取到令牌，然後進行處理。從這裡可以看出令牌桶對於突增流量的處理是容許的。
由於目前guava元件中已經有了對令牌桶的具體實現類：RateLimiter， 所以我們可以藉助此類來實現我們的令牌桶限流。程式碼如下：
//指定每秒放1個令牌
private static RateLimiter limiter = RateLimiter.create(1);
//令牌獲取超時時間
private static final long acquireTimeout = 1000;
//業務處理方法
public void invoke(Request request) {
try {
//拿到令牌則進行業務處理
if (limiter.tryAcquire(acquireTimeout, TimeUnit.MILLISECONDS)) {
//業務處理
doBusiness(request);
}
//拿不到令牌則退出
else {
return;
}
} catch (Exception e) {
//錯誤處理
doException(request, e);
}
}
從上面程式碼我們可以看到，一秒生成一個令牌，那麼我們的介面限定為一秒處理一個請求，如果感覺介面效能可以達到1000tps單機，那麼我們可以適當的放大令牌桶中的令牌數量，比如800，那麼當突增流量過來，會直接拿到令牌然後進行業務處理。但是當令牌桶中的令牌消費完畢之後，那麼請求就會被阻塞，直到下一秒另一批800個令牌生成出來，請求才開始繼續進行處理。
所以利用令牌桶的優缺點就很明顯了：
有點：使用簡單，有成熟元件
缺點：適合單機限流，不適合分散式限流。
6. 基於redis lua的分散式限流
由於上面5中限流方式都是單機限流，但是在實際應用中，很多時候我們不僅要做單機限流，還要做分散式限流操作。由於目前做分散式限流的方法非常多，我就不再一一贅述了。我們今天用到的分散式限流方法，是redis+lua來實現的。
為什麼用redis+lua來實現呢？原因有兩個：
其一：redis的效能很好，處理能力強，且容災能力也不錯。
其二：一個lua指令碼在redis中就是一個原子性操作，可以保證資料的正確性。
由於要做限流，那麼肯定有key來記錄限流的累加數，此key可以隨著時間進行任意變動。而且key需要設定過期引數，防止無效資料過多而導致redis效能問題。
來看看lua程式碼：
--限流的key
local key = 'limitkey'..KEYS[1]
--累加請求數
local val = tonumber(redis.call('get', key) or 0)
--限流閾值
local threshold = tonumber(ARGV[1])
ifval>threshold then
--請求被限
return 0
else
--遞增請求數
redis.call('INCRBY', key, "1")
--5秒後過期
redis.call('expire', key, 5)
--請求通過
return 1
end
之後就是直接呼叫使用，然後根據返回內容為0還是1來判定業務邏輯能不能走下去就行了。這樣可以通過此程式碼段來控制整個叢集的流量，從而避免出現雪崩效應。當然此方案的解決方式也可以利用zk來進行，由於zk的強一致性保證，不失為另一種好的解決方案，但是由於zk的效能沒有redis好，所以如果在意效能的話，還是用redis吧。
優點：叢集整體流量控制，防止雪崩效應
缺點：需要引入額外的redis元件，且要求redis支援lua指令碼。
總結
通過以上6種限流方式的講解，主要是想起到拋磚引玉的作用，期待大家更好更優的解決方法。
以上程式碼都是虛擬碼，使用的時候請進行線上驗證，否則帶來了副作用的話，就得不償失了。