[[273022]]

一、限流的作用

由于API接口無(wú)法控制調(diào)用方的行為，因此當(dāng)遇到瞬時(shí)請(qǐng)求量激增時(shí)，會(huì)導(dǎo)致接口占用過(guò)多服務(wù)器資源，使得其他請(qǐng)求響應(yīng)速度降低或是超時(shí)，更有甚者可能導(dǎo)致服務(wù)器宕機(jī)。

限流(Rate limiting)指對(duì)應(yīng)用服務(wù)的請(qǐng)求進(jìn)行限制，例如某一接口的請(qǐng)求限制為100個(gè)每秒,對(duì)超過(guò)限制的請(qǐng)求則進(jìn)行快速失敗或丟棄。

限流可以應(yīng)對(duì)：

• 熱點(diǎn)業(yè)務(wù)帶來(lái)的突發(fā)請(qǐng)求;
• 調(diào)用方bug導(dǎo)致的突發(fā)請(qǐng)求;
• 惡意攻擊請(qǐng)求。

因此，對(duì)于公開的接口應(yīng)該采取限流措施。

二、為什么要分布式限流

當(dāng)應(yīng)用為單點(diǎn)應(yīng)用時(shí)，只要應(yīng)用進(jìn)行了限流，那么應(yīng)用所依賴的各種服務(wù)也都得到了保護(hù)。

但線上業(yè)務(wù)出于各種原因考慮，多是分布式系統(tǒng)，單節(jié)點(diǎn)的限流僅能保護(hù)自身節(jié)點(diǎn)，但無(wú)法保護(hù)應(yīng)用依賴的各種服務(wù)，并且在進(jìn)行節(jié)點(diǎn)擴(kuò)容、縮容時(shí)也無(wú)法準(zhǔn)確控制整個(gè)服務(wù)的請(qǐng)求限制。

而如果實(shí)現(xiàn)了分布式限流，那么就可以方便地控制整個(gè)服務(wù)集群的請(qǐng)求限制，且由于整個(gè)集群的請(qǐng)求數(shù)量得到了限制，因此服務(wù)依賴的各種資源也得到了限流的保護(hù)。

三、限流的算法

實(shí)現(xiàn)限流有很多辦法，在程序中時(shí)通常是根據(jù)每秒處理的事務(wù)數(shù)(Transaction per second)來(lái)衡量接口的流量。

本文介紹幾種常用的限流算法：

• 固定窗口計(jì)數(shù)器;
• 滑動(dòng)窗口計(jì)數(shù)器;
• 漏桶;
• 令牌桶。

1、固定窗口計(jì)數(shù)器算法

固定窗口計(jì)數(shù)器算法概念如下：

• 將時(shí)間劃分為多個(gè)窗口;
• 在每個(gè)窗口內(nèi)每有一次請(qǐng)求就將計(jì)數(shù)器加一;
• 如果計(jì)數(shù)器超過(guò)了限制數(shù)量，則本窗口內(nèi)所有的請(qǐng)求都被丟棄當(dāng)時(shí)間到達(dá)下一個(gè)窗口時(shí)，計(jì)數(shù)器重置。

固定窗口計(jì)數(shù)器是最為簡(jiǎn)單的算法，但這個(gè)算法有時(shí)會(huì)讓通過(guò)請(qǐng)求量允許為限制的兩倍?？紤]如下情況：限制1秒內(nèi)最多通過(guò)5個(gè)請(qǐng)求，在第一個(gè)窗口的最后半秒內(nèi)通過(guò)了5個(gè)請(qǐng)求，第二個(gè)窗口的前半秒內(nèi)又通過(guò)了5個(gè)請(qǐng)求。這樣看來(lái)就是在1秒內(nèi)通過(guò)了10個(gè)請(qǐng)求。

2、滑動(dòng)窗口計(jì)數(shù)器算法

滑動(dòng)窗口計(jì)數(shù)器算法概念如下：

• 將時(shí)間劃分為多個(gè)區(qū)間;
• 在每個(gè)區(qū)間內(nèi)每有一次請(qǐng)求就將計(jì)數(shù)器加一維持一個(gè)時(shí)間窗口，占據(jù)多個(gè)區(qū)間;
• 每經(jīng)過(guò)一個(gè)區(qū)間的時(shí)間，則拋棄最老的一個(gè)區(qū)間，并納入最新的一個(gè)區(qū)間;
• 如果當(dāng)前窗口內(nèi)區(qū)間的請(qǐng)求計(jì)數(shù)總和超過(guò)了限制數(shù)量，則本窗口內(nèi)所有的請(qǐng)求都被丟棄。

滑動(dòng)窗口計(jì)數(shù)器是通過(guò)將窗口再細(xì)分，并且按照時(shí)間"滑動(dòng)"，這種算法避免了固定窗口計(jì)數(shù)器帶來(lái)的雙倍突發(fā)請(qǐng)求，但時(shí)間區(qū)間的精度越高，算法所需的空間容量就越大。

3、漏桶算法

漏桶算法概念如下：

將每個(gè)請(qǐng)求視作"水滴"放入"漏桶"進(jìn)行存儲(chǔ);

"漏桶"以固定速率向外"漏"出請(qǐng)求來(lái)執(zhí)行如果"漏桶"空了則停止"漏水";

如果"漏桶"滿了則多余的"水滴"會(huì)被直接丟棄。

漏桶算法多使用隊(duì)列實(shí)現(xiàn)，服務(wù)的請(qǐng)求會(huì)存到隊(duì)列中，服務(wù)的提供方則按照固定的速率從隊(duì)列中取出請(qǐng)求并執(zhí)行，過(guò)多的請(qǐng)求則放在隊(duì)列中排隊(duì)或直接拒絕。

漏桶算法的缺陷也很明顯，當(dāng)短時(shí)間內(nèi)有大量的突發(fā)請(qǐng)求時(shí)，即便此時(shí)服務(wù)器沒(méi)有任何負(fù)載，每個(gè)請(qǐng)求也都得在隊(duì)列中等待一段時(shí)間才能被響應(yīng)。

4、令牌桶算法

令牌桶算法概念如下：

• 令牌以固定速率生成;
• 生成的令牌放入令牌桶中存放，如果令牌桶滿了則多余的令牌會(huì)直接丟棄，當(dāng)請(qǐng)求到達(dá)時(shí)，會(huì)嘗試從令牌桶中取令牌，取到了令牌的請(qǐng)求可以執(zhí)行;
• 如果桶空了，那么嘗試取令牌的請(qǐng)求會(huì)被直接丟棄。

令牌桶算法既能夠?qū)⑺械恼?qǐng)求平均分布到時(shí)間區(qū)間內(nèi)，又能接受服務(wù)器能夠承受范圍內(nèi)的突發(fā)請(qǐng)求，因此是目前使用較為廣泛的一種限流算法。

四、代碼實(shí)現(xiàn)

作為如此重要的功能，在Java中自然有很多實(shí)現(xiàn)限流的類庫(kù)，例如Google的開源項(xiàng)目guava提供了RateLimiter類，實(shí)現(xiàn)了單點(diǎn)的令牌桶限流。

而分布式限流常用的則有Hystrix、resilience4j、Sentinel等框架，但這些框架都需引入第三方的類庫(kù)，對(duì)于國(guó)企等一些保守的企業(yè)，引入外部類庫(kù)都需要經(jīng)過(guò)層層審批，較為麻煩。

分布式限流本質(zhì)上是一個(gè)集群并發(fā)問(wèn)題，而Redis作為一個(gè)應(yīng)用廣泛的中間件，又擁有單進(jìn)程單線程的特性，天然可以解決分布式集群的并發(fā)問(wèn)題。本文簡(jiǎn)單介紹一個(gè)通過(guò)Redis實(shí)現(xiàn)單次請(qǐng)求判斷限流的功能。

1、腳本編寫

經(jīng)過(guò)上面的對(duì)比，最適合的限流算法就是令牌桶算法。而為實(shí)現(xiàn)限流算法，需要反復(fù)調(diào)用Redis查詢與計(jì)算，一次限流判斷需要多次請(qǐng)求較為耗時(shí)。因此我們采用編寫Lua腳本運(yùn)行的方式，將運(yùn)算過(guò)程放在Redis端，使得對(duì)Redis進(jìn)行一次請(qǐng)求就能完成限流的判斷。

令牌桶算法需要在Redis中存儲(chǔ)桶的大小、當(dāng)前令牌數(shù)量，并且實(shí)現(xiàn)每隔一段時(shí)間添加新的令牌。最簡(jiǎn)單的辦法當(dāng)然是每隔一段時(shí)間請(qǐng)求一次Redis，將存儲(chǔ)的令牌數(shù)量遞增。

但實(shí)際上我們可以通過(guò)對(duì)限流兩次請(qǐng)求之間的時(shí)間和令牌添加速度來(lái)計(jì)算得出上次請(qǐng)求之后到本次請(qǐng)求時(shí)，令牌桶應(yīng)添加的令牌數(shù)量。因此我們?cè)赗edis中只需要存儲(chǔ)上次請(qǐng)求的時(shí)間和令牌桶中的令牌數(shù)量，而桶的大小和令牌的添加速度可以通過(guò)參數(shù)傳入實(shí)現(xiàn)動(dòng)態(tài)修改。

由于第一次運(yùn)行腳本時(shí)默認(rèn)令牌桶是滿的，因此可以將數(shù)據(jù)的過(guò)期時(shí)間設(shè)置為令牌桶恢復(fù)到滿所需的時(shí)間，及時(shí)釋放資源。

編寫完成的Lua腳本如下：

local ratelimit_info = redis.pcall('HMGET',KEYS[1],'last_time','current_token') 
local last_time = ratelimit_info[1] 
local current_token = tonumber(ratelimit_info[2]) 
local max_token = tonumber(ARGV[1]) 
local token_rate = tonumber(ARGV[2]) 
local current_time = tonumber(ARGV[3]) 
local reverse_time = 1000/token_rate 
if current_token == nil then 
  current_token = max_token 
  last_time = current_time 
else 
  local past_time = current_time-last_time 
  local reverse_token = math.floor(past_time/reverse_time) 
  current_token = current_token+reverse_token 
  last_time = reverse_time*reverse_token+last_time 
  if current_token>max_token then 
    current_token = max_token 
  end 
end 
local result = 0 
if(current_token>0) then 
  result = 1 
  current_token = current_token-1 
end  
redis.call('HMSET',KEYS[1],'last_time',last_time,'current_token',current_token) 
redis.call('pexpire',KEYS[1],math.ceil(reverse_time*(max_token-current_token)+(current_time-last_time))) 
return result 

2、執(zhí)行限流

這里使用Spring Data Redis來(lái)進(jìn)行Redis腳本的調(diào)用。

編寫Redis腳本類:

public class RedisReteLimitScript implements RedisScript<String> {  
   private static final String SCRIPT =  
      "local ratelimit_info = redis.pcall('HMGET',KEYS[1],'last_time','current_token') local last_time = ratelimit_info[1] local current_token = tonumber(ratelimit_info[2]) local max_token = tonumber(ARGV[1]) local token_rate = tonumber(ARGV[2]) local current_time = tonumber(ARGV[3]) local reverse_time = 1000/token_rate if current_token == nil then current_token = max_token last_time = current_time else local past_time = current_time-last_time; local reverse_token = math.floor(past_time/reverse_time) current_token = current_token+reverse_token; last_time = reverse_time*reverse_token+last_time if current_token>max_token then current_token = max_token end end local result = '0' if(current_token>0) then result = '1' current_token = current_token-1 end redis.call('HMSET',KEYS[1],'last_time',last_time,'current_token',current_toke  redis.call('pexpire',KEYS[1],math.ceil(reverse_time*(max_tokencurrent_token)+(current_time-last_time))) return result";  
 
  @Override   public String getSha1() {  
    return DigestUtils.sha1Hex(SCRIPT);  
  }  
 
  @Override   public Class<String> getResultType() {     return String.class;  
  }  
 
  @Override   public String getScriptAsString() {     return SCRIPT;  
  }  
}  

通過(guò)RedisTemplate對(duì)象執(zhí)行腳本：

public boolean rateLimit(String key, int max, int rate) { 
    List<String> keyList = new ArrayList<>(1); 
    keyList.add(key); 
    return "1".equals(stringRedisTemplate 
        .execute(new RedisReteLimitScript(), keyList, Integer.toString(max), Integer.toString(rate), 
            Long.toString(System.currentTimeMillis()))); 
  }  

rateLimit方法傳入的key為限流接口的ID，max為令牌桶的最大大小，rate為每秒鐘恢復(fù)的令牌數(shù)量，返回的boolean即為此次請(qǐng)求是否通過(guò)了限流。為了測(cè)試Redis腳本限流是否可以正常工作，我們編寫一個(gè)單元測(cè)試進(jìn)行測(cè)試看看。

@Autowired 
  private RedisManager redisManager; 
 
  @Test 
  public void rateLimitTest() throws InterruptedException { 
    String key = "test_rateLimit_key"; 
    int max = 10;  //令牌桶大小 
    int rate = 10; //令牌每秒恢復(fù)速度 
    AtomicInteger successCount = new AtomicInteger(0); 
    Executor executor = Executors.newFixedThreadPool(10); 
    CountDownLatch countDownLatch = new CountDownLatch(30); 
    for (int i = 0; i < 30; i++) { 
      executor.execute(() -> { 
        boolean isAllow = redisManager.rateLimit(key, max, rate); 
        if (isAllow) { 
          successCount.addAndGet(1); 
        } 
        log.info(Boolean.toString(isAllow)); 
        countDownLatch.countDown(); 
      }); 
    } 
    countDownLatch.await(); 
    log.info("請(qǐng)求成功{}次", successCount.get()); 
  } 

設(shè)置令牌桶大小為10，令牌桶每秒恢復(fù)10個(gè)，啟動(dòng)10個(gè)線程在短時(shí)間內(nèi)進(jìn)行30次請(qǐng)求，并輸出每次限流查詢的結(jié)果。日志輸出：

[19:12:50,283]true  
[19:12:50,284]true  
[19:12:50,284]true  
[19:12:50,291]true  
[19:12:50,291]true  
[19:12:50,291]true  
[19:12:50,297]true  
[19:12:50,297]true  
[19:12:50,298]true  
[19:12:50,305]true  
[19:12:50,305]false  
[19:12:50,305]true  
[19:12:50,312]false  
[19:12:50,312]false  
[19:12:50,312]false  
[19:12:50,319]false  
[19:12:50,319]false  
[19:12:50,319]false  
[19:12:50,325]false  
[19:12:50,325]false  
[19:12:50,326]false  
[19:12:50,380]false  
[19:12:50,380]false  
[19:12:50,380]false  
[19:12:50,387]false  
[19:12:50,387]false  
[19:12:50,387]false  
[19:12:50,392]false  
[19:12:50,392]false  
[19:12:50,392]false  
[19:12:50,393]請(qǐng)求成功11次 

可以看到，在0.1秒內(nèi)請(qǐng)求的30次請(qǐng)求中，除了初始的10個(gè)令牌以及隨時(shí)間恢復(fù)的1個(gè)令牌外，剩下19個(gè)沒(méi)有取得令牌的請(qǐng)求均返回了false，限流腳本正確的將超過(guò)限制的請(qǐng)求給判斷出來(lái)了，業(yè)務(wù)中此時(shí)就可以直接返回系統(tǒng)繁忙或接口請(qǐng)求太過(guò)頻繁等提示。

3、開發(fā)中遇到的問(wèn)題

1)Lua變量格式

Lua中的String和Number需要通過(guò)tonumber()和tostring()進(jìn)行轉(zhuǎn)換。

2)Redis入?yún)?/strong>