一、限流的作用

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

[[274943]]

限流(Rate limiting)指對應(yīng)用服務(wù)的請求進(jìn)行限制，例如某一接口的請求限制為100個每秒，對超過限制的請求則進(jìn)行快速失敗或丟棄。

限流可以應(yīng)對：

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

因此，對于公開的接口最好采取限流措施。

二、為什么要分布式限流

當(dāng)應(yīng)用為單點(diǎn)應(yīng)用時，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、縮容時也無法準(zhǔn)確控制整個服務(wù)的請求限制。

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服務(wù)集群的請求限制，且由于整個集群的請求數(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，在程序中時通常是根據(jù)每秒處理的事務(wù)數(shù)(Transaction per second)來衡量接口的流量。

本文介紹幾種最常用的限流算法：

• 固定窗口計(jì)數(shù)器;
• 滑動窗口計(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：

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

固定窗口計(jì)數(shù)器是最為簡單的算法，但這個算法有時會讓通過請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5個請求，在第一個窗口的最后半秒內(nèi)通過了5個請求，第二個窗口的前半秒內(nèi)又通過了5個請求。這樣看來就是在1秒內(nèi)通過了10個請求。

2、滑動窗口計(jì)數(shù)器算法

滑動窗口計(jì)數(shù)器算法概念如下：

• 將時間劃分為多個區(qū)間;
• 在每個區(qū)間內(nèi)每有一次請求就將計(jì)數(shù)器加一維持一個時間窗口，占據(jù)多個區(qū)間;
• 每經(jīng)過一個區(qū)間的時間，則拋棄最老的一個區(qū)間，并納入最新的一個區(qū)間;
• 如果當(dāng)前窗口內(nèi)區(qū)間的請求計(jì)數(shù)總和超過了限制數(shù)量，則本窗口內(nèi)所有的請求都被丟棄。

滑動窗口計(jì)數(shù)器是通過將窗口再細(xì)分，并且按照時間"滑動"，這種算法避免了固定窗口計(jì)數(shù)器帶來的雙倍突發(fā)請求，但時間區(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：

• 將每個請求視作"水滴"放入"漏桶"進(jìn)行存儲;
• "漏桶"以固定速率向外"漏"出請求來執(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"會被直接丟棄。

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

漏桶算法的缺陷也很明顯，當(dāng)短時間內(nèi)有大量的突發(fā)請求時，即便此時服務(wù)器沒有任何負(fù)載，每個請求也都得在隊(duì)列中等待一段時間才能被響應(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直接丟棄，當(dāng)請求到達(dá)時，會嘗試從令牌桶中取令牌，取到了令牌的請求可以執(zhí)行;
• 如果桶空了，那么嘗試取令牌的請求會被直接丟棄。

令牌桶算法既能夠?qū)⑺械恼埱笃骄植嫉綍r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，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，對于國企等一些保守的企業(yè)，引入外部類庫都需要經(jīng)過層層審批，較為麻煩。

分布式限流本質(zhì)上是一個集群并發(fā)問題，而Redis作為一個應(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)問題。本文簡單介紹一個通過Redis實(shí)現(xiàn)單次請求判斷限流的功能。

1、腳本編寫

經(jīng)過上面的對比，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求較為耗時。因此我們采用編寫Lua腳本運(yùn)行的方式，將運(yùn)算過程放在Redis端，使得對Redis進(jìn)行一次請求就能完成限流的判斷。

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

但實(shí)際上我們可以通過對限流兩次請求之間的時間和令牌添加速度來計(jì)算得出上次請求之后到本次請求時，令牌桶應(yīng)添加的令牌數(shù)量。因此我們在Redis中只需要存儲上次請求的時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參數(shù)傳入實(shí)現(xiàn)動態(tài)修改。

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

編寫完成的Lua腳本如下：

2、執(zhí)行限流

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

編寫Redis腳本類：

通過RedisTemplate對象執(zhí)行腳本：

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即為此次請求是否通過了限流。為了測試Redis腳本限流是否可以正常工作，我們編寫一個單元測試進(jìn)行測試看看。

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

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

3、開發(fā)中遇到的問題

1)Lua變量格式

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

2)Redis入?yún)?/strong>