前言

在一個分布式高并發(fā)的系統(tǒng)設(shè)計中，限流是一個不可忽視的功能點(diǎn)。如果不對系統(tǒng)進(jìn)行有效的流量訪問限制，在雙十一和搶票這種流量洪峰的場景下，很容易就會把我們的系統(tǒng)打垮。而作為系統(tǒng)服務(wù)的衛(wèi)兵的網(wǎng)關(guān)組件，作為系統(tǒng)服務(wù)的統(tǒng)一入口，更需要考慮流量的限制，直接在網(wǎng)關(guān)層阻斷流量比在各個系統(tǒng)中實(shí)現(xiàn)更合適。Spring Cloud Gateway的實(shí)現(xiàn)中，就提供了限流的功能，下面主要分析下Spring Cloud Gateway中是如何實(shí)現(xiàn)限流功能的。

回顧限流算法

限流的實(shí)現(xiàn)方式有多種，下面先回顧下幾種常見的實(shí)現(xiàn)算法

計數(shù)器/時間窗口法

這種限流算法最簡單，也是最容易實(shí)現(xiàn)的，通過在單位時間內(nèi)設(shè)置最大訪問數(shù)就可以達(dá)到限流的目的。比如某個系統(tǒng)能夠承載的一般qps為60，那我們就可以使用計算器法，在單位時間一秒內(nèi)，限制接口只能被訪問60次即可。但是這個算法實(shí)現(xiàn)，正如其功能描述一樣，有個缺陷，假如在時間窗的前1%的時間內(nèi)流量就達(dá)到頂峰了，那么在時間窗內(nèi)還有99%的時間系統(tǒng)即使能夠繼續(xù)提供服務(wù)，還是會被限流算法的這種缺陷阻斷在門外，這種缺陷也被稱為“突刺效應(yīng)“

漏桶法

漏桶法不同于計算器法，它有效的避免了計數(shù)器法限流的“突刺效應(yīng)”缺陷,實(shí)現(xiàn)也不復(fù)雜，通過固定大小的隊列+定時取隊列元素的方式即可實(shí)現(xiàn)。如其名漏桶，就像一個盛水的容器，漏桶法只限制容器出水的速率，當(dāng)進(jìn)水的速率過大時，將會填滿容器造成溢出，溢出部分的流量也就是拒絕的流量。比如，容器大小為100，出水速率為每秒10/s,當(dāng)桶為空時，最大的流量可以到達(dá)100/s，但是即使這樣，受限于固定的流出速率，后端處理的也只能是最大每秒10個，其余的流量都會被緩沖在漏桶中。這個也這是漏桶法的缺陷，沒法真正處理突發(fā)的流量洪峰，效率不高。

令牌桶法

令牌桶法也是基于桶的原型，但是和漏桶算法截然不同的時，沒有出水口。令牌桶通過令牌的產(chǎn)生速率+令牌桶的容積來控制流量，有效的解決了漏桶效率不高的問題。如，容積為100的桶，令牌產(chǎn)生速率為50/s，那么就代表當(dāng)桶中令牌已滿的時候，最大能夠承載100的流量，后面如果流量一直居高不下，也會以每秒50個流量的速度恒速處理請求。令牌桶的這種特性有效的處理了洪峰流量也能做到不被洪峰壓垮，是目前限流比較常見的實(shí)現(xiàn)方法。比較著名的實(shí)現(xiàn)有谷歌guava中的RateLimiter。然后下面將要分析的Spring Cloud Gateway中也是使用的令牌桶算法實(shí)現(xiàn)的限流

guava的文檔：https://github.com/google/guava/wiki

Spring Cloud Gateway中的令牌桶

Spring網(wǎng)關(guān)中是基于令牌桶+redis實(shí)現(xiàn)的網(wǎng)關(guān)分布式限流，具體的實(shí)現(xiàn)見下面兩個代碼：

lua腳本地址：resources/META-INF/scripts/request_rate_limiter.lua

RedisRateLimiter：gateway/filter/ratelimit/RedisRateLimiter.java

try {
			Listkeys = getKeys(id);

			// The arguments to the LUA script. time() returns unixtime in seconds.
			ListscriptArgs = Arrays.asList(replenishRate + "",
					burstCapacity + "", Instant.now().getEpochSecond() + "", "1");
			// allowed, tokens_left = redis.eval(SCRIPT, keys, args)
			Fluxflux = this.redisTemplate.execute(this.script, keys,
					scriptArgs);
			// .log("redisratelimiter", Level.FINER);
			return flux.onErrorResume(throwable -> Flux.just(Arrays.asList(1L, -1L)))
					.reduce(new ArrayList(), (longs, l) -> {
						longs.addAll(l);
						return longs;
					}).map(results -> {
						boolean allowed = results.get(0) == 1L;
						Long tokensLeft = results.get(1);

						Response response = new Response(allowed,
								getHeaders(routeConfig, tokensLeft));

						if (log.isDebugEnabled()) {
							log.debug("response: " + response);
						}
						return response;
					});
		}

上面博主截取了Spring網(wǎng)關(guān)限流部分的關(guān)鍵代碼，可以看到，最關(guān)鍵的地方在于，使用reids執(zhí)行了一段lua腳本，然后通過返回值【0】是否等于1來判斷本次流量是否通過，返回值【1】為令牌桶中剩余的令牌數(shù)。就上面這段代碼沒有看到任何令牌桶算法的影子對吧，所有的精華實(shí)現(xiàn)都在lua腳本里面，這個腳本最初是由Paul Tarjan分享出來的，腳本如下：

local tokens_key = KEYS[1]
local timestamp_key = KEYS[2]
local rate = tonumber(ARGV[1])
local capacity = tonumber(ARGV[2])
local now = tonumber(ARGV[3])
local requested = tonumber(ARGV[4])
local fill_time = capacity/rate
local ttl = math.floor(fill_time*2)
local last_tokens = tonumber(redis.call("get", tokens_key))
if last_tokens == nil then
  last_tokens = capacity
end
local last_refreshed = tonumber(redis.call("get", timestamp_key))
if last_refreshed == nil then
  last_refreshed = 0
end
local delta = math.max(0, now-last_refreshed)
local filled_tokens = math.min(capacity, last_tokens+(delta*rate))
local allowed = filled_tokens >= requested
local new_tokens = filled_tokens
local allowed_num = 0
if allowed then
  new_tokens = filled_tokens - requested
  allowed_num = 1
end
redis.call("setex", tokens_key, ttl, new_tokens)
redis.call("setex", timestamp_key, ttl, now)
return { allowed_num, new_tokens }

下面逐行分析下這段腳本。首先解釋下，從應(yīng)用中入?yún)⑦M(jìn)來的這幾個屬性的具體含義：

tokens_key：當(dāng)前限流的標(biāo)識，可以是ip，或者在spring cloud系統(tǒng)中，可以是一個服務(wù)的serviceID

timestamp_key：令牌桶刷新的時間戳，后面會被用來計算當(dāng)前產(chǎn)生的令牌數(shù) 

rate ：令牌生產(chǎn)的速率，如每秒產(chǎn)生50個令牌

capacity ：令牌桶的容積大小，比如最大100個，那么系統(tǒng)最大可承載100個并發(fā)請求

now ：當(dāng)前時間戳

requested：當(dāng)前請求的令牌數(shù)量，Spring Cloud Gateway中默認(rèn)是1，也就是當(dāng)前請求

主要邏輯分析

-- 計算填滿桶需要多長時間
-- 得到填滿桶的2倍時間作為redis中key時效的時間，避免冗余太多無用的key
-- 這里和令牌桶的實(shí)現(xiàn)沒有太大的關(guān)系
-- 獲取桶中剩余的令牌，如果桶是空的，就將他填滿
-- 獲取當(dāng)前令牌桶最后的刷新時間，如果為空，則設(shè)置為0
-- 計算最后一次刷新令牌到當(dāng)前時間的時間差
-- 計算當(dāng)前令牌數(shù)量，這個地方是最關(guān)鍵的地方，通過剩余令牌數(shù) + 時間差內(nèi)產(chǎn)生的令牌得到當(dāng)前總令牌數(shù)量
-- 設(shè)置標(biāo)識allowad接收當(dāng)前令牌桶中的令牌數(shù)是否大于請求的令牌結(jié)果
-- 設(shè)置當(dāng)前令牌數(shù)量
-- 如果allowed為true，則將當(dāng)前令牌數(shù)量重置為通中的令牌數(shù) - 請求的令牌數(shù)，并且設(shè)置allowed_num標(biāo)識為1
-- 將當(dāng)前令牌數(shù)量寫回到redis中，并重置令牌桶的最后刷新時間
-- 返回當(dāng)前是否申請到了令牌，以及當(dāng)前桶中剩余多少令牌

以上就是淺析Spring Cloud Gateway中的令牌桶限流算法的詳細(xì)內(nèi)容，更多關(guān)于pring Cloud Gateway令牌桶限流算法的資料請關(guān)注腳本之家其它相關(guān)文章！

最新評論