一篇带给你 Sentinel 和常用流控算法-sentinel流控原理

本文主要讲述常见的几种限流算法：计数器算法、漏桶算法、令牌桶算法。然后结合我对 Sentinel 1.8.0 的理解，给大家分享 Sentinel 在源码中如何使用这些算法进行流控判断。

计数器限流算法

我们可以直接通过一个计数器，限制每一秒钟能够接收的请求数。比如说 qps定为 1000，那么实现思路就是从第一个请求进来开始计时，在接下去的 1s 内，每来一个请求，就把计数加 1，如果累加的数字达到了 1000，那么后续的请求就会被全部拒绝。等到 1s 结束后，把计数恢复成 0 ，重新开始计数。

优点：实现简单

缺点：如果1s 内的前半秒，已经通过了 1000 个请求，那后面的半秒只能请求拒绝，我们把这种现象称为“突刺现象”。

实现代码案例：

public class Counter { 
    public long timeStamp = getNowTime(); 
    public int reqCount = 0; 
    public final int limit = 100; // 时间窗口内最大请求数 
    public final long interval = 1000; // 时间窗口ms 
 
    public boolean limit() { 
        long now = getNowTime(); 
        if (now < timeStamp + interval) { 
            // 在时间窗口内 
            reqCount++; 
            // 判断当前时间窗口内是否超过最大请求控制数 
            return reqCount <= limit; 
        } else { 
            timeStamp = now; 
            // 超时后重置 
            reqCount = 1; 
            return true; 
        } 
    } 
 
    public long getNowTime() { 
        return System.currentTimeMillis(); 
    } 
}

滑动时间窗算法

滑动窗口，又称 Rolling Window。为了解决计数器算法的缺陷，我们引入了滑动窗口算法。下面这张图，很好地解释了滑动窗口算法：

在上图中，整个红色的矩形框表示一个时间窗口，在我们的例子中，一个时间窗口就是一分钟。然后我们将时间窗口进行划分，比如图中，我们就将滑动窗口划成了6格，所以每格代表的是10秒钟。每过10秒钟，我们的时间窗口就会往右滑动一格。每一个格子都有自己独立的计数器counter，比如当一个请求在0:35秒的时候到达，那么0:30~0:39对应的counter就会加1。

那么滑动窗口怎么解决刚才的临界问题的呢?我们可以看上图，0:59到达的100个请求会落在灰色的格子中，而1:00到达的请求会落在橘黄色的格子中。当时间到达1:00时，我们的窗口会往右移动一格，那么此时时间窗口内的总请求数量一共是200个，超过了限定的100个，所以此时能够检测出来触发了限流。

我再来回顾一下刚才的计数器算法，我们可以发现，计数器算法其实就是滑动窗口算法。只是它没有对时间窗口做进一步地划分，所以只有1格。

由此可见，当滑动窗口的格子划分的越多，那么滑动窗口的滚动就越平滑，限流的统计就会越精确。

实现代码案例：

public class SlideWindow { 
 
    /** 队列id和队列的映射关系，队列里面存储的是每一次通过时候的时间戳，这样可以使得程序里有多个限流队列 */ 
    private volatile static Map<String, List<Long>> MAP = new ConcurrentHashMap<>(); 
 
    private SlideWindow() {} 
 
    public static void main(String[] args) throws InterruptedException { 
        while (true) { 
            // 任意10秒内，只允许2次通过 
            System.out.println(LocalTime.now().toString() + SlideWindow.isGo("ListId", 2, 10000L)); 
            // 睡眠0-10秒 
            Thread.sleep(1000 * new Random().nextInt(10)); 
        } 
    } 
 
    /** 
     * 滑动时间窗口限流算法 
     * 在指定时间窗口，指定限制次数内，是否允许通过 
     * 
     * @param listId     队列id 
     * @param count      限制次数 
     * @param timeWindow 时间窗口大小 
     * @return 是否允许通过 
     */ 
    public static synchronized boolean isGo(String listId, int count, long timeWindow) { 
        // 获取当前时间 
        long nowTime = System.currentTimeMillis(); 
        // 根据队列id，取出对应的限流队列，若没有则创建 
        List<Long> list = MAP.computeIfAbsent(listId, k -> new LinkedList<>()); 
        // 如果队列还没满，则允许通过，并添加当前时间戳到队列开始位置 
        if (list.size() < count) { 
            list.add(0, nowTime); 
            return true; 
        } 
 
        // 队列已满（达到限制次数），则获取队列中最早添加的时间戳 
        Long farTime = list.get(count - 1); 
        // 用当前时间戳 减去 最早添加的时间戳 
        if (nowTime - farTime <= timeWindow) { 
            // 若结果小于等于timeWindow，则说明在timeWindow内，通过的次数大于count 
            // 不允许通过 
            return false; 
        } else { 
            // 若结果大于timeWindow，则说明在timeWindow内，通过的次数小于等于count 
            // 允许通过，并删除最早添加的时间戳，将当前时间添加到队列开始位置 
            list.remove(count - 1); 
            list.add(0, nowTime); 
            return true; 
        } 
    } 
 
}

在 Sentinel 中通过 LeapArray 结构来实现时间窗算法, 它的核心代码如下(只列举获取时间窗方法)：

/** 
     * 获取当前的时间窗 
     * 
     * Get bucket item at provided timestamp. 
     * 
     * @param timeMillis a valid timestamp in milliseconds 
     * @return current bucket item at provided timestamp if the time is valid; null if time is invalid 
     */ 
public WindowWrap<T> currentWindow(long timeMillis) { 
  if (timeMillis < 0) { 
    return null; 
  } 
 
  int idx = calculateTimeIdx(timeMillis); 
  // Calculate current bucket start time. 
  // 计算窗口的开始时间，计算每个格子的开始时间 
  long windowStart = calculateWindowStart(timeMillis); 
 
  /* 
         * Get bucket item at given time from the array. 
         * 
         * (1) Bucket is absent, then just create a new bucket and CAS update to circular array. 
         * (2) Bucket is up-to-date, then just return the bucket. 
         * (3) Bucket is deprecated, then reset current bucket and clean all deprecated buckets. 
         */ 
  while (true) { 
    WindowWrap<T> old = array.get(idx); 
    // 如果没有窗格，创建窗格 
    if (old == null) { 
      /* 
                 *     B0       B1      B2    NULL      B4 
                 * ||_______|_______|_______|_______|_______||___ 
                 * 200     400     600     800     1000    1200  timestamp 
                 *                             ^ 
                 *                          time=888 
                 *            bucket is empty, so create new and update 
                 * 
                 * If the old bucket is absent, then we create a new bucket at {@code windowStart}, 
                 * then try to update circular array via a CAS operation. Only one thread can 
                 * succeed to update, while other threads yield its time slice. 
                 */ 
      WindowWrap<T> window = new WindowWrap<T>(windowLengthInMs, windowStart, newEmptyBucket(timeMillis)); 
      if (array.compareAndSet(idx, null, window)) { 
        // Successfully updated, return the created bucket. 
        return window; 
      } else { 
        // Contention failed, the thread will yield its time slice to wait for bucket available. 
        Thread.yield(); 
      } 
      // 当前窗格存在，返回历史窗格 
    } else if (windowStart == old.windowStart()) { 
      /* 
                 *     B0       B1      B2     B3      B4 
                 * ||_______|_______|_______|_______|_______||___ 
                 * 200     400     600     800     1000    1200  timestamp 
                 *                             ^ 
                 *                          time=888 
                 *            startTime of Bucket 3: 800, so it's up-to-date 
                 * 
                 * If current {@code windowStart} is equal to the start timestamp of old bucket, 
                 * that means the time is within the bucket, so directly return the bucket. 
                 */ 
      return old; 
      // 
    } else if (windowStart > old.windowStart()) { 
      /* 
                 *   (old) 
                 *             B0       B1      B2    NULL      B4 
                 * |_______||_______|_______|_______|_______|_______||___ 
                 * ...    1200     1400    1600    1800    2000    2200  timestamp 
                 *                              ^ 
                 *                           time=1676 
                 *          startTime of Bucket 2: 400, deprecated, should be reset 
                 * 
                 * If the start timestamp of old bucket is behind provided time, that means 
                 * the bucket is deprecated. We have to reset the bucket to current {@code windowStart}. 
                 * Note that the reset and clean-up operations are hard to be atomic, 
                 * so we need a update lock to guarantee the correctness of bucket update. 
                 * 
                 * The update lock is conditional (tiny scope) and will take effect only when 
                 * bucket is deprecated, so in most cases it won't lead to performance loss. 
                 */ 
      if (updateLock.tryLock()) { 
        try { 
          // Successfully get the update lock, now we reset the bucket. 
          // 清空所有的窗格数据 
          return resetWindowTo(old, windowStart); 
        } finally { 
          updateLock.unlock(); 
        } 
      } else { 
        // Contention failed, the thread will yield its time slice to wait for bucket available. 
        Thread.yield(); 
      } 
      // 如果时钟回拨，重新创建时间格 
    } else if (windowStart < old.windowStart()) { 
      // Should not go through here, as the provided time is already behind. 
      return new WindowWrap<T>(windowLengthInMs, windowStart, newEmptyBucket(timeMillis)); 
    } 
  } 
}

漏桶算法

漏桶算法(Leaky Bucket)是网络世界中流量整形(Traffic Shaping)或速率限制(Rate Limiting)时经常使用的一种算法，它的主要目的是控制数据注入到网络的速率，平滑网络上的突发流量。漏桶算法提供了一种机制，通过它，突发流量可以被整形以便为网络提供一个稳定的流量, 执行过程如下图所示。

实现代码案例：

public class LeakyBucket { 
  public long timeStamp = System.currentTimeMillis();  // 当前时间 
  public long capacity; // 桶的容量 
  public long rate; // 水漏出的速度 
  public long water; // 当前水量(当前累积请求数) 
 
  public boolean grant() { 
    long now = System.currentTimeMillis(); 
    // 先执行漏水，计算剩余水量 
    water = Math.max(0, water - (now - timeStamp) * rate);  
 
    timeStamp = now; 
    if ((water + 1) < capacity) { 
      // 尝试加水,并且水还未满 
      water += 1; 
      return true; 
    } else { 
      // 水满，拒绝加水 
      return false; 
    } 
  } 
}

说明：

(1)未满加水：通过代码 water +=1进行不停加水的动作。

(2)漏水：通过时间差来计算漏水量。

(3)剩余水量：总水量-漏水量。

在 Sentine 中RateLimiterController 实现了了漏桶算法 , 核心代码如下

@Override 
public boolean canPass(Node node, int acquireCount, boolean prioritized) { 
  // Pass when acquire count is less or equal than 0. 
  if (acquireCount <= 0) { 
    return true; 
  } 
  // Reject when count is less or equal than 0. 
  // Otherwise,the costTime will be max of long and waitTime will overflow in some cases. 
  if (count <= 0) { 
    return false; 
  } 
 
  long currentTime = TimeUtil.currentTimeMillis(); 
  // Calculate the interval between every two requests. 
  // 计算时间间隔 
  long costTime = Math.round(1.0 * (acquireCount) / count * 1000); 
 
  // Expected pass time of this request. 
  // 期望的执行时间 
  long expectedTime = costTime + latestPassedTime.get(); 
 
  // 当前时间 > 期望时间 
  if (expectedTime <= currentTime) { 
    // Contention may exist here, but it's okay. 
    // 可以通过，并且设置最后通过时间 
    latestPassedTime.set(currentTime); 
    return true; 
  } else { 
    // Calculate the time to wait. 
    // 等待时间 = 期望时间 - 最后时间 - 当前时间 
    long waitTime = costTime + latestPassedTime.get() - TimeUtil.currentTimeMillis(); 
    // 等待时间 > 最大排队时间 
    if (waitTime > maxQueueingTimeMs) { 
      return false; 
    } else { 
      // 上次时间 + 间隔时间 
      long oldTime = latestPassedTime.addAndGet(costTime); 
      try { 
        // 等待时间 
        waitTime = oldTime - TimeUtil.currentTimeMillis(); 
        // 等待时间 > 最大排队时间 
        if (waitTime > maxQueueingTimeMs) { 
          latestPassedTime.addAndGet(-costTime); 
          return false; 
        } 
        // in race condition waitTime may <= 0 
        // 休眠等待 
        if (waitTime > 0) { 
          Thread.sleep(waitTime); 
        } 
        // 等待完了，就放行 
        return true; 
      } catch (InterruptedException e) { 
      } 
    } 
  } 
  return false; 
}

令牌桶算法

令牌桶算法是网络流量整形(Traffic Shaping)和速率限制(Rate Limiting)中最常使用的一种算法。典型情况下，令牌桶算法用来控制发送到网络上的数据的数目，并允许突发数据的发送。如下图所示：

简单的说就是，一边请求时会消耗桶内的令牌，另一边会以固定速率往桶内放令牌。当消耗的请求大于放入的速率时，进行相应的措施，比如等待，或者拒绝等。

实现代码案例：

public class TokenBucket { 
  public long timeStamp = System.currentTimeMillis();  // 当前时间 
  public long capacity; // 桶的容量 
  public long rate; // 令牌放入速度 
  public long tokens; // 当前令牌数量 
 
  public boolean grant() { 
    long now = System.currentTimeMillis(); 
    // 先添加令牌 
    tokens = Math.min(capacity, tokens + (now - timeStamp) * rate); 
    timeStamp = now; 
    if (tokens < 1) { 
      // 若不到1个令牌,则拒绝 
      return false; 
    } else { 
      // 还有令牌，领取令牌 
      tokens -= 1; 
      return true; 
    } 
  } 
}

Sentinel 在 WarmUpController 中运用到了令牌桶算法，在这里可以实现对系统的预热，设定预热时间和水位线，对于预热期间多余的请求直接拒绝掉。

public boolean canPass(Node node, int acquireCount, boolean prioritized) { 
  long passQps = (long) node.passQps(); 
 
  long previousQps = (long) node.previousPassQps(); 
  syncToken(previousQps); 
 
  // 开始计算它的斜率 
  // 如果进入了警戒线，开始调整他的qps 
  long restToken = storedTokens.get(); 
  if (restToken >= warningToken) { 
    long aboveToken = restToken - warningToken; 
    // 消耗的速度要比warning快，但是要比慢 
    // current interval = restToken*slope+1/count 
    double warningQps = Math.nextUp(1.0 / (aboveToken * slope + 1.0 / count)); 
    if (passQps + acquireCount <= warningQps) { 
      return true; 
    } 
  } else { 
    if (passQps + acquireCount <= count) { 
      return true; 
    } 
  } 
 
  return false; 
}

限流算法总结

计数器 VS 时间窗

时间窗算法的本质也是通过计数器算法实现的。

时间窗算法格子划分的越多，那么滑动窗口的滚动就越平滑，限流的统计就会越精确，但是也会占用更多的内存存储。

漏桶 VS 令牌桶

漏桶算法和令牌桶算法本质上是为了做流量整形或速率限制，避免系统因为大流量而被打崩，但是两者的核心差异在于限流的方向是相反的

漏桶：限制的是流量的流出速率，是相对固定的。

令牌桶：限制的是流量的平均流入速率，并且允许一定程度的突然性流量，最大速率为桶的容量和生成token的速率。

在某些场景中，漏桶算法并不能有效的使用网络资源，因为漏桶的漏出速率是相对固定的，所以在网络情况比较好并且没有拥塞的状态下，漏桶依然是会有限制的，并不能放开量，因此并不能有效的利用网络资源。而令牌桶算法则不同，其在限制平均速率的同时，支持一定程度的突发流量。

参考文档

https://www.cnblogs.com/linjiqin/p/9707713.html

https://www.cnblogs.com/dijia478/p/13807826.html