前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >浅谈限流组件的应用和设计原则

浅谈限流组件的应用和设计原则

作者头像
xiaoxi666
发布2021-08-10 10:03:42
6300
发布2021-08-10 10:03:42
举报
文章被收录于专栏:xiaoxi666的专栏

做业务的同学都知道,在现实情况中,往往会出现流量暴增的情况。这些流量可能来自于黑客的爬虫,也可能来自于节日大促,或者其他一些渠道。当然业界都有对策,比如反爬、熔断、降级、限流等等不一而足。

我们今天就来谈谈其中的限流。

先看看业界常用的限流组件:

  • 单机版
    • JDK自带的锁、信号量等
    • Guava的RateLimiter
  • 分布式
    • Redis
      • Redis-cell
      • Redisson(基于lua脚本实现)
    • Sentinel
    • Hystrix

这里我用单机和分布式的维度简单划分了一下。其中有一些你应该见过。

那么什么时候用单机限流,什么时候用分布式限流呢?

其实要回答这个问题,首先要明确你的业务要限流的对象是什么。比如你的服务是单体的,那其实用单机限流正合适。当然现在这个时代的单体业务不多了,只有一些小项目用的比较多。还有一种情况就是不需要在业务层面精确限流,比如说我们的业务部署在多个机器或者容器上,对外以Http的形式暴露服务,并且在Nginx层做了一定的负载均衡,导致流量会比较均匀地分布到各台机器上,此时用单机限流也是不错的:只要每台机器的流量都限制住,整体的流量就是被限制的。注意这里是近似,试想,如果我们的机器数量扩容了一倍,那整体的限流阈值就会增长一倍。所以说,单机限流阈值也常用来保护机器不被打崩,考虑的角度更多是机器的性能,而非细化到某个业务接口。

如果要精确限制某个业务接口的流量(服务暴露形式不限,可能是Http,也可能是RPC),在分布式部署的环境下就需要采用分布式限流的方案了。国内少数公司采用Netflix开源的Hystrix实现限流功能,还有一些公司直接引入了阿里开源的Sentinel来用,还有一些公司会使用Redisson提供的限流能力,或者直接编写Lua脚本实现。当然,还有一些大厂会自研限流组件,更好地满足自身业务需求。

那么问题来了,如果让你设计一个限流组件,要考虑哪些因素呢?这里给出一些参考:

1、限流的维度是什么?这个问题直接决定了限流功能要在哪个层面来实现。比如针对Http接口,限流器可以配置在Nginx层,进行域名限流。作为面向用户端防火墙的一个基础组件。也可以下放到业务接口层,限制某个业务的流量。再进一步,如果我们要根据特定的接口参数进行限流(比如限制每个用户在一段时间内请求某个接口的频率),那限流组件就需要在接口层面实现了。

2、限流用什么算法?常见的有固定窗口法、漏斗法,以及令牌桶法,还有一些组件实现了具有预热功能的算法。现实场景中,出于应对突发流量的考虑,令牌桶算法的应用更为广泛。这个问题网上谈的比较多,不再赘述了。我们这里贴一段Redisson中利用Lua脚本实现令牌桶算法的例子,感受一下:

代码语言:javascript
复制
## Redisson源码片段[Java]:获取令牌。

private <T> RFuture<T> tryAcquireAsync(RedisCommand<T> command, Long value) {
        return commandExecutor.evalWriteAsync(getRawName(), LongCodec.INSTANCE, command,
                "local rate = redis.call('hget', KEYS[1], 'rate');"
              + "local interval = redis.call('hget', KEYS[1], 'interval');"
              + "local type = redis.call('hget', KEYS[1], 'type');"
              + "assert(rate ~= false and interval ~= false and type ~= false, 'RateLimiter is not initialized')"
              
              + "local valueName = KEYS[2];"
              + "local permitsName = KEYS[4];"
              + "if type == '1' then "
                  + "valueName = KEYS[3];"
                  + "permitsName = KEYS[5];"
              + "end;"

              + "assert(tonumber(rate) >= tonumber(ARGV[1]), 'Requested permits amount could not exceed defined rate'); "

              + "local currentValue = redis.call('get', valueName); "
              + "if currentValue ~= false then "
                     + "local expiredValues = redis.call('zrangebyscore', permitsName, 0, tonumber(ARGV[2]) - interval); "
                     + "local released = 0; "
                     + "for i, v in ipairs(expiredValues) do "
                          + "local random, permits = struct.unpack('fI', v);"
                          + "released = released + permits;"
                     + "end; "

                     + "if released > 0 then "
                          + "redis.call('zremrangebyscore', permitsName, 0, tonumber(ARGV[2]) - interval); "
                          + "currentValue = tonumber(currentValue) + released; "
                          + "redis.call('set', valueName, currentValue);"
                     + "end;"

                     + "if tonumber(currentValue) < tonumber(ARGV[1]) then "
                         + "local nearest = redis.call('zrangebyscore', permitsName, '(' .. (tonumber(ARGV[2]) - interval), '+inf', 'withscores', 'limit', 0, 1); "
                         + "return tonumber(nearest[2]) - (tonumber(ARGV[2]) - interval);"
                     + "else "
                         + "redis.call('zadd', permitsName, ARGV[2], struct.pack('fI', ARGV[3], ARGV[1])); "
                         + "redis.call('decrby', valueName, ARGV[1]); "
                         + "return nil; "
                     + "end; "
              + "else "
                     + "redis.call('set', valueName, rate); "
                     + "redis.call('zadd', permitsName, ARGV[2], struct.pack('fI', ARGV[3], ARGV[1])); "
                     + "redis.call('decrby', valueName, ARGV[1]); "
                     + "return nil; "
              + "end;",
                Arrays.asList(getRawName(), getValueName(), getClientValueName(), getPermitsName(), getClientPermitsName()),
                value, System.currentTimeMillis(), ThreadLocalRandom.current().nextLong());

3、限流数据要保存在哪里?这个问题的答案依赖于具体的实现方案。比如我们如果用基于Redis发展出来的组件(比如Redis-cell、Redisson)来实现,限流数据就是存在Redis服务器中的。而如果采用Sentinel实现,限流数据就是存在内存中的。

4、限流数据量的控制。这个问题的解决方案依赖于限流对象的数量。如果是针对有限的几个接口做限流,数据量小到几乎可以不用考虑。但如果是前面提到的“根据特定的业务参数进行限流”这种场景,就可能出现问题:比如针对用户ID做限流,那可能需要保存对应量级的限流数据(每个正在访问的用户都要记录访问频次)。如果设计不恰当的话,内存很快就会上涨甚至被打爆。不信的话我们可以估算一下,如果用Redis实现,结合了业务属性的Redis keys一般要占用几百字节左右,那么1千万个用户就需要占用几个GB的空间。如果换到保存在内存中,一条请求用的限流对象同样可能也要占用几百字节。如果我们放任这些数据无限增加的话,后果可能是灾难性的。所以你一定想到了应对办法,那就是要对老数据做过期删除处理。具体到实现的话,Redis可以设置keys的过期时间,让老keys过期后自动删除。内存中可以设置最多保存多少条限流数据,超过阈值时触发老数据淘汰机制,最常用的是LRU算法。当然,过期时间或者内存容量上限,都需要根据业务实际情况进行制定。PS:实际上Sentinel就利用了Google开源的ConcurrentLinkedHashMap,利用它实现了LRU:

代码语言:javascript
复制
## Sentinel源码片段[Java]:利用ConcurrentLinkedHashMap实现LRU,可以淘汰老数据。

public class ConcurrentLinkedHashMapWrapper<T, R> implements CacheMap<T, R> {

    private final ConcurrentLinkedHashMap<T, R> map;

    public ConcurrentLinkedHashMapWrapper(long size) {
        if (size <= 0) {
            throw new IllegalArgumentException("Cache max capacity should be positive: " + size);
        }
        this.map = new ConcurrentLinkedHashMap.Builder<T, R>()
            .concurrencyLevel(DEFAULT_CONCURRENCY_LEVEL)
            .maximumWeightedCapacity(size)
            .weigher(Weighers.singleton())
            .build();
    }
    ...
}

5、时钟回拨情况的处理。这个问题一般在精细限流的场景更容易出现,比如限制几个毫秒内只能通过几个请求。一旦NTP服务器同步出现抖动,或者服务器本地时间被人为修改,就可能会导致获取令牌算法出现错误,进而导致限流算法失效。常见的解决思路是让限流服务器重新获取一次时间,避免多个请求端的时间不一致。Redis-cell源码中就采用了这一方案:

代码语言:javascript
复制
## Redis-cell源码[rust]:获取令牌前,主动同步当前时间。    

	/// Gets the given key's value and the current time as dictated by the
    /// store (this is done so that rate limiters running on a variety of
    /// different nodes can operate with a consistent clock instead of using
    /// their own). If the key was unset, -1 is returned.
    fn get_with_time(&self, key: &str) -> Result<(i64, time::Tm), CellError>;

    fn get_with_time(&self, key: &str) -> Result<(i64, time::Tm), CellError> {
        match self.map.get(key) {
            Some(n) => Ok((*n, time::now_utc())),
            None => Ok((-1, time::now_utc())),
        }
    }

	// 下面的代码是rust库函数,获取时间

	/// Returns the current time in UTC
	pub fn now_utc() -> Tm {
    	at_utc(get_time())
	}

    /**
     * Returns the current time as a `timespec` containing the seconds and
     * nanoseconds since 1970-01-01T00:00:00Z.
     */
    pub fn get_time() -> Timespec {
        let (sec, nsec) = sys::get_time();
        Timespec::new(sec, nsec)
    }

    pub fn get_time() -> (i64, i32) {
        let mut tv = libc::timespec { tv_sec: 0, tv_nsec: 0 };
        unsafe { libc::clock_gettime(libc::CLOCK_REALTIME, &mut tv); }
        (tv.tv_sec as i64, tv.tv_nsec as i32)
    }

从以上几点来看,要想设计一个好用且合格的限流组件,还真不是件容易的事情。

最后,本文也是实际工作中的一些经验之谈,很多细节尚没有讲到。有兴趣的同学可继续深究各种限流组件的实现原理,如有其他观点,欢迎交流。

嘿嘿,给自己的公众号打个广告,欢迎大家关注我的公众号:xiaoxi666,一起来玩一起学!

本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
原始发表:2021-08-06 ,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
相关产品与服务
云数据库 Redis®
腾讯云数据库 Redis®(TencentDB for Redis®)是腾讯云打造的兼容 Redis 协议的缓存和存储服务。丰富的数据结构能帮助您完成不同类型的业务场景开发。支持主从热备,提供自动容灾切换、数据备份、故障迁移、实例监控、在线扩容、数据回档等全套的数据库服务。
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档