您好,登錄后才能下訂單哦!
本篇內(nèi)容介紹了“Guava中常用的4種經(jīng)典限流算法介紹”的有關(guān)知識,在實際案例的操作過程中,不少人都會遇到這樣的困境,接下來就讓小編帶領(lǐng)大家學(xué)習(xí)一下如何處理這些情況吧!希望大家仔細(xì)閱讀,能夠?qū)W有所成!
最近,我們的業(yè)務(wù)系統(tǒng)引入了Guava的RateLimiter限流組件,它是基于令牌桶算法實現(xiàn)的,而令牌桶是非常經(jīng)典的限流算法。本文將跟大家一起學(xué)習(xí)幾種經(jīng)典的限流算法。
維基百科的概念如下:
In computer networks, rate limiting is used to control the rate of requests sent or
received by a network interface controller. It can be used to prevent DoS attacks
and limit web scraping
簡單翻譯一下:在計算機(jī)網(wǎng)絡(luò)中,限流就是控制網(wǎng)絡(luò)接口發(fā)送或接收請求的速率,它可防止DoS攻擊和限制Web爬蟲。
限流,也稱流量控制。是指系統(tǒng)在面臨高并發(fā),或者大流量請求的情況下,限制新的請求對系統(tǒng)的訪問,從而保證系統(tǒng)的穩(wěn)定性。限流會導(dǎo)致部分用戶請求處理不及時或者被拒,這就影響了用戶體驗。所以一般需要在系統(tǒng)穩(wěn)定和用戶體驗之間平衡一下。舉個生活的例子:
★一些熱門的旅游景區(qū),一般會對每日的旅游參觀人數(shù)有限制的。每天只會賣出固定數(shù)目的門票,比如5000張。假設(shè)在五一、國慶假期,你去晚了,可能當(dāng)天的票就已經(jīng)賣完了,就無法進(jìn)去游玩了。即使你進(jìn)去了,排隊也能排到你懷疑人生?!?/p>
首先維護(hù)一個計數(shù)器,將單位時間段當(dāng)做一個窗口,計數(shù)器記錄這個窗口接收請求的次數(shù)。
當(dāng)次數(shù)少于限流閥值,就允許訪問,并且計數(shù)器+1
當(dāng)次數(shù)大于限流閥值,就拒絕訪問。
當(dāng)前的時間窗口過去之后,計數(shù)器清零。
假設(shè)單位時間是1秒,限流閥值為3。在單位時間1秒內(nèi),每來一個請求,計數(shù)器就加1,如果計數(shù)器累加的次數(shù)超過限流閥值3,后續(xù)的請求全部拒絕。等到1s結(jié)束后,計數(shù)器清0,重新開始計數(shù)。如下圖:
偽代碼如下:
/** * 固定窗口時間算法 * @return */ boolean fixedWindowsTryAcquire() { long currentTime = System.currentTimeMillis(); //獲取系統(tǒng)當(dāng)前時間 if (currentTime - lastRequestTime > windowUnit) { //檢查是否在時間窗口內(nèi) counter = 0; // 計數(shù)器清0 lastRequestTime = currentTime; //開啟新的時間窗口 } if (counter < threshold) { // 小于閥值 counter++; //計數(shù)器加1 return true; } return false; }
但是,這種算法有一個很明顯的臨界問題:假設(shè)限流閥值為5個請求,單位時間窗口是1s,如果我們在單位時間內(nèi)的前0.8-1s和1-1.2s,分別并發(fā)5個請求。雖然都沒有超過閥值,但是如果算0.8-1.2s,則并發(fā)數(shù)高達(dá)10,已經(jīng)超過單位時間1s不超過5閥值的定義啦。
滑動窗口限流解決固定窗口臨界值的問題。它將單位時間周期分為n個小周期,分別記錄每個小周期內(nèi)接口的訪問次數(shù),并且根據(jù)時間滑動刪除過期的小周期。
一張圖解釋滑動窗口算法,如下:
假設(shè)單位時間還是1s,滑動窗口算法把它劃分為5個小周期,也就是滑動窗口(單位時間)被劃分為5個小格子。每格表示0.2s。每過0.2s,時間窗口就會往右滑動一格。然后呢,每個小周期,都有自己獨立的計數(shù)器,如果請求是0.83s到達(dá)的,0.8~1.0s對應(yīng)的計數(shù)器就會加1。
我們來看下滑動窗口是如何解決臨界問題的?
假設(shè)我們1s內(nèi)的限流閥值還是5個請求,0.8~1.0s內(nèi)(比如0.9s的時候)來了5個請求,落在黃色格子里。時間過了1.0s這個點之后,又來5個請求,落在紫色格子里。如果是固定窗口算法,是不會被限流的,但是滑動窗口的話,每過一個小周期,它會右移一個小格。過了1.0s這個點后,會右移一小格,當(dāng)前的單位時間段是0.2~1.2s,這個區(qū)域的請求已經(jīng)超過限定的5了,已觸發(fā)限流啦,實際上,紫色格子的請求都被拒絕啦。
TIPS: 當(dāng)滑動窗口的格子周期劃分的越多,那么滑動窗口的滾動就越平滑,限流的統(tǒng)計就會越精確。
滑動窗口算法偽代碼實現(xiàn)如下:
/** * 單位時間劃分的小周期(單位時間是1分鐘,10s一個小格子窗口,一共6個格子) */ private int SUB_CYCLE = 10; /** * 每分鐘限流請求數(shù) */ private int thresholdPerMin = 100; /** * 計數(shù)器, k-為當(dāng)前窗口的開始時間值秒,value為當(dāng)前窗口的計數(shù) */ private final TreeMap<Long, Integer> counters = new TreeMap<>(); /** * 滑動窗口時間算法實現(xiàn) */ boolean slidingWindowsTryAcquire() { long currentWindowTime = LocalDateTime.now().toEpochSecond(ZoneOffset.UTC) / SUB_CYCLE * SUB_CYCLE; //獲取當(dāng)前時間在哪個小周期窗口 int currentWindowNum = countCurrentWindow(currentWindowTime); //當(dāng)前窗口總請求數(shù) //超過閥值限流 if (currentWindowNum >= thresholdPerMin) { return false; } //計數(shù)器+1 counters.get(currentWindowTime)++; return true; } /** * 統(tǒng)計當(dāng)前窗口的請求數(shù) */ private int countCurrentWindow(long currentWindowTime) { //計算窗口開始位置 long startTime = currentWindowTime - SUB_CYCLE* (60s/SUB_CYCLE-1); int count = 0; //遍歷存儲的計數(shù)器 Iterator<Map.Entry<Long, Integer>> iterator = counters.entrySet().iterator(); while (iterator.hasNext()) { Map.Entry<Long, Integer> entry = iterator.next(); // 刪除無效過期的子窗口計數(shù)器 if (entry.getKey() < startTime) { iterator.remove(); } else { //累加當(dāng)前窗口的所有計數(shù)器之和 count =count + entry.getValue(); } } return count; }
滑動窗口算法雖然解決了固定窗口的臨界問題,但是一旦到達(dá)限流后,請求都會直接暴力被拒絕。醬紫我們會損失一部分請求,這其實對于產(chǎn)品來說,并不太友好。
漏桶算法面對限流,就更加的柔性,不存在直接的粗暴拒絕。
它的原理很簡單,可以認(rèn)為就是注水漏水的過程。往漏桶中以任意速率流入水,以固定的速率流出水。當(dāng)水超過桶的容量時,會被溢出,也就是被丟棄。因為桶容量是不變的,保證了整體的速率。
流入的水滴,可以看作是訪問系統(tǒng)的請求,這個流入速率是不確定的。
桶的容量一般表示系統(tǒng)所能處理的請求數(shù)。
如果桶的容量滿了,就達(dá)到限流的閥值,就會丟棄水滴(拒絕請求)
流出的水滴,是恒定過濾的,對應(yīng)服務(wù)按照固定的速率處理請求。
漏桶算法偽代碼實現(xiàn)如下:
/** * 每秒處理數(shù)(出水率) */ private long rate; /** * 當(dāng)前剩余水量 */ private long currentWater; /** * 最后刷新時間 */ private long refreshTime; /** * 桶容量 */ private long capacity; /** * 漏桶算法 * @return */ boolean leakybucketLimitTryAcquire() { long currentTime = System.currentTimeMillis(); //獲取系統(tǒng)當(dāng)前時間 long outWater = (currentTime - refreshTime) / 1000 * rate; //流出的水量 =(當(dāng)前時間-上次刷新時間)* 出水率 long currentWater = Math.max(0, currentWater - outWater); // 當(dāng)前水量 = 之前的桶內(nèi)水量-流出的水量 refreshTime = currentTime; // 刷新時間 // 當(dāng)前剩余水量還是小于桶的容量,則請求放行 if (currentWater < capacity) { currentWater++; return true; } // 當(dāng)前剩余水量大于等于桶的容量,限流 return false; }
在正常流量的時候,系統(tǒng)按照固定的速率處理請求,是我們想要的。但是面對突發(fā)流量的時候,漏桶算法還是循規(guī)蹈矩地處理請求,這就不是我們想看到的啦。流量變突發(fā)時,我們肯定希望系統(tǒng)盡量快點處理請求,提升用戶體驗嘛。
面對突發(fā)流量的時候,我們可以使用令牌桶算法限流。
令牌桶算法原理:
有一個令牌管理員,根據(jù)限流大小,定速往令牌桶里放令牌。
如果令牌數(shù)量滿了,超過令牌桶容量的限制,那就丟棄。
系統(tǒng)在接受到一個用戶請求時,都會先去令牌桶要一個令牌。如果拿到令牌,那么就處理這個請求的業(yè)務(wù)邏輯;
如果拿不到令牌,就直接拒絕這個請求。
漏桶算法偽代碼實現(xiàn)如下:
/** * 每秒處理數(shù)(放入令牌數(shù)量) */ private long putTokenRate; /** * 最后刷新時間 */ private long refreshTime; /** * 令牌桶容量 */ private long capacity; /** * 當(dāng)前桶內(nèi)令牌數(shù) */ private long currentToken = 0L; /** * 漏桶算法 * @return */ boolean tokenBucketTryAcquire() { long currentTime = System.currentTimeMillis(); //獲取系統(tǒng)當(dāng)前時間 long generateToken = (currentTime - refreshTime) / 1000 * putTokenRate; //生成的令牌 =(當(dāng)前時間-上次刷新時間)* 放入令牌的速率 currentToken = Math.min(capacity, generateToken + currentToken); // 當(dāng)前令牌數(shù)量 = 之前的桶內(nèi)令牌數(shù)量+放入的令牌數(shù)量 refreshTime = currentTime; // 刷新時間 //桶里面還有令牌,請求正常處理 if (currentToken > 0) { currentToken--; //令牌數(shù)量-1 return true; } return false; }
如果令牌發(fā)放的策略正確,這個系統(tǒng)即不會被拖垮,也能提高機(jī)器的利用率。Guava的RateLimiter限流組件,就是基于令牌桶算法實現(xiàn)的。
“Guava中常用的4種經(jīng)典限流算法介紹”的內(nèi)容就介紹到這里了,感謝大家的閱讀。如果想了解更多行業(yè)相關(guān)的知識可以關(guān)注億速云網(wǎng)站,小編將為大家輸出更多高質(zhì)量的實用文章!
免責(zé)聲明:本站發(fā)布的內(nèi)容(圖片、視頻和文字)以原創(chuàng)、轉(zhuǎn)載和分享為主,文章觀點不代表本網(wǎng)站立場,如果涉及侵權(quán)請聯(lián)系站長郵箱:is@yisu.com進(jìn)行舉報,并提供相關(guān)證據(jù),一經(jīng)查實,將立刻刪除涉嫌侵權(quán)內(nèi)容。