[[341117]]

本文轉載自微信公眾號「無敵碼農」，作者無敵碼農。轉載本文請聯系無敵碼農公眾號。

在微服務架構中一個會被經常提及的概念就是“服務的熔斷與限流”。而之所以如此頻繁的提及這個概念，是因為在高并發場景下，瞬間的流量洪峰很容易超出微服務中各個系統的最大承受能力，從而造成服務的整體不可用。

所以在設計高并發場景下的微服務架構時，要根據服務所能承受的最大流量制定限流策略，從而保證在高并發場景下服務的穩定性。今天的文章就和大家聊一聊關于限流的內容，包括常見的限流算法及目前微服務架構中主要的限流框架。

限流的概念

先介紹下什么是限流?其實日常生活中的限流場景隨處可見，例如北京地鐵早高峰，每天都是人山人海，如果大家一起蜂擁進站，將很容易造成站內擁堵，所以地鐵站一般都會進站口設置像迷宮一樣的柵欄，大家轉圈圈分批進站，這就是一種典型的限流場景。

那么在微服務中的限流具體是指什么呢?從字面上看，限流限的是流量，在不同場景下流量的定義是不同的，可以是QPS(每秒請求數)、TPS(每秒事務處理數)，也可以指純粹的網絡流量(如網卡通過的字節數)等。

但我們通常所說的限流，是指限制達到系統的并發請求數，使得系統能夠在自身能力允許的情況下正常處理部分用戶的請求，而對超出自身處理能力的用戶請求則予以拒絕，從而保證系統的穩定運行。

限流不可避免的會造成用戶請求失敗或變慢的情況，從而在一定程度上影響用戶體驗，所以限流策略的制定需要以系統壓測的結果為參考，并在用戶體驗與系統穩定性之間進行平衡取舍。

限流的必要性?

前面我們提到限流的主要目的是為了保證系統的穩定性。在日常的業務中，如果遇到像雙十一之類的促銷活動，或者遇到爬蟲等不正常的流量等情況，用戶流量突增，但后端服務的處理能力是有限的，如果不能有效處理突發流量，那么后端服務就很容易被打垮。

可以設想這樣一個場景："某服務單節點可以承受的QPS是1000，該服務共有5個節點，日常情況下服務的QPS為3000"。那么正常情況下該服務毫無壓力,根據負載均衡配置3000/5=600，每個節點的日常QPS才600左右。

直到某一天，老板突然搞了一波促銷，系統的整體QPS達到了8000。此時每個節點的平均承載QPS為1600，節點A率先扛不住直接掛了，此時集群中還剩下4個節點，每個節點的平均承載QPS將達到2000，于是，剩下的4個節點也一臺接一臺掛了，整個服務就此雪崩。

而如果我們的系統有限流機制，那么情況將會如何發展呢?

系統整體QPS達到8000，但由于集群整體限流了5000，所以超出集群承受力的那3000個請求將被拒絕，系統則會正常處理5000個用戶請求，這是對集群整體限流的情況。而對于各個節點來說，由于我的承受力只是1000QPS，那么超出1000的部分也將被拒絕。這樣雖然損失了部分用戶請求，但保證了整個系統的穩定性，也給開發運維留下了系統擴容時間。

由此可見，限流對于系統的自我保護是非常重要的存在。那么限流具體怎么做呢?接下來我們總結下常見的限流算法。

常見的限流算法

常見的限流算法主要有：計數器、固定窗口，滑動窗口、漏桶、令牌桶。接下來我們分別介紹下這幾種限流算法。

<計數器限流>

計數器限流是最簡單粗暴的一種限流算法，例如系統能同時處理100個請求，那么可以在保存一個計數器，處理一個請求，計數器加一，一個請求處理完畢后計數器減一。每次請求進來的時候，先看一眼計數器的值，如果超過閥值則直接拒絕。

在具體實現時，如果該計數器是存在單機內存中，那么就實現了單機限流;而如果存在例如Redis中，集群中的所有節點依次為限流依據，那么就算實現了集群限流算法。

優點：實現簡單，單機例如諸如Java的Atomic等原子類就能實現，集群則通過Redis的incr操作就能快速實現。

缺點：計數器限流無法應對突發的流量增長。例如我們允許的閥值是1W，此時計數器的值是0，那么當1W個請求瞬間全部打進來的時候，很可能服務就頂不住了。這是因為流量的緩緩增加和一下子涌入，對系統所產生的壓力是不一樣的。

況且一般限流都是限制在指定時間間隔內的訪問量，而不是全時段服務的總體處理能力，所以計數器限流不太適合高并發場景下的限流實現。

<固定窗口限流>

相對于計數器來說，固定窗口限流是以一段時間窗口內的訪問量作為限流的依據，計數器每過一個時間窗口就自動重置。其規則如下：

• 請求次數小于閥值，允許訪問，計數器加1;
• 請求次數大于閥值，拒絕訪問;
• 本時間窗口過了之后，計數器自動清零;

固定窗口限流雖然看起來挺完美，但是它有固定窗口臨界的問題。例如系統每秒允許1000個請求，假如第一個時間窗口的間隔是0～1秒，但在第0.55秒處一下子涌入了1000個請求，過了1秒后計數清零，此時在1.05秒的時候又一下子涌入了1000個請求。

此時雖然在固定時間窗口內的計數沒有超過閥值，但在全局看來0.55秒～1.05秒這0.5秒內一下子卻涌入了2000個請求，而這對于閥值為1000/s的系統來說是不可承受的。如下圖所示：

而為了解決這個問題，衍生出了滑動窗口限流的算法!

<滑動窗口限流>

滑動窗口限流解決了固定窗口臨界值的問題，可以保證任意時間窗口內都不會超過限流閥值。相對于固定窗口，滑動窗口除了需要引入計數器外，還需要額外記錄時間窗口內每個請求到達的時間點。

以時間窗口為1秒為例，規則如下：

• 記錄每次請求的時間;
• 統計每次請求的時間向前推1秒這個時間窗口內的請求數，且1秒前的數據可以刪除;
• 統計的請求數小于閥值則記錄該請求的時間，并允許通過，反之則拒絕該請求;

雖然看起來很OK，但是滑動窗口也無法解決短時間之內集中流量的沖擊。例如每秒限制1000個請求，但是有可能存在前5毫秒的時候，閥值就被打滿的情況，理想情況下每10毫秒來100個請求，那么系統對流量的處理就會更加平滑。

但在真實場景中是很難控制請求的頻率的。所以為了解決時間窗口類算法的痛點，又出現了漏桶算法。

<漏桶限流>

漏桶算法的基本思想是，流量持續進入漏桶中，底部則定速處理請求，如果流量進入的速率高于底部請求被處理的速率，且當桶中的流量超過桶的大小時，流量就會被溢出。具體如下圖所示：

漏桶算法的特點是寬進嚴出，無論請求的速率有多大，底部的處理速度都勻速進行。這種算法的特點有點類似于消息隊列的處理機制，一般來說漏桶算法也是由隊列來實現的。

但漏桶算法的這種特點，實際上即是它的優點也是缺點。有時候面對突發流量，我們往往會希望在保持系統穩定的同時，能更快地處理用戶請求以提升用戶體驗，而不是按部就班的佛系工作。在這種情況下又出現了令牌桶這樣的限流算法，它在應對突發流量時，可以比漏桶算法更加激進。

<令牌桶限流>

令牌桶與漏桶的原理類似，只是漏桶是底部勻速處理，而令牌桶則是定速的向桶里塞入令牌，然后請求只有拿到了令牌才會被服務器處理。具體規則如下：

• 定速的向桶中放入令牌;
• 令牌數量超過桶的限制，則丟棄;
• 請求來了先向桶中索取令牌，索取成功則通過被處理，否則拒絕;

可以看出令牌桶在應對突發流量時，不會想漏桶那樣勻速的處理，而是在短時間內請求可以同時取走桶中的令牌，并及時的被服務器處理。所以在應對突發流量的場景下，令牌桶表現更強。

限流算法總結

經過上述的描述，好像漏桶、令牌桶比時間窗口類算法好多了，那么時間窗口類算法是不是就沒啥用了呢?

其實并不是，雖然漏桶、令牌桶對比時間窗口類算法對流量的整形效果更好，但是它們也有各自的缺點，例如令牌桶，假如系統上線時沒有預熱，那么可能會出現由于此時桶中還沒有令牌，而導致請求被誤殺的情況;而漏桶中由于請求是暫存在桶中的，所以請求什么時候能被處理，則是有延時的，這并不符合互聯網業務低延時的要求。

所以令牌桶、漏桶算法更適合阻塞式限流的場景，即后臺任務類的限流。而基于時間窗口的限流則更適合互聯網實施業務限流的場景，即能處理快速處理，不能處理及時響應調用方，避免請求出現過長的等待時間。

微服務限流組件

如果你有興趣實際上也是可以自己實現一個限流組件的，只不過這種輪子已經早有人造好了。目前市面上比較流行的限流組件主要有：Google Guava提供的限流工具類“RateLimiter”、阿里開源的Sentinel。

其中Google Guava提供的限流工具類“RateLimiter”，是基于令牌桶實現的，并且擴展了算法，支持了預熱功能。而阿里的Sentinel中的勻速限流策略，就是采用了漏桶算法。

原文鏈接：https://mp.weixin.qq.com/s/A_iCvZKr1Gq2hUfV8PJ-RA