設定一個場景，假如一個商品接口在某段時間突然上升，會怎么辦？

生活中的例子來說，假設冰墩墩在當天晚上上熱搜之后，迅速有十幾萬人去淘寶下單購買，此時并沒有做好對該商品的緩存預熱以及準備，如何操作？

對于這個問題，在電商高并發系統中，對接口的保護一般采用：緩存、限流、降級 來操作。

假設該接口已經接受過風控的處理，過濾掉一半的機器人腳本請求，剩下都是人為的下單請求。

服務限流

限流 主要的目的是通過對并發訪問/請求進行限速，或者對一個時間窗口內的請求進行限速，一旦達到限制速率則可以拒絕服務、排隊或等待、降級等處理。

限流算法

漏斗算法 漏桶算法

是當請求到達時直接放入漏桶，如果當前容量已達到上限（限流值），則進行丟棄或其他策略（觸發限流策略）。漏桶以固定的速率（根據服務吞吐量）進行釋放訪問請求（即請求通過），直到漏桶為空。

漏斗算法的思想就是，不管你來多少請求，我的接口消費速度一定是小于等于流出速率的閾值的。

可以基于消息隊列來實現

1.令牌桶算法 令牌桶算法

是程序以v（v = 時間周期 / 限流值）的速度向令牌桶中增加令牌，直到令牌桶滿，請求到達時向令牌桶請求令牌，如果獲取成功則通過請求，如果獲取失敗觸發限流策略。

令牌桶算法和漏斗算法的思想差別在于，前者可以允許突發請求的發生。

2.滑窗算法 滑窗算法

是將一個時間周期分為N個小周期，分別記錄每個小周期內訪問次數，并且根據時間滑動刪除過期的小周期。

如下圖所示，假設時間周期為1分鐘，將1分鐘再分為2個小周期，統計每個小周期的訪問數量，則可以看到，第一個時間周期內，訪問數量為75，第二個時間周期內，訪問數量為100，如果一個時間周期內所有的小周期總和超過100的話，則會觸發限流策略。

Sentinel的實現 和 TCP滑窗。

接入層限流

Nginx限流

Nginx 限流采用的是漏桶算法。

它可以根據客戶端特征，限制其訪問頻率，客戶端特征主要指 IP、UserAgent等。使用 IP 比 UserAgent 更可靠，因為 IP 無法造假，UserAgent 可隨意偽造。

limit_req模塊基于IP：Module ngx_http_limit_req_module (nginx.org)

tgngine：ngx_http_limit_req_module - The Tengine Web Server (taobao.org)

本地接口限流

SemaphoreJava 并發庫 的 Semaphore 可以很輕松完成信號量控制，Semaphore 可以控制某個資源可被同時訪問的個數，通過 acquire() 獲取一個許可，如果沒有就等待，而 release() 釋放一個許可。

假如我們對外提供一個服務接口，允許最大并發數為40，我們可以這樣：

private final Semaphore permit = new Semaphore(40, true);public void process(){try{    permit.acquire();    //TODO 處理業務邏輯} catch (InterruptedException e) {    e.printStackTrace();} finally {    permit.release();}}

具體的 Semaphore 實現參考源碼。

分布式接口限流

使用消息隊列

不管是用MQ中間件，或是Redis的List實現的消息隊列，都可以作為一個 緩沖隊列 來使用。思想就是基于漏斗算法。

當對于一個接口請求達到一定閾值時，就可以啟用消息隊列來進行接口數據的緩沖，并根據服務的吞吐量來消費數據。

服務降級

在接口做好風控的前提下，發現了接口請求的并發量迅速上升，我們可以啟用兜底方案，進行服務降級。

一般服務降級應該用來對一些 不重要 或 不緊急 的服務或任務進行服務的 延遲使用 或 暫停使用。

降級方案

停止邊緣業務

比如淘寶雙11前，就不可以查詢三個月前的訂單，對邊緣業務進行降級，保證核心業務的高可用。

拒絕請求

在接口請求并發量大于閾值，或是接口出現大量失敗請求等等突發情況，可以拒絕一些訪問請求。

拒絕策略

隨機拒絕：隨機拒絕超過閾值的請求 。拒絕舊請求：按照請求的時間，優先拒絕更早收到的請求。拒絕非核心請求：根據系統業務設置核心請求清單，將非核心清單內的請求拒絕掉。

恢復方案

在實現服務降級之后，對于突增流量我們可以繼續注冊多個消費者服務來應對并發量，之后我們再對一些服務器進行慢加載。

降級具體實現參考其他文章。

數據緩存

在接口做好風控的前提下，發現了接口請求的并發量迅速上升，我們可以分以下幾個操作執行：

• 對訪問請求使用分布式鎖進行阻塞。
• 在這個短時間中，我們可以將對應操作行的熱點數據，緩存在緩存中間件中。
• 放行請求后，讓所有請求優先操作緩存數據。
• 再將操作的結果通過消息隊列發送給消費接口慢慢消費。

緩存問題

假設我們操作的是一個庫存接口，此時數據庫中只有100個庫存。

那假如此時我們將一條數據放入緩存中，如果所有的請求都來訪問這個緩存，那它還是被打掛，我們該怎么操作？

讀寫分離

第一種想法，讀寫分離。

使用Redis的哨兵集群模式來進行主從復制的讀寫分離操作。讀的操作肯定大于寫操作，等庫存被消費到0時，讀操作直接快速失敗。

負載均衡

第二種想法，負載均衡。

在緩存數據后，如果所有請求都來緩存中操作這個庫存，不管是加悲觀鎖還是樂觀鎖，并發率都很低，此時我們可以對這個庫存進行拆分。

我們可以參照 ConcurrentHashMap 中的 counterCells 變量的設計思想，將100個庫存拆分到10個緩存服務中，每個緩存服務有10個緩存，然后我們再對請求進行負載均衡到各個緩存服務上。

但是這種方式會有問題，如果大部分用戶被hash到同一個緩存上，導致其他緩存沒有被消費，卻返回沒有庫存，這是不合理的。

page cache

第三種想法，page cache。

大部分軟件架構其實都用到了這種方法，比如linux內核的硬盤寫入、mysql的刷盤等等，即將短時間內的寫操作聚合結果寫入，所有的寫操作在緩存內完成。