限流：计数器、漏桶、令牌桶 三大算法的原理与实战（史上最全）
限流限流是面试中的常见的面试题（尤其是大厂面试、高P面试）
https://i-blog.csdnimg.cn/blog_migrate/12807c6b5fc9748804dcbf3c8e2686f4.png
注：本文以 PDF 连续更新，最新尼恩 架构条记、面试题 的PDF文件，请到文末《技能自由圈》公号获取
为什么要限流
简朴来说：
限流在很多场景中用来限制并发和请求量，好比说秒杀抢购，保护自身材系和下游体系不被巨型流量冲垮等。
以微博为例，例如某某明星公布了恋情，访问从寻常的50万增加到了500万，体系的规划能力，最多可以支撑200万访问，那么就要执行限流规则，包管是一个可用的状态，不至于服务器崩溃，所有请求不可用。
参考图谱
体系架构知识图谱（一张价值10w的体系架构知识图谱）
https://www.processon.com/view/link/60fb9421637689719d246739
秒杀体系的架构
https://www.processon.com/view/link/61148c2b1e08536191d8f92f
限流的思想
在包管可用的情况下尽可能多增加进入的人数，其余的人在排队等待，或者返回友好提示，包管里面的进行体系的用户可以正常使用，防止体系雪崩。
日常生活中，有哪些需要限流的地方?
像我旁边有一个国家景区，寻常可能根本没什么人前往，但是一到五一或者春节就人满为患，这时候景区管理人员就会实行一系列的政策来限制进入人流量，
为什么要限流呢?
假如景区能容纳一万人，如今进去了三万人，势必摩肩接踵，整欠好还会有变乱发生，这样的结果就是所有人的体验都欠好，假如发生了变乱景区可能还要关闭，导致对外不可用，这样的后果就是所有人都觉得体验糟糕透了。
限流的算法
限流算法很多，常见的有三类，分别是计数器算法、漏桶算法、令牌桶算法，下面逐一解说。
限流的手段通常有计数器、漏桶、令牌桶。注意限流和限速（所有请求都会处理处罚）的差异，视
业务场景而定。
（1）计数器：
在一段时间间隔内（时间窗/时间区间），处理处罚请求的最大数量固定，凌驾部分不做处理处罚。
（2）漏桶：
漏桶大小固定，处理处罚速率固定，但请求进入速率不固定（在突发情况请求过多时，会抛弃过多的请求）。
（3）令牌桶：
令牌桶的大小固定，令牌的产生速率固定，但是消耗令牌（即请求）速率不固定（可以应对一些某些时间请求过多的情况）；每个请求都会从令牌桶中取出令牌，假如没有令牌则抛弃该次请求。
计数器算法
计数器限流定义：
在一段时间间隔内（时间窗/时间区间），处理处罚请求的最大数量固定，凌驾部分不做处理处罚。
简朴粗暴，好比指定线程池大小，指定命据库连接池大小、nginx连接数等，这都属于计数器算法。
计数器算法是限流算法里最简朴也是最容易实现的一种算法。
举个例子，好比我们规定对于A接口，我们1分钟的访问次数不能凌驾100个。
那么我们可以这么做：
[*]在一开 始的时候，我们可以设置一个计数器counter，每当一个请求过来的时候，counter就加1，假如counter的值大于100并且该请求与第一个请求的间隔时间还在1分钟之内，那么说明请求数过多，拒绝访问；
[*]假如该请求与第一个请求的间隔时间大于1分钟，且counter的值还在限流范围内，那么就重置 counter，就是这么简朴粗暴。
https://i-blog.csdnimg.cn/blog_migrate/3a46b9a3495958edf1bb5978bd593fd8.png
盘算器限流的实现
package com.crazymaker.springcloud.ratelimit;
import lombok.extern.slf4j.Slf4j;
import org.junit.Test;
import java.util.concurrent.CountDownLatch;
import java.util.concurrent.ExecutorService;
import java.util.concurrent.Executors;
import java.util.concurrent.atomic.AtomicInteger;
import java.util.concurrent.atomic.AtomicLong;
// 计速器 限速
@Slf4j
public class CounterLimiter
{
// 起始时间
private static long startTime = System.currentTimeMillis();
// 时间区间的时间间隔 ms
private static long interval = 1000;
// 每秒限制数量
private static long maxCount = 2;
//累加器
private static AtomicLong accumulator = new AtomicLong();
// 计数判断, 是否超出限制
private static long tryAcquire(long taskId, int turn)
{
long nowTime = System.currentTimeMillis();
//在时间区间之内
if (nowTime < startTime + interval)
{
long count = accumulator.incrementAndGet();
if (count <= maxCount)
{
return count;
} else
{
return -count;
}
} else
{
//在时间区间之外
synchronized (CounterLimiter.class)
{
log.info("新时间区到了,taskId{}, turn {}..", taskId, turn);
// 再一次判断，防止重复初始化
if (nowTime > startTime + interval)
{
accumulator.set(0);
startTime = nowTime;
}
}
return 0;
}
}
//线程池，用于多线程模拟测试
private ExecutorService pool = Executors.newFixedThreadPool(10);
@Test
public void testLimit()
{
// 被限制的次数
AtomicInteger limited = new AtomicInteger(0);
// 线程数
final int threads = 2;
// 每条线程的执行轮数
final int turns = 20;
// 同步器
CountDownLatch countDownLatch = new CountDownLatch(threads);
long start = System.currentTimeMillis();
for (int i = 0; i < threads; i++)
{
pool.submit(() ->
{
try
{
for (int j = 0; j < turns; j++)
{
long taskId = Thread.currentThread().getId();
long index = tryAcquire(taskId, j);
if (index <= 0)
{
// 被限制的次数累积
limited.getAndIncrement();
}
Thread.sleep(200);
}
} catch (Exception e)
{
e.printStackTrace();
}
//等待所有线程结束
countDownLatch.countDown();
});
}
try
{
countDownLatch.await();
} catch (InterruptedException e)
{
e.printStackTrace();
}
float time = (System.currentTimeMillis() - start) / 1000F;
//输出统计结果
log.info("限制的次数为：" + limited.get() +
",通过的次数为：" + (threads * turns - limited.get()));
log.info("限制的比例为：" + (float) limited.get() / (float) (threads * turns));
log.info("运行的时长为：" + time);
}
}
计数器限流的严重问题
这个算法虽然简朴，但是有一个非常致命的问题，那就是临界问题，我们看下图：
https://i-blog.csdnimg.cn/blog_migrate/2d975b99f131bc105d3d25bb05912059.jpeg
从上图中我们可以看到，假设有一个恶意用户，他在0:59时，刹时发送了100个请求，并且1:00又刹时发送了100个请求，那么其实这个用户在 1秒里面，刹时发送了200个请求。
我们刚才规定的是1分钟最多100个请求（规划的吞吐量），也就是每秒钟最多1.7个请求，用户通过在时间窗口的重置节点处突发请求， 可以刹时凌驾我们的速率限制。
用户有可能通过算法的这个漏洞，刹时压垮我们的应用。
说明：本文会连续更新，更多最新尼恩3高条记PDF，请从下面的链接获取： 码云
漏桶算法
漏桶算法限流的根本原理为：水（对应请求）从进水口进入到漏桶里，漏桶以肯定的速率出水（请求放行），当水流入速率过大，桶内的总水量大于桶容量会直接溢出，请求被拒绝，如图所示。
大致的漏桶限流规则如下：
（1）进水口（对应客户端请求）以任意速率流入进入漏桶。
（2）漏桶的容量是固定的，出水（放行）速率也是固定的。
（3）漏桶容量是稳定的，假如处理处罚速率太慢，桶内水量会超出了桶的容量，则背面流入的水滴会溢出，表示请求拒绝。
漏桶算法原理
漏桶算法思路很简朴：
水（请求）先辈入到漏桶里，漏桶以肯定的速率出水，当水流入速率过大会凌驾桶可采取的容量时直接溢出。
可以看出漏桶算法能强行限制数据的传输速率。
https://i-blog.csdnimg.cn/blog_migrate/ec224405a0e118598cfa65f2582d4456.png
漏桶算法其实很简朴，可以粗略的以为就是注水漏水过程，往桶中以任意速率流入水，以肯定速率流出水，当水凌驾桶容量（capacity）则抛弃，因为桶容量是稳定的，包管了团体的速率。
以肯定速率流出水，
https://i-blog.csdnimg.cn/blog_migrate/6a94028370c67acda9d93a0000ea1542.png
削峰：有大量流量进入时，会发生溢出，从而限流保护服务可用
缓冲：不至于直接请求到服务器，缓冲压力
消耗速率固定 因为盘算性能固定
漏桶算法实现
package com.crazymaker.springcloud.ratelimit;
import lombok.extern.slf4j.Slf4j;
import org.junit.Test;
import java.util.concurrent.CountDownLatch;
import java.util.concurrent.ExecutorService;
import java.util.concurrent.Executors;
import java.util.concurrent.atomic.AtomicInteger;
// 漏桶 限流
@Slf4j
public class LeakBucketLimiter {
// 计算的起始时间
private static long lastOutTime = System.currentTimeMillis();
// 流出速率 每秒 2 次
private static int leakRate = 2;
// 桶的容量
private static int capacity = 2;
//剩余的水量
private static AtomicInteger water = new AtomicInteger(0);
//返回值说明：
// false 没有被限制到
// true 被限流
public static synchronized boolean isLimit(long taskId, int turn) {
// 如果是空桶，就当前时间作为漏出的时间
if (water.get() == 0) {
lastOutTime = System.currentTimeMillis();
water.addAndGet(1);
return false;
}
// 执行漏水
int waterLeaked = ((int) ((System.currentTimeMillis() - lastOutTime) / 1000)) * leakRate;
// 计算剩余水量
int waterLeft = water.get() - waterLeaked;
water.set(Math.max(0, waterLeft));
// 重新更新leakTimeStamp
lastOutTime = System.currentTimeMillis();
// 尝试加水,并且水还未满 ，放行
if ((water.get()) < capacity) {
water.addAndGet(1);
return false;
} else {
// 水满，拒绝加水， 限流
return true;
}
}
//线程池，用于多线程模拟测试
private ExecutorService pool = Executors.newFixedThreadPool(10);
@Test
public void testLimit() {
// 被限制的次数
AtomicInteger limited = new AtomicInteger(0);
// 线程数
final int threads = 2;
// 每条线程的执行轮数
final int turns = 20;
// 线程同步器
CountDownLatch countDownLatch = new CountDownLatch(threads);
long start = System.currentTimeMillis();
for (int i = 0; i < threads; i++) {
pool.submit(() ->
{
try {
for (int j = 0; j < turns; j++) {
long taskId = Thread.currentThread().getId();
boolean intercepted = isLimit(taskId, j);
if (intercepted) {
// 被限制的次数累积
limited.getAndIncrement();
}
Thread.sleep(200);
}
} catch (Exception e) {
e.printStackTrace();
}
//等待所有线程结束
countDownLatch.countDown();
});
}
try {
countDownLatch.await();
} catch (InterruptedException e) {
e.printStackTrace();
}
float time = (System.currentTimeMillis() - start) / 1000F;
//输出统计结果
log.info("限制的次数为：" + limited.get() +
",通过的次数为：" + (threads * turns - limited.get()));
log.info("限制的比例为：" + (float) limited.get() / (float) (threads * turns));
log.info("运行的时长为：" + time);
}
}
漏桶的问题
漏桶的出水速率固定，也就是请求放行速率是固定的。
网上抄来抄去的说法：
漏桶不能有效应对突发流量，但是能起到平滑突发流量（整流）的作用。
现实上的问题：
漏桶出口的速率固定，不能机动的应对后端能力提拔。好比，通过动态扩容，后端流量从1000QPS提拔到1WQPS，漏桶没有办法。
令牌桶限流
令牌桶算法以一个设定的速率产生令牌并放入令牌桶，每次用户请求都得申请令牌，假如令牌不足，则拒绝请求。
令牌桶算法中新请求到来时会从桶里拿走一个令牌，假如桶内没有令牌可拿，就拒绝服务。当然，令牌的数量也是有上限的。令牌的数量与时间和发放速率强相干，时间流逝的时间越长，会不绝往桶里加入越多的令牌，假如令牌发放的速率比申请速率快，令牌桶会放满令牌，直到令牌占满整个令牌桶，如图所示。
令牌桶限流大致的规则如下：
（1）进水口按照某个速率，向桶中放入令牌。
（2）令牌的容量是固定的，但是放行的速率不是固定的，只要桶中还有剩余令牌，一旦请求过来就能申请成功，然后放行。
（3）假如令牌的发放速率，慢于请求到来速率，桶内就无牌可领，请求就会被拒绝。
总之，令牌的发送速率可以设置，从而可以对突发的出口流量进行有效的应对。
令牌桶算法
令牌桶与漏桶相似，差别的是令牌桶桶中放了一些令牌，服务请求到达后，要获取令牌之后才会得到服务，举个例子，我们寻常去食堂用饭，都是在食堂内窗口前排队的，这就好比是漏桶算法，大量的人员聚集在食堂内窗口外，以肯定的速率享受服务，假如涌进来的人太多，食堂装不下了，可能就有一部分人站到食堂外了，这就没有享受到食堂的服务，称之为溢出，溢出可以继承请求，也就是继承排队，那么这样有什么问题呢?
假如这时候有特殊情况，好比有些赶时间的志愿者啦、或者高三要高考啦，这种情况就是突发情况，假如也用漏桶算法那也得逐步排队，这也就没有解决我们的需求，对于很多应用场景来说，除了要求可以或许限制数据的平均传输速率外，还要求答应某种程度的突发传输。这时候漏桶算法可能就不符合了，令牌桶算法更为适合。如图所示，令牌桶算法的原理是体系会以一个恒定的速率往桶里放入令牌，而假如请求需要被处理处罚，则需要先从桶里获取一个令牌，当桶里没有令牌可取时，则拒绝服务。
https://i-blog.csdnimg.cn/blog_migrate/7d092ffa0218d0a407e4aebe0ca6d97b.png
https://i-blog.csdnimg.cn/blog_migrate/554bdce5ad0e05346d9a1b7c322a21eb.png
令牌桶算法实现
package com.crazymaker.springcloud.ratelimit;
import lombok.extern.slf4j.Slf4j;
import org.junit.Test;
import java.util.concurrent.CountDownLatch;
import java.util.concurrent.ExecutorService;
import java.util.concurrent.Executors;
import java.util.concurrent.atomic.AtomicInteger;
// 令牌桶 限速
@Slf4j
public class TokenBucketLimiter {
// 上一次令牌发放时间
public long lastTime = System.currentTimeMillis();
// 桶的容量
public int capacity = 2;
// 令牌生成速度 /s
public int rate = 2;
// 当前令牌数量
public AtomicInteger tokens = new AtomicInteger(0);
;
//返回值说明：
// false 没有被限制到
// true 被限流
public synchronized boolean isLimited(long taskId, int applyCount) {
long now = System.currentTimeMillis();
//时间间隔,单位为 ms
long gap = now - lastTime;
//计算时间段内的令牌数
int reverse_permits = (int) (gap * rate / 1000);
int all_permits = tokens.get() + reverse_permits;
// 当前令牌数
tokens.set(Math.min(capacity, all_permits));
log.info("tokens {} capacity {} gap {} ", tokens, capacity, gap);
if (tokens.get() < applyCount) {
// 若拿不到令牌,则拒绝
// log.info("被限流了.." + taskId + ", applyCount: " + applyCount);
return true;
} else {
// 还有令牌，领取令牌
tokens.getAndAdd( - applyCount);
lastTime = now;
// log.info("剩余令牌.." + tokens);
return false;
}
}
//线程池，用于多线程模拟测试
private ExecutorService pool = Executors.newFixedThreadPool(10);
@Test
public void testLimit() {
// 被限制的次数
AtomicInteger limited = new AtomicInteger(0);
// 线程数
final int threads = 2;
// 每条线程的执行轮数
final int turns = 20;
// 同步器
CountDownLatch countDownLatch = new CountDownLatch(threads);
long start = System.currentTimeMillis();
for (int i = 0; i < threads; i++) {
pool.submit(() ->
{
try {
for (int j = 0; j < turns; j++) {
long taskId = Thread.currentThread().getId();
boolean intercepted = isLimited(taskId, 1);
if (intercepted) {
// 被限制的次数累积
limited.getAndIncrement();
}
Thread.sleep(200);
}
} catch (Exception e) {
e.printStackTrace();
}
//等待所有线程结束
countDownLatch.countDown();
});
}
try {
countDownLatch.await();
} catch (InterruptedException e) {
e.printStackTrace();
}
float time = (System.currentTimeMillis() - start) / 1000F;
//输出统计结果
log.info("限制的次数为：" + limited.get() +
",通过的次数为：" + (threads * turns - limited.get()));
log.info("限制的比例为：" + (float) limited.get() / (float) (threads * turns));
log.info("运行的时长为：" + time);
}
}
令牌桶的好处
令牌桶的好处之一就是可以方便地应对 突发出口流量（后端能力的提拔）。
好比，可以改变令牌的发放速率，算法能按照新的发送速率调大令牌的发放数量，使得出口突发流量能被处理处罚。
Guava RateLimiter
Guava是Java领域优秀的开源项目，它包含了Google在Java项目中使用一些核心库，包含聚集(Collections)，缓存(Caching)，并发编程库(Concurrency)，常用注解(Common annotations)，String操作，I/O操作方面的众多非常实用的函数。 Guava的 RateLimiter提供了令牌桶算法实现：平滑突发限流(SmoothBursty)宁静滑预热限流(SmoothWarmingUp)实现。
https://i-blog.csdnimg.cn/blog_migrate/85a64bd5ec59bf02903cc79c30b95fd3.png
RateLimiter的类图如上所示，
Nginx漏桶限流
Nginx限流的简朴演示
每六秒才处理处罚一次请求，如下
limit_req_zone$arg_sku_idzone=skuzone:10m rate=6r/m;
limit_req_zone$http_user_idzone=userzone:10m rate=6r/m;
limit_req_zone$binary_remote_addrzone=perip:10m rate=6r/m;
limit_req_zone$server_name zone=perserver:1m rate=6r/m;
这是从请求参数里边，提前参数做限流
这是从请求参数里边，提前参数，进行限流的次数统计key。
在http块里边定义限流的内存区域 zone。
limit_req_zone$arg_sku_idzone=skuzone:10m rate=6r/m;
limit_req_zone$http_user_idzone=userzone:10m rate=6r/m;
limit_req_zone$binary_remote_addrzone=perip:10m rate=6r/m;
limit_req_zone$server_name zone=perserver:1m rate=10r/s;
在location块中使用 限流zone，参考如下：
#ratelimit by sku id
location= /ratelimit/sku {
limit_reqzone=skuzone;
echo "正常的响应";
}
测试
# /vagrant/LuaDemoProject/sh/linux/openresty-restart.sh
shell dir is: /vagrant/LuaDemoProject/sh/linux
Shutting down openrestry/nginx:pid is 13479 13485
Shutting downsucceeded!
OPENRESTRY_PATH:/usr/local/openresty
PROJECT_PATH:/vagrant/LuaDemoProject/src
nginx: lua_code_cache is off; this will hurt performance in /vagrant/LuaDemoProject/src/conf/nginx-seckill.conf:90
openrestry/nginx starting succeeded!
pid is 14197
# curlhttp://cdh1/ratelimit/sku?sku_id=1
正常的响应
root@cdh1 ~]#curlhttp://cdh1/ratelimit/sku?sku_id=1
正常的响应
#curlhttp://cdh1/ratelimit/sku?sku_id=1
限流后的降级内容
#curlhttp://cdh1/ratelimit/sku?sku_id=1
限流后的降级内容
#curlhttp://cdh1/ratelimit/sku?sku_id=1
限流后的降级内容
#curlhttp://cdh1/ratelimit/sku?sku_id=1
限流后的降级内容
#curlhttp://cdh1/ratelimit/sku?sku_id=1
限流后的降级内容
#curlhttp://cdh1/ratelimit/sku?sku_id=1
正常的响应
从Header头部提前参数
1、nginx是支持读取非nginx标准的用户自定义header的，但是需要在http或者server下开启header的下划线支持:
underscores_in_headers on;
2、好比我们自定义header为X-Real-IP，通过第二个nginx获取该header时需要这样:
$http_x_real_ip; (一律采取小写，而且前面多了个http_)
underscores_in_headers on;
limit_req_zone$http_user_idzone=userzone:10m rate=6r/m;
server {
listen 80 default;
server_namenginx.server *.nginx.server;
default_type 'text/html';
charset utf-8;
#ratelimit by user id
location= /ratelimit/demo {
limit_reqzone=userzone;
echo "正常的响应";
}
location = /50x.html{
echo "限流后的降级内容";
}
error_page 502 503 =200 /50x.html;
}
测试
# curl -H "USER-ID:1" http://cdh1/ratelimit/demo
正常的响应
# curl -H "USER-ID:1" http://cdh1/ratelimit/demo
限流后的降级内容
# curl -H "USER-ID:1" http://cdh1/ratelimit/demo
限流后的降级内容
# curl -H "USER-ID:1" http://cdh1/ratelimit/demo
限流后的降级内容
# curl -H "USER-ID:1" http://cdh1/ratelimit/demo
限流后的降级内容
# curl -H "USER-ID:1" http://cdh1/ratelimit/demo
限流后的降级内容
# curl -H "USER-ID:1" http://cdh1/ratelimit/demo
限流后的降级内容
# curl -H "USER_ID:2" http://cdh1/ratelimit/demo
正常的响应
# curl -H "USER_ID:2" http://cdh1/ratelimit/demo
限流后的降级内容
#
# curl -H "USER_ID:2" http://cdh1/ratelimit/demo
限流后的降级内容
# curl -H "USER-ID:3" http://cdh1/ratelimit/demo
正常的响应
# curl -H "USER-ID:3" http://cdh1/ratelimit/demo
限流后的降级内容
Nginx漏桶限流的三个细分类型，即burst、nodelay参数详解
每六秒才处理处罚一次请求，如下
limit_req_zone$arg_user_idzone=limti_req_zone:10m rate=10r/m;
不带缓冲队列的漏桶限流
limit_req zone=limti_req_zone;
[*]严格依照在limti_req_zone中设置的rate来处理处罚请求
[*]凌驾rate处理处罚能力范围的，直接drop
[*]表现为对收到的请求无延时
假设1秒内提交10个请求，可以看到一共10个请求，9个请求都失败了，直接返回503，
接着再检察 /var/log/nginx/access.log，印证了只有一个请求成功了，其它就是都直接返回了503，即服务器拒绝了请求。
https://i-blog.csdnimg.cn/blog_migrate/f26c9206915eb342410f818a3ba60d43.png
带缓冲队列的漏桶限流
limit_req zone=limti_req_zone burst=5;
[*]依照在limti_req_zone中设置的rate来处理处罚请求
[*]同时设置了一个大小为5的缓冲队列，在缓冲队列中的请求会等待逐步处理处罚
[*]凌驾了burst缓冲队列长度和rate处理处罚能力的请求被直接抛弃
[*]表现为对收到的请求有延时
假设1秒内提交10个请求，则可以发如今1s内，**在服务器吸收到10个并发请求后，先处理处罚1个请求，同时将5个请求放入burst缓冲队列中，等待处理处罚。而凌驾（burst+1）数量的请求就被直接抛弃了，即直接抛弃了4个请求。**burst缓存的5个请求每隔6s处理处罚一次。
接着检察 /var/log/nginx/access.log日志
https://img-blog.csdn.net/20171128185856826?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvaGVsbG93X193b3JsZA==/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/Center
带瞬时处理处罚能力的漏桶限流
limit_req zone=req_zone burst=5 nodelay;
假如设置nodelay，会在瞬时提供处理处罚(burst + rate)个请求的能力，请求数量凌驾**（burst + rate）**的时候就会直接返回503，峰值范围内的请求，不存在请求需要等待的情况。
假设1秒内提交10个请求，则可以发如今1s内，服务器端处理处罚了6个请求（峰值速率：burst＋10s内一个请求）。对于剩下的4个请求，直接返回503，在下一秒假如继承向服务端发送10个请求，服务端会直接拒绝这10个请求并返回503。
接着检察 /var/log/nginx/access.log日志
https://i-blog.csdnimg.cn/blog_migrate/1cff9adf580a0dd9b4c8990256af027c.png
可以发如今1s内，服务器端处理处罚了6个请求（峰值速率：burst＋原来的处理处罚速率）。对于剩下的4个请求，直接返回503。
但是，总数额度和速率*时间保持一致， 就是额度用完了，需要比及一个有额度的时间段，才开始吸收新的请求。假如一次处理处罚了5个请求，相称于占了30s的额度，6*5=30。因为设定了6s处理处罚1个请求，所以直到30
s 之后，才可以再处理处罚一个请求，即假如此时向服务端发送10个请求，会返回9个503，一个200
说明：本文会以pdf格式连续更新，更多最新尼恩3高pdf条记，请从下面的链接获取：语雀 或者 码云
分布式限流组件
why
但是Nginx的限流指令只能在同一块内存区域有效，而在生产场景中秒杀的外部网关每每是多节点部署，所以这就需要用到分布式限流组件。
高性能的分布式限流组件可以使用Redis+Lua来开发，京东的抢购就是使用Redis+Lua完成的限流。并且无论是Nginx外部网关还是Zuul内部网关，都可以使用Redis+Lua限流组件。
理论上，接入层的限流有多个维度：
（1）用户维度限流：在某一时间段内只答应用户提交一次请求，好比可以采取客户端IP或者用户ID作为限流的key。
（2）商品维度的限流：对于同一个抢购商品，在某个时间段内只答应肯定命量的请求进入，可以采取秒杀商品ID作为限流的key。
什么时候用nginx限流：
用户维度的限流，可以在ngix 上进行，因为使用nginx限流内存来存储用户id，比用redis 的key，来存储用户id，服从高。
什么时候用redis+lua分布式限流：
商品维度的限流，可以在redis上进行，不需要大量的盘算访问次数的key，另外，可以控制所有的接入层节点的访问秒杀请求的总量。
redis+lua分布式限流组件
--- 此脚本的环境： redis 内部，不是运行在 nginx 内部
---方法：申请令牌
--- -1 failed
--- 1 success
--- @param key key 限流关键字
--- @param apply申请的令牌数量
local function acquire(key, apply)
local times = redis.call('TIME');
-- times 秒数 -- times 微秒数
local curr_mill_second = times * 1000000 + times;
curr_mill_second = curr_mill_second / 1000;
local cacheInfo = redis.pcall("HMGET", key, "last_mill_second", "curr_permits", "max_permits", "rate")
--- 局部变量：上次申请的时间
local last_mill_second = cacheInfo;
--- 局部变量：之前的令牌数
local curr_permits = tonumber(cacheInfo);
--- 局部变量：桶的容量
local max_permits = tonumber(cacheInfo);
--- 局部变量：令牌的发放速率
local rate = cacheInfo;
--- 局部变量：本次的令牌数
local local_curr_permits = 0;
if (type(last_mill_second) ~= 'boolean' and last_mill_second ~= nil) then
-- 计算时间段内的令牌数
local reverse_permits = math.floor(((curr_mill_second - last_mill_second) / 1000) * rate);
-- 令牌总数
local expect_curr_permits = reverse_permits + curr_permits;
-- 可以申请的令牌总数
local_curr_permits = math.min(expect_curr_permits, max_permits);
else
-- 第一次获取令牌
redis.pcall("HSET", key, "last_mill_second", curr_mill_second)
local_curr_permits = max_permits;
end
local result = -1;
-- 有足够的令牌可以申请
if (local_curr_permits - apply >= 0) then
-- 保存剩余的令牌
redis.pcall("HSET", key, "curr_permits", local_curr_permits - apply);
-- 为下次的令牌获取，保存时间
redis.pcall("HSET", key, "last_mill_second", curr_mill_second)
-- 返回令牌获取成功
result = 1;
else
-- 返回令牌获取失败
result = -1;
end
return result
end
--eg
-- /usr/local/redis/bin/redis-cli-a 123456--eval /vagrant/LuaDemoProject/src/luaScript/redis/rate_limiter.lua key , acquire 11
-- 获取 sha编码的命令
-- /usr/local/redis/bin/redis-cli-a 123456script load "$(cat/vagrant/LuaDemoProject/src/luaScript/redis/rate_limiter.lua)"
-- /usr/local/redis/bin/redis-cli-a 123456script exists"cf43613f172388c34a1130a760fc699a5ee6f2a9"
-- /usr/local/redis/bin/redis-cli -a 123456evalsha "cf43613f172388c34a1130a760fc699a5ee6f2a9" 1 "rate_limiter:seckill:1"init 11
-- /usr/local/redis/bin/redis-cli -a 123456evalsha "cf43613f172388c34a1130a760fc699a5ee6f2a9" 1 "rate_limiter:seckill:1"acquire 1
--local rateLimiterSha = "e4e49e4c7b23f0bf7a2bfee73e8a01629e33324b";
---方法：初始化限流 Key
--- 1 success
--- @param key key
--- @param max_permits桶的容量
--- @param rate令牌的发放速率
local function init(key, max_permits, rate)
local rate_limit_info = redis.pcall("HMGET", key, "last_mill_second", "curr_permits", "max_permits", "rate")
local org_max_permits = tonumber(rate_limit_info)
local org_rate = rate_limit_info
if (org_max_permits == nil) or (rate ~= org_rate or max_permits ~= org_max_permits) then
redis.pcall("HMSET", key, "max_permits", max_permits, "rate", rate, "curr_permits", max_permits)
end
return 1;
end
--eg
-- /usr/local/redis/bin/redis-cli -a 123456 --eval /vagrant/LuaDemoProject/src/luaScript/redis/rate_limiter.lua key , init 11
-- /usr/local/redis/bin/redis-cli -a 123456 --eval /vagrant/LuaDemoProject/src/luaScript/redis/rate_limiter.lua"rate_limiter:seckill:1", init 11
---方法：删除限流 Key
local function delete(key)
redis.pcall("DEL", key)
return 1;
end
--eg
-- /usr/local/redis/bin/redis-cli--eval /vagrant/LuaDemoProject/src/luaScript/redis/rate_limiter.lua key , delete
local key = KEYS
local method = ARGV
if method == 'acquire' then
return acquire(key, ARGV, ARGV)
elseif method == 'init' then
return init(key, ARGV, ARGV)
elseif method == 'delete' then
return delete(key)
else
--ignore
end
在redis中，为了避免重复发送脚本数据浪费网络资源，可以使用script load命令进行脚本数据缓存，并且返回一个哈希码作为脚本的调用句柄，
每次调用脚本只需要发送哈希码来调用即可。
分布式令牌限流实战
可以使用redis+lua，实战一票下边的简朴案例：
令牌按照1个每秒的速率放入令牌桶，桶中最多存放2个令牌，那体系就只会答应连续的每秒处理处罚2个请求，
或者每隔2 秒，等桶中2 个令牌攒满后，一次处理处罚2个请求的突发情况，包管体系稳定性。
商品维度的限流
当秒杀商品维度的限流，当商品的流量，远远大于涉及的流量时，开始随机抛弃请求。
Nginx的令牌桶限流脚本getToken_access_limit.lua执行在请求的access阶段，但是，该脚本并没有实现限流的核心逻辑，仅仅调用缓存在Redis内部的rate_limiter.lua脚本进行限流。
getToken_access_limit.lua脚本和rate_limiter.lua脚本的关系，具体如图10-17所示。
https://i-blog.csdnimg.cn/blog_migrate/1ab146394c9b6feabc395d55ceee6941.png
图10-17 getToken_access_limit.lua脚本和rate_limiter.lua脚本关系
什么时候在Redis中加载rate_limiter.lua脚本呢？
和秒杀脚本一样，该脚本是在Java程序启动商品秒杀时，完成其在Redis的加载和缓存的。
还有一点非常紧张，Java程序会将脚本加载完成之后的sha1编码，去通过自定义的key（具体为"lua:sha1:rate_limiter"）缓存在Redis中，以方便Nginx的getToken_access_limit.lua脚本去获取，并且在调用evalsha方法时使用。
注意：使用redis集群，因此每个节点都需要各自缓存一份脚本数据
/**
* 由于使用redis集群，因此每个节点都需要各自缓存一份脚本数据
* @param slotKey 用来定位对应的slot的slotKey
*/
public void storeScript(String slotKey){
if (StringUtils.isEmpty(unlockSha1) || !jedisCluster.scriptExists(unlockSha1, slotKey)){
//redis支持脚本缓存，返回哈希码，后续可以继续用来调用脚本
unlockSha1 = jedisCluster.scriptLoad(DISTRIBUTE_LOCK_SCRIPT_UNLOCK_VAL, slotKey);
}
}
常见的限流组件
redission分布式限流采取令牌桶思想和固定时间窗口，trySetRate方法设置桶的大小，使用redis key过期机制到达时间窗口目的，控制固定时间窗口内答应通过的请求量。
spring cloud gateway集成redis限流，但属于网关层限流
技能自由的实现路径：
实现你的 架构自由：
《吃透8图1模板，大家可以做架构》
《10Wqps批评中台，如何架构？B站是这么做的！！！》
《阿里二面：千万级、亿级数据，如何性能优化？ 教科书级 答案来了》
《峰值21WQps、亿级DAU，小游戏《羊了个羊》是怎么架构的？》
《100亿级订单怎么调度，来一个大厂的极品方案》
《2个大厂 100亿级 超大流量 红包 架构方案》
… 更多架构文章，正在添加中
实现你的 相应式 自由：
《相应式圣经：10W字，实现Spring相应式编程自由》
这是老版本 《Flux、Mono、Reactor 实战（史上最全）》
实现你的 spring cloud 自由：
《Spring cloud Alibaba 学习圣经》 PDF
《分库分表 Sharding-JDBC 底层原理、核心实战（史上最全）》
《一文搞定：SpringBoot、SLF4j、Log4j、Logback、Netty之间混乱关系（史上最全）》
实现你的 linux 自由：
《Linux命令大全：2W多字，一次实现Linux自由》
实现你的 网络 自由：
《TCP协议详解 (史上最全)》
《网络三张表：ARP表, MAC表, 路由表，实现你的网络自由！！》
实现你的 分布式锁 自由：
《Redis分布式锁（图解 - 秒懂 - 史上最全）》
《Zookeeper 分布式锁 - 图解 - 秒懂》
实现你的 王者组件 自由：
《队列之王： Disruptor 原理、架构、源码 一文穿透》
《缓存之王：Caffeine 源码、架构、原理（史上最全，10W字 超级长文）》
《缓存之王：Caffeine 的使用（史上最全）》
《Java Agent 探针、字节码增强 ByteBuddy（史上最全）》
实现你的 面试题 自由：
4000页《尼恩Java面试宝典 》 40个专题
以上尼恩 架构条记、面试题 的PDF文件更新，请到《技能自由圈》公号获取↓↓↓
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。
页:
[1]