文章目录
原因
尽管云原生网关里有统一入口的限流（根据ip、userID来控制），但是有的微服务需要有自己的限流策略（比如根据不同的算法任务、不同的子产品来限制），所以封装了一个限流器公共包，可以在多个微服务中复用这个功能。直接原因是有一次某个子功能流量激增，大量任务失败。
关键步骤：
- 实现限流策略，例如基于令牌桶或漏桶
- 配置和初始化，微服务启动时加载配置和初始化限流器
限流对象
针对ip限流，例如1s限制50个请求，考虑到公共ip的情况；
针对某个算法任务，不限制vip用户，普通用户1s限制创建10个创建任务的请求。
限流后的做法
目前的做法是限流了就直接拒绝，抛出错误提示，还有其他的做法:
- 同步阻塞等待一段时间。如果是偶发性地触发了限流，那么稍微阻塞等待一会儿，后面就有极大的概率能得到处理。比如说限流设置为一秒钟 100 个请求，恰好来了 101 个请求。多出来的一个请求只需要等一秒钟，下一秒钟就会被处理。但是要注意控制住超时，也就是说你不能让人无限期地等待下去。
- 同步转异步。这里我们又一次看到了这个手段，它是指如果一个请求没被限流，那就直接同步处理；而如果被限流了，那么这个请求就会被存储起来，等到业务低峰期的时候再处理。这个其实跟降级差不多。（TODO 研究到降级时再过来看一下）
- 调整负载均衡算法（用redis的话似乎跟负载均衡没关系，如果是在网关里做限流是可以调整负载均衡器的）。如果某个请求被限流了，那么就相当于告诉负载均衡器，应该尽可能少给这个节点发送请求。我在熔断里面给你讲过类似的方案。不过在熔断里面是负载均衡器后续不再发请求，而在限流这里还是会发送请求，只是会降低转发请求到该节点的概率。调整节点的权重就能达成这种效果。
怎么确定限流阈值
观测业务性能数据
我们公司有完善的监控，所以我可以通过观测到的性能数据来确定阈值。比如说观察线上的数据，如果在业务高峰期整个集群的 QPS 都没超过 1000，那么就可以考虑将阈值设定在 1200，多出来的 200 就是余量。
不过这种方式有一个要求，就是服务必须先上线，有了线上的观测数据才能确定阈值。并且，整个阈值很有可能是偏低的。因为业务巅峰并不意味着是集群性能的瓶颈。如果集群本身可以承受每秒 3000 个请求，但是因为业务量不够，每秒只有 1000 个请求，那么我这里预估出来的阈值是显著低于集群真实瓶颈 QPS 的。
压测
不过我个人觉得，最好的方式应该是在线上执行全链路压测，测试出瓶颈。即便不能做全链路压测，也可以考虑模拟线上环境进行压测，再差也应该在测试环境做一个压力测试。
借鉴链路上的其他服务
不过如果真的做不了，或者来不及，或者没资源，那么还可以考虑参考类似服务的阈值。比如说如果 A、B 服务是紧密相关的，也就是通常调用了 A 服务就会调用 B 服务，那么可以用 A 已经确定的阈值作为 B 的阈值。又或者 A 服务到 B 服务之间有一个转化关系。比如说创建订单到支付，会有一个转化率，假如说是 90%，如果创建订单的接口阈值是 100，那么支付的接口就可以设置为 90。
手动计算
实在没办法了，就只能手动计算了。也就是沿着整条调用链路统计出现了多少次数据库查询、多少次微服务调用、多少次第三方中间件访问，如 Redis，Kafka 等。举一个最简单的例子，假如说一个非常简单的服务，整个链路只有一次数据库查询，这是一个会回表的数据库查询，根据公司的平均数据这一次查询会耗时 10ms，那么再增加 10 ms 作为 CPU 计算耗时。也就是说这一个接口预期的响应时间是 20ms。如果一个实例是 4 核，那么就可以简单用 1000ms÷20ms×4=200 得到阈值。
四种静态限流算法
令牌桶
系统会以一个恒定的速率产生令牌，这些令牌会放到一个桶里面，每个请求只有拿到了令牌才会被执行。每当一个请求过来的时候，就需要尝试从桶里面拿一个令牌。如果拿到了令牌，那么请求就会被处理；如果没有拿到，那么这个请求就被限流了。（当令牌桶已满时，新生成的令牌会被丢弃，不会增加桶中的令牌数量。）
你需要注意，本身令牌桶是可以积攒一定数量的令牌的。比如说桶的容量是 100，也就是这里面最多积攒 100 个令牌。那么当某一时刻突然来了 100 个请求，它们都能拿到令牌。
漏桶
漏桶是指当请求以不均匀的速度到达服务器之后，限流器会以固定的速率转交给业务逻辑。
某种程度上，你可以将漏桶算法看作是令牌桶算法的一种特殊形态。你将令牌桶中桶的容量设想为 0，就是漏桶了。
所以你可以看到，在漏桶里面，令牌产生之后你就需要取走，没取走的话也不会积攒下来。因此漏桶是绝对均匀的，而令牌桶不是绝对均匀的。
固定窗口与滑动窗口
固定窗口是指在一个固定时间段，只允许执行固定数量的请求。比如说在一秒钟之内只能执行 100 个请求。滑动窗口类似于固定窗口，也是指在一个固定时间段内，只允许执行固定数量的请求。区别就在于，滑动窗口是平滑地挪动窗口，而不像固定窗口那样突然地挪动窗口。假设窗口大小是一分钟。此时时间是 t1，那么窗口的起始位置是 t1-1 分钟。过了 2 秒之后，窗口大小依旧是 1 分钟，但是窗口的起始位置也向后挪动了 2 秒，变成了 t1 - 1 分钟 + 2 秒。这也就是滑动的含义。
手写限流算法
参考：
https://blog.csdn.net/z3551906947/article/details/140477024，并且里面阐述了各个算法的优缺点，漏桶是可以用来处理突发流量的。
令牌桶
go
package limiter
import (
"sync"
"time"
)
// TokenBucketLimiter 令牌桶限流器
type TokenBucketLimiter struct {
capacity int // 容量
currentTokens int // 令牌数量
rate int // 发放令牌速率/秒
lastTime time.Time // 上次发放令牌时间
mutex sync.Mutex // 避免并发问题
}
// NewTokenBucketLimiter 创建一个新的令牌桶限流器实例。
func NewTokenBucketLimiter(capacity, rate int) *TokenBucketLimiter {
return &TokenBucketLimiter{
capacity: capacity,
rate: rate,
lastTime: time.Now(),
currentTokens: 0, // 初始化时桶中没有令牌
}
}
// TryAcquire 尝试从令牌桶中获取一个令牌。
func (l *TokenBucketLimiter) TryAcquire() bool {
l.mutex.Lock()
defer l.mutex.Unlock()
now := time.Now()
interval := now.Sub(l.lastTime) // 计算时间间隔
// 如果距离上次发放令牌超过 1/rate 秒，则发放新的令牌
if float64(interval) >= float64(time.Second)/float64(l.rate) {
// 计算应该发放的令牌数量，但不超过桶的容量
newTokens := int(float64(interval)/float64(time.Second)* l.rate)
l.currentTokens = minInt(l.capacity, l.currentTokens+newTokens)
// 更新上次发放令牌的时间
l.lastTime = now
}
// 如果桶中没有令牌，则请求失败
if l.currentTokens == 0 {
return false
}
// 桶中有令牌，消费一个令牌
l.currentTokens--
return true
}
// minInt 返回两个整数中的较小值。
func minInt(a, b int) int {
if a < b {
return a
}
return b
}
func TestName(t *testing.T) {
tokenBucket := NewTokenBucketLimiter(5, 10)
for i := 0; i < 10; i++ {
fmt.Println(tokenBucket.TryAcquire())
}
time.Sleep(100 * time.Millisecond)
fmt.Println(tokenBucket.TryAcquire())
}漏桶
go
package limiter
import (
"fmt"
"math"
"sync"
"testing"
"time"
)
// LeakyBucketLimiter 漏桶限流器
type LeakyBucketLimiter struct {
capacity int // 桶容量
currentLevel int // 当前水位
rate int // 水流速度/秒
lastTime time.Time // 上次放水时间
mutex sync.Mutex // 避免并发问题
}
// NewLeakyBucketLimiter 初始化漏桶限流器
func NewLeakyBucketLimiter(capacity, rate int) *LeakyBucketLimiter {
return &LeakyBucketLimiter{
capacity: capacity,
currentLevel: 0, // 初始化时水位为0
rate: rate,
lastTime: time.Now(),
}
}
// TryAcquire 尝试获取处理请求的权限
func (l *LeakyBucketLimiter) TryAcquire() bool {
l.mutex.Lock() // 直接获取写锁
defer l.mutex.Unlock()
// 如果上次放水时间距今不到 1/rate 秒，不需要放水
now := time.Now()
interval := now.Sub(l.lastTime)
// 计算放水后的水位
if float64(interval) >= float64(time.Second)/float64(l.rate) {
l.currentLevel = int(math.Max(0, float64(l.currentLevel)-float64(interval)/float64(time.Second)*float64(l.rate)))
l.lastTime = now
}
// 尝试增加水位
if l.currentLevel < l.capacity {
l.currentLevel++
return true
}
return false
}
func TestName(t *testing.T) {
tokenBucket := NewLeakyBucketLimiter(5, 10)
for i := 0; i < 10; i++ {
fmt.Println(tokenBucket.TryAcquire())
}
time.Sleep(100 * time.Millisecond)
fmt.Println(tokenBucket.TryAcquire())
}固定窗口
go
package main
import (
"sync"
"time"
)
// FixedWindowRateLimiter 定义固定窗口限流器
type FixedWindowRateLimiter struct {
mu sync.Mutex
maxRequests int
requestCount int
window time.Time // 窗口的起始点，每个窗口长度1s
}
// NewFixedWindowRateLimiter 创建一个新的固定窗口限流器实例
func NewFixedWindowRateLimiter(maxRequests int) *FixedWindowRateLimiter {
return &FixedWindowRateLimiter{
maxRequests: maxRequests,
window: time.Now().Truncate(time.Second),
}
}
// TryAcquire 尝试获取请求许可
func (f *FixedWindowRateLimiter) TryAcquire() bool {
f.mu.Lock()
defer f.mu.Unlock()
// 检查是否需要重置窗口
if time.Now().After(f.window.Add(time.Second)) {
f.requestCount = 0
f.window = time.Now().Truncate(time.Second)
}
// 检查是否达到最大请求次数
if f.requestCount >= f.maxRequests {
return false
}
// 请求成功，递增计数器
f.requestCount++
return true
}
func main() {
limiter := NewFixedWindowRateLimiter(5)
for i := 0; i < 10; i++ {
if limiter.TryAcquire() {
fmt.Println("请求通过")
} else {
fmt.Println("请求被拒绝")
}
time.Sleep(100 * time.Millisecond)
}
}滑动窗口
go
package main
import (
"sync"
"time"
)
// SlidingWindowRateLimiter 定义滑动窗口限流器
type SlidingWindowRateLimiter struct {
mu sync.Mutex
maxRequests int
windowSize time.Duration // 窗口长度
windows []int
windowIndex int
currentTime time.Time // 上个滑窗的起始点
}
// NewSlidingWindowRateLimiter 创建一个新的滑动窗口限流器实例
func NewSlidingWindowRateLimiter(maxRequests int, windowSize time.Duration) *SlidingWindowRateLimiter {
numWindows := int(windowSize.Seconds())
return &SlidingWindowRateLimiter{
maxRequests: maxRequests,
windowSize: windowSize,
windows: make([]int, numWindows),
currentTime: time.Now().Truncate(time.Second),
windowIndex: 0,
}
}
// TryAcquire 尝试获取请求许可
func (s *SlidingWindowRateLimiter) TryAcquire() bool {
s.mu.Lock()
defer s.mu.Unlock()
// 更新当前时间
currentTime := time.Now().Truncate(time.Second)
// 检查是否需要更新窗口
if currentTime.After(s.currentTime.Add(s.windowSize)) {
s.currentTime = currentTime
s.windowIndex = 0
} else if currentTime.After(s.currentTime.Add(time.Second)) {
s.windowIndex = (s.windowIndex + 1) % len(s.windows)
}
// 清除过期窗口
for i := range s.windows {
if currentTime.Before(s.currentTime.Add(time.Duration(i+1)*time.Second)) {
break
}
s.windows[i] = 0
}
// 检查是否达到最大请求次数
totalRequests := 0
for _, count := range s.windows {
totalRequests += count
}
if totalRequests >= s.maxRequests {
return false
}
// 请求成功，递增计数器
s.windows[s.windowIndex]++
return true
}
func main() {
limiter := NewSlidingWindowRateLimiter(5, 10*time.Second)
for i := 0; i < 10; i++ {
if limiter.TryAcquire() {
fmt.Println("请求通过")
} else {
fmt.Println("请求被拒绝")
}
time.Sleep(100 * time.Millisecond)
}
}分布式限流的具体实现
从单机或者集群的角度看，可以分为单机限流或者集群限流。集群限流一般需要借助 Redis 之类的中间件来记录流量和阈值。换句话说，就是你需要用 Redis 等工具来实现前面提到的限流算法。当然如果是利用网关来实现集群限流，那么可以摆脱 Redis。