一、前言
在分布式系统中，实现高可用有三大利器：
- 限流
- 降级
- 熔断 我们先对限流来进行一个分析。
二、限流的实现
业界常用的限流的实现方式也有多种，我尝试做一个简单的总结：
- 计数器 统计单位时间内的请求数量，超过某个阈值进行限流
- 信号量 控制请求的最大并发数。Hystrix的信号量模式就是通过控制最大并发数来实现限流。
- 滑动窗口 我个人理解是计数器的升级版，通过统计多个连续的桶来得到一个比较精准和合理的值来进行限流。
- 漏桶算法 流量会先经过漏桶，从漏桶出来的流量会保证匀速地产生，如果漏桶处理不过来(溢出)的流量认为就是需要限流的流量。
- 令牌桶算法 跟令牌桶有点相反，有一个定时器匀速地产生token到桶里面，流量经过的时候会到桶去获取token，获取token失败的流量就被阻塞。如果token一直没有被消费，会累积到桶里面，当然桶本身也有大小，超过最大数量的token会被丢弃掉。
漏桶算法 和 令牌桶算法 最大的区别：
- 漏桶算法的处理的流量必然是匀速的，但是令牌桶算法是允许有一定的突刺流量(取决于桶的最大大小)
三、RateLimiter的创建
guawa的RateLimiter就是使用令牌桶算法实现的。
RateLimiter
我们先分析构造函数，RateLimiter的create方法生成了一个SmoothBursty的类
public static RateLimiter create(double permitsPerSecond) {
/*
* The default RateLimiter configuration can save the unused permits of up to one second. This
* is to avoid unnecessary stalls in situations like this: A RateLimiter of 1qps, and 4 threads,
* all calling acquire() at these moments:
*
* T0 at 0 seconds
* T1 at 1.05 seconds
* T2 at 2 seconds
* T3 at 3 seconds
*
* Due to the slight delay of T1, T2 would have to sleep till 2.05 seconds, and T3 would also
* have to sleep till 3.05 seconds.
*/
return create(permitsPerSecond, SleepingStopwatch.createFromSystemTimer());
}
@VisibleForTesting
static RateLimiter create(double permitsPerSecond, SleepingStopwatch stopwatch) {
RateLimiter rateLimiter = new SmoothBursty(stopwatch, 1.0 /* maxBurstSeconds */);
rateLimiter.setRate(permitsPerSecond);
return rateLimiter;
}
SmoothBursty其实就是RateLimiter的子类
继续往下看SmoothBursty，有一个maxBurstSeconds的属性，这个就是桶的最大大小，如果ratelimiter没有试用，桶最大的保存的秒数，默认值为1。
static final class SmoothBursty extends SmoothRateLimiter {
/** The work (permits) of how many seconds can be saved up if this RateLimiter is unused? */
final double maxBurstSeconds;
SmoothBursty(SleepingStopwatch stopwatch, double maxBurstSeconds) {
super(stopwatch);
this.maxBurstSeconds = maxBurstSeconds;
}
继续往下看maxPermits 是如何定义的，桶保存的最大秒数*每秒允许的请求数
@Override
void doSetRate(double permitsPerSecond, double stableIntervalMicros) {
double oldMaxPermits = this.maxPermits;
//重点关注这一行，最大允许的请求为maxBurstSeconds * permitsPerSecond。
maxPermits = maxBurstSeconds * permitsPerSecond;
if (oldMaxPermits == Double.POSITIVE_INFINITY) {
// if we don't special-case this, we would get storedPermits == NaN, below
storedPermits = maxPermits;
} else {
storedPermits =
(oldMaxPermits == 0.0)
? 0.0 // initial state
: storedPermits * maxPermits / oldMaxPermits;
}
}
/** The maximum number of stored permits. */
double maxPermits;
四、tryAcquire
我们重点关注tryAcquire，tryAcquire跟acquire的主要区别是tryAcquire不会阻塞，马上返回限流结果，而acquire则会阻塞到获取ticket成功为止(当然可以设置等待超时时间)。
public boolean tryAcquire() {
return tryAcquire(1, 0, MICROSECONDS);
}
public boolean tryAcquire(int permits, long timeout, TimeUnit unit) {
long timeoutMicros = max(unit.toMicros(timeout), 0);
checkPermits(permits);
long microsToWait;
synchronized (mutex()) {
long nowMicros = stopwatch.readMicros();
if (!canAcquire(nowMicros, timeoutMicros)) {
return false;
} else {
microsToWait = reserveAndGetWaitLength(permits, nowMicros);
}
}
stopwatch.sleepMicrosUninterruptibly(microsToWait);
return true;
}
下面来分析一下：
- mutex()
获取锁的逻辑。通过双重校验锁的方式来保证锁的唯一性。
private Object mutex() { Object mutex = mutexDoNotUseDirectly; if (mutex == null) { synchronized (this) { mutex = mutexDoNotUseDirectly; if (mutex == null) { mutexDoNotUseDirectly = mutex = new Object(); } } } return mutex; } - canAcquire
是否获取token成功判断
private boolean canAcquire(long nowMicros, long timeoutMicros) { return queryEarliestAvailable(nowMicros) - timeoutMicros <= nowMicros; }@Override final long queryEarliestAvailable(long nowMicros) { return nextFreeTicketMicros; }queryEarliestAvailable这里返回的是下一个空闲的ticket产生的时间(毫秒)，nowMicros是当前时间。 我们尝试把公式改一下，可能会好理解一些：
queryEarliestAvailable(nowMicros) <= nowMicros+timeoutMicros
这里的意思是，如果当前时间+等待的超时时间都比下一个空闲token产生的时间要早，则直接认为获取token失败，因为即使等待超时，也必然获取不到token。
- reserveAndGetWaitLength 更新并获取ticket，并sleep一定时间，返回给调用方。下面重点介绍这个方法。
五、更新ticket
/**
* Reserves next ticket and returns the wait time that the caller must wait for.
*
* @return the required wait time, never negative
*/
final long reserveAndGetWaitLength(int permits, long nowMicros) {
long momentAvailable = reserveEarliestAvailable(permits, nowMicros);
return max(momentAvailable - nowMicros, 0);
}
@Override
final long reserveEarliestAvailable(int requiredPermits, long nowMicros) {
resync(nowMicros);
long returnValue = nextFreeTicketMicros;
double storedPermitsToSpend = min(requiredPermits, this.storedPermits);
double freshPermits = requiredPermits - storedPermitsToSpend;
long waitMicros =
storedPermitsToWaitTime(this.storedPermits, storedPermitsToSpend)
+ (long) (freshPermits * stableIntervalMicros);
this.nextFreeTicketMicros = LongMath.saturatedAdd(nextFreeTicketMicros, waitMicros);
this.storedPermits -= storedPermitsToSpend;
return returnValue;
}
- resync
更新ticket的数量和时间
/** Updates {@code storedPermits} and {@code nextFreeTicketMicros} based on the current time. */ void resync(long nowMicros) { // if nextFreeTicket is in the past, resync to now if (nowMicros > nextFreeTicketMicros) { double newPermits = (nowMicros - nextFreeTicketMicros) / coolDownIntervalMicros(); storedPermits = min(maxPermits, storedPermits + newPermits); nextFreeTicketMicros = nowMicros; } }double newPermits = (nowMicros - nextFreeTicketMicros) / coolDownIntervalMicros();
新增的ticket为 (当前时间-上一次最后更新时间)/coolDownIntervalMicros() 这里coolDownIntervalMicros如果选择的是SmoothBursty实现，则为每个ticket生成所需要的毫秒数。 eg.qps为20，则每个ticket生成所需要的时间为50ms。
storedPermits = min(maxPermits, storedPermits + newPermits);
更新存量的ticket，maxPermits前面已经提到，相当于桶的最大大小，默认是1s的qps数量。
- storedPermitsToSpend和freshPermits storedPermitsToSpend：存量的ticket消费 freshPermits：存量ticket不足，需要额外申请的ticket
long waitMicros = storedPermitsToWaitTime(this.storedPermits, storedPermitsToSpend) + (long) (freshPermits * stableIntervalMicros);
等待时间计算，storedPermitsToWaitTime的SmoothBursty实现直接返回0，freshPermits * stableIntervalMicros为额外需要等待的毫秒数。
- 问题1： 这里的returnValue为什么不是直接返回nextFreeTicketMicros，而是直接获取nextFreeTicketMicros更新前的值？
- 问题2： 如果timeout设置为0，但是存量的ticket不足的情况下，需要freshPermits来填充，那么最终不是也会sleep吗？
五、总结
通过对RateLimiter的源码分析，对令牌桶算法的实现应该有一个比较深刻的理解了。上面提到的两个问题，下一篇我们再去分析。
