入一行，先别惦记着挣钱，而是要先让自己值钱
代码下载地址：https://github.com/f641385712/netflix-learning
前言
上篇文章介绍了Hystrix指标数据收集的数据源HystrixEvent和数据流HystrixEventStream，通过示例了解了Hystrix数据收集的基本模型，但实际上并不精确。
我们已经知道Hystrix它是通过滑动窗口的数据结构/算法来统计调用的指标数据的，但若直接使用HystrixEventStream作为管道传播数据的话，是点对点的，并无时间区间、时间窗口等概念。因此本文将以以这为目的，深入了解与时间窗口相关的数据传输、收集处理的核心API：BucketedCounterStream。
正文
Hystrix从1.5版本（2016.12）开始，它全面拥抱RxJava把这块代码重写设计为了基于数据流Stream的形式，通过消费数据流的形式利用滑动窗口，并对数据流进行变换后进行后续的操作，可以让开发者更加灵活地去使用。
滑动窗口本质就是不断变换的数据流，滑动窗口中每个桶的数据都来自于源源不断的事件，因此滑动窗口非常适合用观察者模式和响应式编程思想的 RxJava 实现。
说明数据流Stream的实现强依赖与RxJava思想，推荐若对此还不太熟悉，请翻阅前几篇文章or其它文章先了解RxJava的思想以及使用。
使用 RxJava可以通过它的一系列操作符来实现滑动窗口，从而可以依赖 RxJava 的线程模型来保证数据写入和聚合的线程安全，将这一系列的机制交给 RxJava来得以保证。所有的操作都是在 RxJava 的后台线程上进行的，这也大大降低了对业务线程的延迟性的影响。
Hystrix里的滑动窗口
Hystrix通过滑动窗口来对数据进行“平滑”统计，默认情况下，一个滑动窗口包含10个桶（Bucket），每个桶时间宽度是1秒，负责1秒的数据统计。滑动窗口包含的总时间以及其中的桶数量都是可以配置的，来张官方的截图认识下滑动窗口：
上图的每个小矩形代表一个桶，可以看到，每个桶都记录着1秒内的四个指标数据：成功量、失败量、超时量和拒绝量，这里的拒绝量指的就是上面流程图中【信号量/线程池资源检查】中被拒绝的流量。10个桶合起来是一个完整的滑动窗口，所以计算一个滑动窗口的总数据需要将10个桶的数据加起来。
BucketedCounterStream
滑动窗口所有的数据流实现均位于com.netflix.hystrix.metric.consumer这个包下，这里先挑最顶层的类BucketedCounterStream进行说明。
BucketedCounterStream它是抽象类，提供了基本的桶计数器(BucketedCounter)实现：按配置的时间间隔将所有事件聚合成桶。
代码语言：javascript复制该抽象类定义最为基本的概念：桶、窗口
// Event：需要汇聚到桶里面的原始事件类型（HystrixEvent是原始的，HystrixRollingNumberEvent是直接的）
// Hystrix 中的调用事件，如命令开始执行、命令执行完成等
// Bucket：每个桶中包含的数据类型
// Output：最终输出类型：发送给流订阅者的数据类型(通常与Bucket相同，但不必相同)
public abstract class BucketedCounterStream<Event extends HystrixEvent, Bucket, Output> {
protected final int numBuckets;
protected final Observable<Bucket> bucketedStream;
// 订阅信息：允许订阅or取消订阅
protected final AtomicReference<Subscription> subscription = new AtomicReference<Subscription>(null);
// 它是一个函数。用于把Observable<Event>转为Observable<Bucket>
private final Func1<Observable<Event>, Observable<Bucket>> reduceBucketToSummary;
// 它是个Subject：既能发射数据，也能监听数据
// 用于计数
private final BehaviorSubject<Output> counterSubject = BehaviorSubject.create(getEmptyOutputValue());
// inputEventStream：事件流，input输入。比如command执行开始、结束时都会有输入
// numBuckets：用户不配置的话，默认它是10
// bucketSizeInMs：窗口毫秒值。若不配置回事1秒
// appendRawEventToBucket：它是一个函数 R call(T1 t1, T2 t2) 输入Bucket, Event返回Bucket类型
protected BucketedCounterStream(final HystrixEventStream<Event> inputEventStream, final int numBuckets, final int bucketSizeInMs,
final Func2<Bucket, Event, Bucket> appendRawEventToBucket) {
this.numBuckets = numBuckets;
// getEmptyBucketSummary是否抽象方法：获取空桶
this.reduceBucketToSummary = eventBucket -> eventBucket.reduce(getEmptyBucketSummary(), appendRawEventToBucket);
final List<Bucket> emptyEventCountsToStart = new ArrayList<>();
for (int i = 0; i < numBuckets; i ) {
emptyEventCountsToStart.add(getEmptyBucketSummary());
}
this.bucketedStream = Observable.defer(() -> {
return inputEventStream
.observe()
// 利用RxJava进行窗口滑动
// bucketSizeInMs默认值是1000，表示1s表示一个窗口
.window(bucketSizeInMs, TimeUnit.MILLISECONDS)
.flatMap(reduceBucketToSummary)
.startWith(emptyEventCountsToStart);
});
}
}用户在使用 Hystrix 的时候一般都要配两个值（当然，大多数情况下默认值即可）：timeInMilliseconds 和numBuckets，前者代表滑动窗口的长度（时间间隔），后者代表滑动窗口中桶的个数，那么每个桶对应的窗口长度就是 bucketSizeInMs = timeInMilliseconds / numBuckets（记为一个单元窗口周期）。BucketedCounterStream每隔一个单元窗口周期（bucketSizeInMs）就把这段时间内的所有调用事件聚合到一个桶内（使用的便是reduceBucketToSummary函数完成）。
共享的事件流HystrixEventStream
BucketedCounterStream 核心代码在构造函数里，里面最核心的逻辑就是如何将一个一个的事件按一段时间（RxJava的window方法）聚合成一个桶（flatMap方法）。我们可以看到 bucketedStream 是经事件源 inputEventStream 变换而成的，事件源的类型为 HystrixEventStream<Event>，关于此事件流你可参考上篇文章，电梯直达：[享学Netflix] 二十二、Netflix Hystrix事件源与事件流：HystrixEvent和HystrixEventStream
此处说明一点：发送事件/数据的顺序性、
write()数据时的线程安全性均由RxJava以及Hystrix使用ThreadLocal提供保证的，使用者放心使用即可
事件聚合 -> 桶（Event -> Bucket）
事件流通过HystrixEventStream源源不断的传递过来，某一时段甚至某一时刻进来的事件会有N个，但是这个时候需要把它聚合成Bucket桶，以方便后续的统计（因为桶才是窗口的最小单位），这部分核心逻辑在这：
this.reduceBucketToSummary = eventBucket -> eventBucket.reduce(getEmptyBucketSummary(), appendRawEventToBucket);
this.bucketedStream = Observable.defer(() -> { // defer 的意思是 lazy 创建
return inputEventStream
.observe()
.window(bucketSizeInMs, TimeUnit.MILLISECONDS) // 按单元窗口长度来将某个时间段内的调用事件聚集起来
.flatMap(reduceBucketToSummary) // 将每个单元窗口内聚集起来的事件集合聚合成桶
.startWith(emptyEventCountsToStart); // 为了保证窗口的完整性，开始的时候先产生一串空的桶
});这里最为核心是 window 操作符：它可以按单元窗口长度来将某个时间段内的调用事件聚集起来。
此时数据流里每个对象都是一个集合：Observable<Event>，所以需要将其聚集成桶类型以将其扁平化。Hystrix 通过 RxJava 的 reduce 操作符进行“归纳”操作，将一串事件归纳成一个桶：
this.reduceBucketToSummary = eventBucket -> eventBucket.reduce(getEmptyBucketSummary(), appendRawEventToBucket);这个reduce函数的初始值为：getEmptyBucketSummary()也就是空桶，它是抽象方法由子类实现。appendRawEventToBucket负责具体的reduce聚合逻辑，这是由构造函数传进来的函数：Bucket Event -> Bucket，表示：对于每个 Event，都将其聚合到 Bucket 中，并返回聚合后的 Bucket。
说明：不同的实现对归约
appendRawEventToBucket函数的实现是不同的，比如熔断器依赖的HealthCountsStream它就是以long[]作为每个桶的。
Tips：window(timespan, unit)操作符属于计算型操作符，默认会在 Schedulers.computation() 调度器下执行（CPU 密集型，关于Schedulers前文有过详细解释），其底层本质是线程数为 CPU 核数的线程池。RxJava 会确保其线程安全。
其它方法
代码语言：javascript复制BucketedCounterStream：
// 抽象方法：访问权限是Default哦~~~
abstract Bucket getEmptyBucketSummary(); // 空桶
abstract Output getEmptyOutputValue(); // 空的输出值。作为BehaviorSubject的默认值
// 注意：这个泛型是output，并不是输入哦。返回的是处理后的输出流，所以一般是桶
// 它是public的
public abstract Observable<Output> observe();
// 取消subscription的订阅（它的设值方法见下）
public void unsubscribe() {
Subscription s = subscription.get();
if (s != null) {
s.unsubscribe();
subscription.compareAndSet(s, null);
}
}
// 若subscription还为null（还未开始），那就让counterSubject去监听着
// observe().subscribe(counterSubject);
public void startCachingStreamValuesIfUnstarted() { ... }
// 这是一个同步调用。以检索最后一个计算的桶，而不需要等待任何发射
// 该方法会在很多地方被调用
public Output getLatest() {
startCachingStreamValuesIfUnstarted();
if (counterSubject.hasValue()) {
return counterSubject.getValue();
} else {
return getEmptyOutputValue();
}
}总结
BucketedCounterStream提供的能力可描述为：桶计数器，它负责把一段时间窗口内的事件归约到一个桶里，并且对外提供Stream的访问方式，让外部可以订阅、处理。
如果说HystrixEventStream是点对点的建立了通道，那么BucketedCounterStream就是定期的去通道了收集数据，统计装到桶里，以便后续使用。至于桶是什么结构？装了哪些数据，以及具体的归约、计算逻辑均在子类实现，下面文章将继续分享这方面的内容，敬请关注。
