限流是一个很大的话题，准备把其中的所有限流器都实现一遍，以此也算全都写过了，到时候再用也不至于会心虚，毕竟真实写完成过。本文主要讲述了如何基于 Redis 与 Lua实现分布式令牌桶的限流方案。
读前提问
我觉得学习任何东西前都应该有自己的反问，这种反问基于标题给你的大概印象。带着问题来看文章，最后应该比盲目的看有收获，先提出几个基础的问题。
限流是什么
通过某种手段对某个时间段的并发访问请求进行流量限制，一旦流量达到限制阈值则可以拒绝服务，排队或等待，目的是防止系统因大流量或突发流量导致服务不可用或崩溃，是一种确保系统高可用的手段。
限流的简单了解
限流常见场景
可以了，基于Redis和Lua实现分布式令牌桶限流
对外限流：
- 电商秒杀（因秒杀业务特性，需要限流）：到达开卖时间瞬间大流量，此时下单人数>商品库存，服务器不可能同时全部消费，需要进行限流，卖完了之后就拒绝后续下单请求。
- 微博热搜（因产品特性，需要限流）：突然出现了几个大瓜，那微博是不是突然流量激增，重灾区就是微博热搜，此时所有服务满载运行，必须有个限流策略保证服务的高可用。
- 防止恶意攻击（突发恶意攻击，需要限流）：比如某一个 API 被疯狂请求，或者某一个 IP 疯狂请求公司的 API，此时就需要进行限流，常见措施是先告警，再限流。为了不影响其他服务的正常使用，需要设计限流方案。
- API有偿调用：用户认证 限流策略，顾名思义没啥好说的，一般是 SAAS 公司最常见的业务，常见于 OPEN-API 相关的小组负责的。
对内限流：
- BUG预防：核心服务的高可用是十分重要的，千万不能挂。如果内部应用出现 bug，一直调用核心服务，核心服务就有被击垮的风险，限流也十分重要。
- 缓存雪崩：请求直接打到 DB，那就哦豁完蛋了，所以需要根据业务场景来实现限流后是排队还是丢弃。
综上所述，需要进行限流的场景可以分为三种：
- 公共的 API ，限流策略用于open-api 网关与相关服务的可用性，同时可以防止恶意攻击。
- 内部的核心应用，应对 bug 或其他突发情况，目的就是保证突发情况下核心应用的高可用。
- 产品具备突发大流量请求的特性，妥妥的都给加上限流策略，保证整个系统的高可用。
限流解决了什么问题
保证服务高可用，牺牲一部分的流量，换取服务的可用性。对于被限流器直接作用的应用来说，除了保证自身不被流量击垮，还保护了依赖它的下游应用。
限流带来的问题
任何技术都是双刃剑，没有绝对的好用，能带来优点必然也会带来问题。
- 限流组件保证了高可用，牺牲了性能，增加了一层 IO 环节的开销，单机限流在本地，分布式限流还要通过网络协议。
- 限流组件保证了高可用，牺牲了一致性，在大流量的情况下，请求的处理会出现延迟的情况，这种场景便无法保证强一致性。特殊情况下，还无法保证最终一致性，部分请求直接被抛弃。
- 限流组件拥有流控权，若限流组件挂了，会引起雪崩效应，导致请求与业务的大批量失败。
- 引入限流组件，增加系统的复杂程度，开发难度增加，限流中间件的设计本身就是一个复杂的体系，需要综合业务与技术去思考与权衡，同时还要确保限流组件本身的高可用与性能，极大增加工作量，甚至需要一个团队去专门开发。
设计限流组件本身需要考虑的点
如果我来设计限流组件，我大致会确认如下几个点：
1.明确限流器的目的：
- 用在哪些模块？
- 应对哪些场景下的什么问题?
- 是单机限流还是分布式限流?
- 确定限流模块的使用层面？例如：单应用维度、业务域维度、网关维度
2.明确限流器的维度，例如 IP 维度，用户授权 token 维度，API 维度等
3.怎么保证限流组件的高可用？
4.怎么解决使用限流组件后带来的一致性问题？
5.怎么缩小限流器的粒度，实现平滑限流？
常见的限流实现
单机
- 基于Java 并发工具
（信号量 / concurrentHashMap）
- 基于Google Guava RateLimiter
稳定模式(SmoothBursty:令牌生成速度恒定) / 渐进模式(SmoothWarmingUp:令牌生成速度缓慢提升直到维持在一个稳定值)
- 分布式
（Redis Lua / Nginx Lua）
常见限流器种类
这四种限流器虽然网上介绍得很多，但是我写给自己看的 _，自己要每次遇到都能够脱口而出，而不是“我经常看到过，但是我记不起来了”或者“我知道是什么意思，但是我就是说不出来，也说不清楚”。后续, 等API网关的限流模块代码完成后, 对着代码和实践会仔细展开说说 ~
- 计数器（固定窗口限流器）
- 滑动窗口限流器
- 令牌桶限流器
- 漏桶限流器
开始实践
模拟的场景
模拟API 网关中的一个 API 接口在某个时刻突然接收到 100 个并发请求，但是该 API 配置的令牌桶限流器每1分钟生成一个，每次限流间隔为 1 小时，限流上限为 60，则通过代码模拟出最终效果，并输出日志。
实现的效果
构建请求
通过参数可知，限流器的类别LimiterType选择的是令牌桶，限流的时间单位timeUnit是每小时，每个限流时间内的令牌桶内令牌的最大数量value是 60.
代码语言：javascript复制{
"id": 3,
"apiId": 3,
"apiName": "测试API",
"ip": "127.0.0.1",
"dimensionName": "app_id",
"dimensionValue": "testid1234",
"timeUnit": 2,
"value": 60,
"LimiterType": 1
}使用 PostMan 中的迭代器功能，进行循环请求：
可以了，基于Redis和Lua实现分布式令牌桶限流
计算令牌桶与推测
- 限流间隔是 1 小时
- 桶内最大令牌是 60 个
- 计算得出令牌的生成间隔是 1 个/1 分钟
- 模拟并发请求 100 个，每个请求的间隔时间是 0ms
- 此时令牌并未来得及生成令牌，所以在第 61 个并发的时候请求，令牌用光被限流
请求的结果
通过下图可知与上面推测相符合，第 61 个请求被限流。
可以了，基于Redis和Lua实现分布式令牌桶限流
关键代码
总的来说，这个模块的流程比较简单，所以直接理解关键代码就 ok 了，实现起来也很容易。
限流器的抽象设计：
预计实现四种限流器，目前本文内实现的是令牌桶限流器。限流器的抽象设计是经典的三层结构，也采用了模板方法的思想，也就是最上层的接口，实现一些公共方法与公共抽象的顶层抽象类，最后是每个限流器的独有逻辑放在各自类中来做。
可以了，基于Redis和Lua实现分布式令牌桶限流
限流业务的实现：
这里贴出限流业务的核心方法，通过调用doFilter 方法实现判断是否需要进行限流。具体调用哪一种限流器通过这两个对象实现的：LimiterStrategy 与 LimiterStrategy 分别是具体的限流算法与限流策略。
代码语言：javascript复制@Override
public boolean doFilter(FlowControlConfig flowControlConfig) {
if (Objects.isNull(flowControlConfig)) {
log.error("[{}] 流控参数为空", this.getClass().getSimpleName());
return true;
}
String key;
boolean filterRes = true;
try {
key = generateRedisLimiterKey(flowControlConfig);
LimiterStrategy limiterStrategy = getLimiterStrategyByCode(flowControlConfig.getLimiterType());
LimiterPolicy limiterPolicy = getLimiterPolicyByCode(flowControlConfig.getLimiterType(), flowControlConfig);
filterRes = limiterStrategy.access(key, limiterPolicy);
if (!filterRes) {
log.warn("Limiter Id:[{}],key :[{}]已达流量上限值:{},被限制请求!", flowControlConfig.getId(), key, flowControlConfig.getValue());
// todo 接入消息告警
}
} catch (Exception e) {
log.error("[{}] 限流器内部出现异常! 入参:{}", this.getClass().getSimpleName(), JSONObject.toJSON(flowControlConfig));
e.printStackTrace();
}
return !filterRes;
}令牌桶限流器算法的对象：
代码语言：javascript复制package com.teavamc.rpcgateway.core.flow.limiter.policy;
import com.google.common.collect.Lists;
import java.util.List;
/**
* 令牌桶限流器的执行对象
*
* @Package com.teavamc.rpcgateway.core.limiter.policy
* @date 2021/1/28 上午11:09
*/
public class TokenBucketLimiterPolicy extends AbstractLimiterPolicy {
/**
* 限流时间间隔
* (重置桶内令牌的时间间隔)
*/
private final long resetBucketInterval;
/**
* 最大令牌数量
*/
private final long bucketMaxTokens;
/**
* 初始可存储数量
*/
private final long initTokens;
/**
* 每个令牌产生的时间
*/
private final long intervalPerPermit;
/**
* 令牌桶对象的构造器
* @param bucketMaxTokens 桶的令牌上限
* @param resetBucketInterval 限流时间间隔
* @param maxBurstTime 最大的突发流量的持续时间(通过计算)
*/
public TokenBucketLimiterPolicy(long bucketMaxTokens, long resetBucketInterval, long maxBurstTime) {
// 最大令牌数
this.bucketMaxTokens = bucketMaxTokens;
// 限流时间间隔
this.resetBucketInterval = resetBucketInterval;
// 令牌的产生间隔 = 限流时间 / 最大令牌数
intervalPerPermit = resetBucketInterval / bucketMaxTokens;
// 初始令牌数 = 最大的突发流量的持续时间 / 令牌产生间隔
// 用 最大的突发流量的持续时间 计算的结果更加合理,并不是每次初始化都要将桶装满
initTokens = Math.min(maxBurstTime / intervalPerPermit, bucketMaxTokens);
}
public long getResetBucketInterval() {
return resetBucketInterval;
}
public long getBucketMaxTokens() {
return bucketMaxTokens;
}
public long getInitTokens() {
return initTokens;
}
public long getIntervalPerPermit() {
return intervalPerPermit;
}
@Override
public String[] toParams() {
List<String > list = Lists.newArrayList();
list.add(String.valueOf(getIntervalPerPermit()));
list.add(String.valueOf(System.currentTimeMillis()));
list.add(String.valueOf(getInitTokens()));
list.add(String.valueOf(getBucketMaxTokens()));
list.add(String.valueOf(getResetBucketInterval()));
return list.toArray(new String[]{});
}
}这个代码已经写得很明白了，东西也不多。但是构造器这里还是要理解一下，特别是maxBurstTime 这个字段，记录这个 api 经历的最大突发流量的时间。
Lua 脚本的解析：
令牌桶的实现是通过 lua 来完成的，所以 lua 是核心逻辑。这是我这边使用的令牌桶方案，都加了注解，如果看不懂就多看几遍，还是看不明白就看最后我的流程图。
代码语言：javascript复制--[[
1. key - 令牌桶的 key
2. intervalPerTokens - 生成令牌的间隔(ms)
3. curTime - 当前时间
4. initTokens - 令牌桶初始化的令牌数
5. bucketMaxTokens - 令牌桶的上限
6. resetBucketInterval - 重置桶内令牌的时间间隔
7. currentTokens - 当前桶内令牌数
8. bucket - 当前 key 的令牌桶对象
]] --
local key = KEYS[1]
local intervalPerTokens = tonumber(ARGV[1])
local curTime = tonumber(ARGV[2])
local initTokens = tonumber(ARGV[3])
local bucketMaxTokens = tonumber(ARGV[4])
local resetBucketInterval = tonumber(ARGV[5])
local bucket = redis.call('hgetall', key)
local currentTokens
-- 若当前桶未初始化,先初始化令牌桶
if table.maxn(bucket) == 0 then
-- 初始桶内令牌
currentTokens = initTokens
-- 设置桶最近的填充时间是当前
redis.call('hset', key, 'lastRefillTime', curTime)
-- 初始化令牌桶的过期时间, 设置为间隔的 1.5 倍
redis.call('pexpire', key, resetBucketInterval * 1.5)
-- 若桶已初始化,开始计算桶内令牌
-- 为什么等于 4 ? 因为有两对 field, 加起来长度是 4
-- { "lastRefillTime(上一次更新时间)","curTime(更新时间值)","tokensRemaining(当前保留的令牌)","令牌数" }
elseif table.maxn(bucket) == 4 then
-- 上次填充时间
local lastRefillTime = tonumber(bucket[2])
-- 剩余的令牌数
local tokensRemaining = tonumber(bucket[4])
-- 当前时间大于上次填充时间
if curTime > lastRefillTime then
-- 拿到当前时间与上次填充时间的时间间隔
-- 举例理解: curTime = 2620 , lastRefillTime = 2000, intervalSinceLast = 620
local intervalSinceLast = curTime - lastRefillTime
-- 如果当前时间间隔 大于 令牌的生成间隔
-- 举例理解: intervalSinceLast = 620, resetBucketInterval = 1000
if intervalSinceLast > resetBucketInterval then
-- 将当前令牌填充满
currentTokens = initTokens
-- 更新重新填充时间
redis.call('hset', key, 'lastRefillTime', curTime)
-- 如果当前时间间隔 小于 令牌的生成间隔
else
-- 可授予的令牌 = 向下取整数( 上次填充时间与当前时间的时间间隔 / 两个令牌许可之间的时间间隔 )
-- 举例理解 : intervalPerTokens = 200 ms , 令牌间隔时间为 200ms
-- intervalSinceLast = 620 ms , 当前距离上一个填充时间差为 620ms
-- grantedTokens = 620/200 = 3.1 = 3
local grantedTokens = math.floor(intervalSinceLast / intervalPerTokens)
-- 可授予的令牌 > 0 时
-- 举例理解 : grantedTokens = 620/200 = 3.1 = 3
if grantedTokens > 0 then
-- 生成的令牌 = 上次填充时间与当前时间的时间间隔 % 两个令牌许可之间的时间间隔
-- 举例理解 : padMillis = 620 0 = 20
-- curTime = 2620
-- curTime - padMillis = 2600
local padMillis = math.fmod(intervalSinceLast, intervalPerTokens)
-- 将当前令牌桶更新到上一次生成时间
redis.call('hset', key, 'lastRefillTime', curTime - padMillis)
end
-- 更新当前令牌桶中的令牌数
-- Math.min(根据时间生成的令牌数 剩下的令牌数, 桶的限制) => 超出桶最大令牌的就丢弃
currentTokens = math.min(grantedTokens tokensRemaining, bucketMaxTokens)
end
else
-- 如果当前时间小于或等于上次更新的时间, 说明刚刚初始化, 当前令牌数量等于桶内令牌数
-- 不需要重新填充
currentTokens = tokensRemaining
end
end
-- 如果当前桶内令牌小于 0,抛出异常
assert(currentTokens >= 0)
-- 如果当前令牌 == 0 ,更新桶内令牌, 返回 0
if currentTokens == 0 then
redis.call('hset', key, 'tokensRemaining', currentTokens)
return 0
else
-- 如果当前令牌 大于 0, 更新当前桶内的令牌 -1 , 再返回当前桶内令牌数
redis.call('hset', key, 'tokensRemaining', currentTokens - 1)
return currentTokens
end其实这个脚本很简单，一个 key 拥有一个令牌桶，令牌桶是通过 Redis 中的 Hash 数据类型进行储存的。每个令牌桶拥有两个 field，分别是上一次填充时间lastRefillTime与当前桶内令牌数量tokensRemaining。
可以了，基于Redis和Lua实现分布式令牌桶限流
从脚本逻辑上来说，就分成了三个步骤，分别是：
1.确认 key 的令牌桶是否存在，如果不存在就初始化。
2.计算并更新当前令牌桶内的令牌数量：
- 如果当前距离上次填充令牌的时间间隔超出重置时间，就重置令牌桶。
- 计算距离上次填充的时间间隔是否超过了生产令牌的间隔时间，若大于间隔就计算生产了多少令牌与上次产生令牌的时间。
- 若距离上次填充至今没有产生令牌就直接用。
3.明确了当前桶内的令牌数之后，就判断是否放行：
- 令牌等于 0，返回 0，不放行。
- 令牌大于0，减少一个当前的桶内令牌，放行。
限流器的模拟使用：
开启一个接口，模拟对接口并发调用。
代码语言：javascript复制@PostMapping(value = "/test")
public void testFlowControl(@RequestBody FlowControlConfig controlConfig) {
Long apiId = controlConfig.getId();
log.info("接收到 ApiId :{} 的请求", apiId);
apiRequestCount.put(apiId, apiRequestCount.getOrDefault(apiId, 0) 1);
// 执行限流
boolean res = flowControl.doFilter(controlConfig);
if (res) {
apiRequestFailedCount.put(apiId, apiRequestFailedCount.getOrDefault(apiId, 0) 1);
} else {
apiRequestSuccessCount.put(apiId, apiRequestSuccessCount.getOrDefault(apiId, 0) 1);
}
// 处理结果
int totalCnt = apiRequestCount.get(apiId);
int successCnt = apiRequestSuccessCount.get(apiId) == null ? 0 : apiRequestSuccessCount.get(apiId);
int failedCnt = apiRequestFailedCount.get(apiId) == null ? 0 : apiRequestFailedCount.get(apiId);
log.info(" ApiId :{} 的请求是否被限流:{} | 共请求{}次,放行{}次,限流{}次", apiId, res, totalCnt, successCnt, failedCnt);
}后续业务拓展需要考虑的点：
- 弹性限流怎么做？平滑限流怎么做？
- 关于api网关的调用的耗时比的思考？
- 网关的性能计算，怎么计算 qps，怎么计算怎么抗多少？
- 怎么合理估算API 的性能，并设置合适的限流大小？
- 怎么根据业务场景选择合适的限流方案？
最后结尾
第二篇文章，其实是写给自己看的，帮助自己查漏补缺。写成公开文章总要更加仔细，所以其实怎么看都是有益的，除非就是很费头发罢了。这篇文章帮助我自己实现了 API 网关 DEMO中限流模块的一部分，我只是将分布式令牌桶的实现拿出来做成了一篇文章，限流模块的设计后续会分享。
代码地址
有兴趣的可以看看，因为是上班抽空写的，还不是很完善~
Github：github.com/teavmac/jav…
