Guava中常用的4種經典限流算法介紹

本篇內容介紹了“Guava中常用的4種經典限流算法介紹”的有關知識，在實際案例的操作過程中，不少人都會遇到這樣的困境，接下來就讓小編帶領大家學習一下如何處理這些情況吧！希望大家仔細閱讀，能夠學有所成！

最近，我們的業務系統引入了Guava的RateLimiter限流組件，它是基于令牌桶算法實現的,而令牌桶是非常經典的限流算法。本文將跟大家一起學習幾種經典的限流算法。

限流是什么?

維基百科的概念如下：

• In computer networks, rate limiting is used to control the rate of requests  sent or

• received by a network interface controller. It can be used to prevent DoS  attacks

• and limit web scraping

簡單翻譯一下：在計算機網絡中，限流就是控制網絡接口發送或接收請求的速率，它可防止DoS攻擊和限制Web爬蟲。

限流，也稱流量控制。是指系統在面臨高并發，或者大流量請求的情況下，限制新的請求對系統的訪問，從而保證系統的穩定性。限流會導致部分用戶請求處理不及時或者被拒，這就影響了用戶體驗。所以一般需要在系統穩定和用戶體驗之間平衡一下。舉個生活的例子：

★一些熱門的旅游景區，一般會對每日的旅游參觀人數有限制的。每天只會賣出固定數目的門票，比如5000張。假設在五一、國慶假期，你去晚了，可能當天的票就已經賣完了，就無法進去游玩了。即使你進去了，排隊也能排到你懷疑人生。”

常見的限流算法

固定窗口限流算法

首先維護一個計數器，將單位時間段當做一個窗口，計數器記錄這個窗口接收請求的次數。

• 當次數少于限流閥值，就允許訪問，并且計數器+1

• 當次數大于限流閥值，就拒絕訪問。

• 當前的時間窗口過去之后，計數器清零。

假設單位時間是1秒，限流閥值為3。在單位時間1秒內，每來一個請求,計數器就加1，如果計數器累加的次數超過限流閥值3，后續的請求全部拒絕。等到1s結束后，計數器清0，重新開始計數。如下圖：

偽代碼如下：

/**   * 固定窗口時間算法   * @return   */  boolean fixedWindowsTryAcquire() {      long currentTime = System.currentTimeMillis();  //獲取系統當前時間      if (currentTime - lastRequestTime > windowUnit) {  //檢查是否在時間窗口內          counter = 0;  // 計數器清0          lastRequestTime = currentTime;  //開啟新的時間窗口      }      if (counter < threshold) {  // 小于閥值          counter++;  //計數器加1          return true;      }       return false;  }

但是，這種算法有一個很明顯的臨界問題：假設限流閥值為5個請求，單位時間窗口是1s,如果我們在單位時間內的前0.8-1s和1-1.2s，分別并發5個請求。雖然都沒有超過閥值，但是如果算0.8-1.2s,則并發數高達10，已經超過單位時間1s不超過5閥值的定義啦。

滑動窗口限流算法

滑動窗口限流解決固定窗口臨界值的問題。它將單位時間周期分為n個小周期，分別記錄每個小周期內接口的訪問次數，并且根據時間滑動刪除過期的小周期。

一張圖解釋滑動窗口算法，如下：

假設單位時間還是1s，滑動窗口算法把它劃分為5個小周期，也就是滑動窗口(單位時間)被劃分為5個小格子。每格表示0.2s。每過0.2s，時間窗口就會往右滑動一格。然后呢，每個小周期，都有自己獨立的計數器，如果請求是0.83s到達的，0.8~1.0s對應的計數器就會加1。

我們來看下滑動窗口是如何解決臨界問題的?

假設我們1s內的限流閥值還是5個請求，0.8~1.0s內(比如0.9s的時候)來了5個請求，落在黃色格子里。時間過了1.0s這個點之后，又來5個請求，落在紫色格子里。如果是固定窗口算法，是不會被限流的，但是滑動窗口的話，每過一個小周期，它會右移一個小格。過了1.0s這個點后，會右移一小格，當前的單位時間段是0.2~1.2s，這個區域的請求已經超過限定的5了，已觸發限流啦，實際上，紫色格子的請求都被拒絕啦。

TIPS: 當滑動窗口的格子周期劃分的越多，那么滑動窗口的滾動就越平滑，限流的統計就會越精確。

滑動窗口算法偽代碼實現如下：

/**     * 單位時間劃分的小周期（單位時間是1分鐘，10s一個小格子窗口，一共6個格子）     */    private int SUB_CYCLE = 10;     /**     * 每分鐘限流請求數     */    private int thresholdPerMin = 100;     /**     * 計數器, k-為當前窗口的開始時間值秒，value為當前窗口的計數     */    private final TreeMap<Long, Integer> counters = new TreeMap<>();    /**     * 滑動窗口時間算法實現     */    boolean slidingWindowsTryAcquire() {        long currentWindowTime = LocalDateTime.now().toEpochSecond(ZoneOffset.UTC) / SUB_CYCLE * SUB_CYCLE; //獲取當前時間在哪個小周期窗口        int currentWindowNum = countCurrentWindow(currentWindowTime); //當前窗口總請求數         //超過閥值限流        if (currentWindowNum >= thresholdPerMin) {            return false;        }         //計數器+1        counters.get(currentWindowTime)++;        return true;    }    /**    * 統計當前窗口的請求數    */    private int countCurrentWindow(long currentWindowTime) {        //計算窗口開始位置        long startTime = currentWindowTime - SUB_CYCLE* (60s/SUB_CYCLE-1);        int count = 0;         //遍歷存儲的計數器        Iterator<Map.Entry<Long, Integer>> iterator = counters.entrySet().iterator();        while (iterator.hasNext()) {            Map.Entry<Long, Integer> entry = iterator.next();            // 刪除無效過期的子窗口計數器            if (entry.getKey() < startTime) {                iterator.remove();            } else {                //累加當前窗口的所有計數器之和                count =count + entry.getValue();            }        }        return count;    }

滑動窗口算法雖然解決了固定窗口的臨界問題，但是一旦到達限流后，請求都會直接暴力被拒絕。醬紫我們會損失一部分請求，這其實對于產品來說，并不太友好。

漏桶算法

漏桶算法面對限流，就更加的柔性，不存在直接的粗暴拒絕。

它的原理很簡單，可以認為就是注水漏水的過程。往漏桶中以任意速率流入水，以固定的速率流出水。當水超過桶的容量時，會被溢出，也就是被丟棄。因為桶容量是不變的，保證了整體的速率。

• 流入的水滴，可以看作是訪問系統的請求，這個流入速率是不確定的。

• 桶的容量一般表示系統所能處理的請求數。

• 如果桶的容量滿了，就達到限流的閥值，就會丟棄水滴(拒絕請求)

• 流出的水滴，是恒定過濾的，對應服務按照固定的速率處理請求。

漏桶算法偽代碼實現如下：

/**     * 每秒處理數（出水率）     */    private long rate;     /**     *  當前剩余水量     */    private long currentWater;     /**     * 最后刷新時間     */    private long refreshTime;     /**     * 桶容量     */    private long capacity;     /**     * 漏桶算法     * @return     */    boolean leakybucketLimitTryAcquire() {        long currentTime = System.currentTimeMillis();  //獲取系統當前時間        long outWater = (currentTime - refreshTime) / 1000 * rate; //流出的水量 =(當前時間-上次刷新時間)* 出水率        long currentWater = Math.max(0, currentWater - outWater); // 當前水量 = 之前的桶內水量-流出的水量        refreshTime = currentTime; // 刷新時間         // 當前剩余水量還是小于桶的容量，則請求放行        if (currentWater < capacity) {            currentWater++;            return true;        }                // 當前剩余水量大于等于桶的容量，限流        return false;    }

在正常流量的時候，系統按照固定的速率處理請求，是我們想要的。但是面對突發流量的時候，漏桶算法還是循規蹈矩地處理請求，這就不是我們想看到的啦。流量變突發時，我們肯定希望系統盡量快點處理請求，提升用戶體驗嘛。

令牌桶算法

面對突發流量的時候，我們可以使用令牌桶算法限流。

令牌桶算法原理：

• 有一個令牌管理員，根據限流大小，定速往令牌桶里放令牌。

• 如果令牌數量滿了，超過令牌桶容量的限制，那就丟棄。

• 系統在接受到一個用戶請求時，都會先去令牌桶要一個令牌。如果拿到令牌，那么就處理這個請求的業務邏輯;

• 如果拿不到令牌，就直接拒絕這個請求。

漏桶算法偽代碼實現如下：

/**   * 每秒處理數（放入令牌數量）   */  private long putTokenRate;    /**   * 最后刷新時間   */  private long refreshTime;   /**   * 令牌桶容量   */  private long capacity;    /**   * 當前桶內令牌數   */  private long currentToken = 0L;   /**   * 漏桶算法   * @return   */  boolean tokenBucketTryAcquire() {       long currentTime = System.currentTimeMillis();  //獲取系統當前時間      long generateToken = (currentTime - refreshTime) / 1000 * putTokenRate; //生成的令牌 =(當前時間-上次刷新時間)* 放入令牌的速率      currentToken = Math.min(capacity, generateToken + currentToken); // 當前令牌數量 = 之前的桶內令牌數量+放入的令牌數量      refreshTime = currentTime; // 刷新時間            //桶里面還有令牌，請求正常處理      if (currentToken > 0) {          currentToken--; //令牌數量-1          return true;      }            return false;  }

如果令牌發放的策略正確，這個系統即不會被拖垮，也能提高機器的利用率。Guava的RateLimiter限流組件，就是基于令牌桶算法實現的。

“Guava中常用的4種經典限流算法介紹”的內容就介紹到這里了，感謝大家的閱讀。如果想了解更多行業相關的知識可以關注億速云網站，小編將為大家輸出更多高質量的實用文章！