一、限流思路

常见的系统服务限流模式有：熔断、服务降级、延迟处理和特殊处理四种，

1、熔断

将熔断措施嵌入到系统设计中，当系统出现问题时，若短时间内无法修复，系统会自动开启熔断开关，拒绝流量访问，避免大流量对后端的过载请求，

除此之外，系统还能够动态监测后端程序的修复情况，当程序已恢复稳定时，就关闭熔断开关，恢复正常服务，

常见的熔断组件有 Hystrix 以及阿里的 Sentinel，

在Spring Cloud框架里，熔断机制通过Hystrix实作，Hystrix会监控微服务间呼叫的状况，当失败的呼叫到一定阈值，预设是5秒内20次呼叫失败，就会启动熔断机制，熔断机制的注解是@HystrixCommand，Hystrix会找有这个注解的方法，并将这类方法关联到和熔断器连在一起的代理上，

2、服务降级

将系统的所有功能服务进行一个分级，当系统出现问题需要紧急限流时，可将不是那么重要的功能进行降级处理，停止服务，保障核心功能正常运作，

例如在电商平台中，如果突发流量激增，可临时将商品评论、积分等非核心功能进行降级，停止这些服务，释放出机器和 CPU 等资源来保障用户正常下单，

这些降级的功能服务可以等整个系统恢复正常后，再来启动，进行补单/补偿处理，

除了功能降级以外，还可以采用不直接操作数据库，而全部读快取、写快取的方式作为临时降级方案，

熔断&降级

相同点：

目标一致都是从可用性和可靠性出发，为了防止系统崩溃；

用户体验类似，最终都让用户体验到的是某些功能暂时不可用，
不同点：

触发原因不同，服务熔断一般是某个服务（下游服务,即被呼叫的服务）故障引起；
而服务降级一般是从整体负荷考虑，

3、延迟处理

延迟处理需要在系统的前端设定一个流量缓冲池，将所有的请求全部缓冲进这个池子，不立即处理，后端真正的业务处理程序从这个池子中取出请求依次处理，常见的可以用队列模式来实作，

这就相当于用异步的方式去减少了后端的处理压力，但是当流量较大时，后端的处理能力有限，缓冲池里的请求可能处理不及时，会有一定程度延迟，

4、特权处理

这个模式需要将用户进行分类，通过预设的分类，让系统优先处理需要高保障的用户群体，其它用户群的请求就会延迟处理或者直接不处理，

二、限流算法

常见的限流算法有三类：计数器算法、漏桶算法和令牌桶算法，

1、计数器算法

计数器算法是限流算法中最简单最容易的一种，如上图每分钟只允许100个请求，第一个请求进去的时间为startTime，在startTime + 60s内只允许100个请求，

当60s内超过十个请求后，则拒绝请求；不超过的允许请求，到第60s 则重新设定时间，

 1 package com.todaytalents.rcn.parser.util;
 2 
 3 import java.util.concurrent.atomic.AtomicInteger;
 4 
 5 /**
 6  * 计数器实作限流：
 7  * 每分钟只允许100个请求，第一个请求进去的时间为startTime，在startTime + 60s内只允许100个请求
 8  * 60s内超过100个请求后，则拒绝请求，
 9  * 不超过，允许请求，到第60s 重新设定时间，
10  *
11  * @author: Arafat
12  * @date: 2021/12/29
13  * @company: 澳B99999
14  **/
15 public class CalculatorCurrentLimiting {
16 
17     /**
18      * 限流个数
19      */
20     private int maxCount = 100;
21     /**
22      * 指定的时间内:秒
23      */
24     private long specifiedTime = 60;
25     /**
26      * 原子类计数器
27      */
28     private AtomicInteger atomicInteger = new AtomicInteger(0);
29     /**
30      * 起始时间
31      */
32     private long startTime = System.currentTimeMillis();
33 
34     /**
35      * @param maxCount      限流个数
36      * @param specifiedTime 指定的时间内
37      * @return 回传true 不限流，回传false 则限流
38      */
39     public boolean limit(int maxCount, int specifiedTime) {
40         atomicInteger.addAndGet(1);
41         if (1 == atomicInteger.get()) {
42             startTime = System.currentTimeMillis();
43             atomicInteger.addAndGet(1);
44             return true;
45         }
46         // 超过时间间隔，重新开始计数
47         if (System.currentTimeMillis() - startTime > specifiedTime * 1000) {
48             startTime = System.currentTimeMillis();
49             atomicInteger.set(1);
50             return true;
51         }
52         // 还在时间间隔内，检查是否超过限流数量
53         if (maxCount < atomicInteger.get()) {
54             return false;
55         }
56         return true;
57     }
58 
59 }

View Code

利用计数器算法比如要求某一个界面，1分钟内的请求不能超过100次，

可以在开始时设定一个计数器，每次请求，该计数器+1；如果该计数器的值大于10并且与第一次请求的时间间隔在1分钟内，那么说明请求过多则限制请求直接回传或不处理，反之，

如果该请求与第一次请求的时间间隔大于1分钟，并且该计数器的值还在限流范围内，那么重置该计数器，

计算器算法虽然简单，但它有一个狠致命的临界问题，

上图可以看出假若有一个恶意用户，他在0:59时，瞬间发送了100个请求，并且在1:00时，又瞬间发送了100个请求，那么其实这个用户在 1秒里面，瞬间发送了200个请求，

而上述计数器算法规定的是1分钟最多100个请求，也就是每秒钟最多1.7个请求，而用户通过在时间视窗的重置节点处突发请求，可以瞬间超过限流的速率限制，这个漏洞可能会瞬间压垮服务应用，

上述漏洞问题其实是因为计数器限流算法统计的精度太低，可以借助滑动视窗算法将临界问题的影响降低，

2、滑动视窗

上图中，整个红色的矩形框表示一个时间视窗，在计数器算法限流的例子中，一个时间视窗就是一分钟，在这里将时间视窗进行划分，比如图中，将滑动视窗划成了6格，每格代表的是10秒钟，每过10秒钟，时间视窗就会往右滑动一格，每一个格子都有自己独立的计数器counter，比如当一个请求在0:35秒的时候到达，那么0:30~0:39对应的counter就会加1，

那么滑动视窗怎么解决刚才的临界问题的呢？

上图，0:59到达的100个请求会落在灰色的格子中，而1:00到达的请求会落在橘黄色的格子中，当时间到达1:00时，视窗会往右移动一格，那么此时时间视窗内的总请求数量一共是200个，超过了限定的100个，所以此时能够检测出来触发了限流，

经比较发现发现，计数器算法其实就是滑动视窗算法，只是它没有对时间视窗做进一步地划分，所以只有1格，所以，当滑动视窗的格子划分的越多，则滑动视窗的滚动就越平滑，限流的统计就会越精确，

3、漏桶算法

漏桶算法思路很简单，水（请求）先进入到漏桶里，漏桶以一定的速度出水，当水流入速度过大会超过桶可接纳的容量时直接溢位，可以看出漏桶算法能强行限制资料的传输速率，

使用漏桶算法，可以保证界面会以一个常速速率来处理请求，所以漏桶算法必定不会出现临界问题，

漏桶算法实作类：

 1 import java.util.concurrent.atomic.AtomicInteger;
 2 
 3 /**
 4  * 漏桶算法：把水滴看成请求
 5  *
 6  * @author: Arafat
 7  * @date: 2021/12/29
 8  **/
 9 public class LeakyBucket {
10     /**
11      * 桶的容量
12      */
13     private int capacity = 100;
14     /**
15      * 桶剩余的水滴的量(初始化的时候桶为空)
16      */
17     private AtomicInteger water = new AtomicInteger(0);
18     /**
19      * 水滴的流出的速率 每1000毫秒流出1滴
20      */
21     private int leakRate;
22     /**
23      * 第一次请求之后,木桶在这个时间点开始漏水
24      */
25     private long leakTimeStamp;
26 
27     public LeakyBucket(int leakRate) {
28         this.leakRate = leakRate;
29     }
30 
31     public boolean acquire() {
32         // 如果是空桶，就用当前时间作为桶开始漏出的时间
33         if (water.get() == 0) {
34             leakTimeStamp = System.currentTimeMillis();
35             water.addAndGet(1);
36             return capacity == 0 ? false : true;
37         }
38         // 先执行漏水，计算剩余水量
39         int waterLeft = water.get() - ((int) ((System.currentTimeMillis() - leakTimeStamp) / 1000)) * leakRate;
40         water.set(Math.max(0, waterLeft));
41         // 重新更新leakTimeStamp
42         leakTimeStamp = System.currentTimeMillis();
43         // 尝试加水,并且水还未满
44         if ((water.get()) < capacity) {
45             water.addAndGet(1);
46             return true;
47         } else {
48             // 水满，拒绝加水，直接溢位
49             return false;
50         }
51     }
52     
53 }

View Code

使用漏桶限流：

 1 /**
 2  * @author Arafat
 3  */
 4 @Slf4j
 5 @RestController
 6 @AllArgsConstructor
 7 @RequestMapping("/test")
 8 public class TestController {
 9 
10     /**
11      * 漏桶：水滴的漏出速率是每秒 1 滴
12      */
13     private LeakyBucket leakyBucket = new LeakyBucket(1);
14 
15     private UserService userService;
16 
17     /**
18      * 漏桶限流
19      *
20      * @return
21      */
22     @RequestMapping("/searchUserInfoByLeakyBucket")
23     public Object searchUserInfoByLeakyBucket() {
24         // 限流判断
25         boolean acquire = leakyBucket.acquire();
26         if (!acquire) {
27             log.info("请您稍后再试！");
28             return Reply.success("请您稍后再试！");
29         }
30         // 若没有达到限流的要求,直接呼叫界面查询
31         return Reply.success(userService.search());
32     }
33 
34 }