一丶限流器存在的意义
在高并发系统中，出于系统保护角度考虑，通常会对流量进行限流。
限流*的目的是在遇到流量高峰期或者流量突增（流量尖刺）时，通过对流量速率进行限制，当达到限制速率时，可以拒绝服务（定向到错误页或告知资源没有了）、排队或等待（比如秒杀、评论、下单）、降级（返回兜底数据或默认数据，如商品详情页库存默认有货）
二丶限流器算法与实现
0. 写在前面
笔者碰到这样的一道题，有下面的接口，需要实现1s秒只可以申请max次资源，需要考虑到并发性能。
显然这是一个限流器，网上有许多博主使用锁来实现，笔者将使用juc中的原子类，使用自旋+cas实现。并不是说自旋+cas 一定优于锁（自旋是cpu操作，在并发很高的时候会浪费cpu资源），但是相对于锁可以减少用户态到内核态的切换（这是由于java线程和操作系统线程是1比1的模型，上锁是需要切换到内核态的，尽管synchronized 具备锁升级，但是如果并发高了，最终还是重量级锁，依旧具备开销）笔者的cas都没有自定义cas次数，实际使用应该是自旋若干次就放弃，或者切换为使用锁的方式。并且这里都是单机的限流，分布式的限流需要使用其他中间件，如redis实现。
而且在并发很高，很极限的情况下，这种cas的方式存在bug，所以成熟的实现如gauva的限流器，是使用synchronized实现的。
1.计数器算法
1.2 概述
当前接口限定1s只可以提供n次服务，对于此需求，我们很直观的可以想到使用属性记录当前是第几秒，并且记录这一秒内请求了多少次。
在指定周期内累加访问次数，当访问次数达到设定的阈值时，触发限流策略，当进入下一个时间周期时会将访问次数清零
-
优点：简单直接
-
缺点：临界问题
如果在0.51s内请求max次，从1s1.5s请求max次，这样可以实现在0.5~1.5这一秒内请求来到2max次。
1.2 实现
首先我们要记录 在x秒请求了y次，并且这两个值必须是原子的。
这里我们使用AtomicStampedReference(JUC源码学习笔记4——原子类，CAS，Volatile内存屏障，缓存伪共享与UnSafe相关方法中讲到过)，此类本意是为了防止cas的ABA问题，其中会记录值和对应的版本,并且其compareAndSet方法可以同时更新值和对应的版本，这里我们使用版本表示当前是多少秒，请求多少次使用AtomicInteger记录，方便我们在同一秒的时候更新请求数量。
public class CountRateLimiter implements RateLimiter {
/**
* 一秒可以接受多少个请求
*/
private final int numAcceptablePerSecond;
/***
* 版本号对应秒数
* 里面的 AtomicInteger 记录这一秒范围内的请求数量
*/
private final AtomicStampedReference<AtomicInteger> helper;
public CountRateLimiter(int numAcceptablePerSecond) {
this.numAcceptablePerSecond = numAcceptablePerSecond;
this.helper =
new AtomicStampedReference<>(new AtomicInteger(numAcceptablePerSecond), -1);
}
@Override
public boolean acquire(int n) {
//不要太过分了
if (n > numAcceptablePerSecond) {
return false;
}
//上一次请求是多少秒的请求
int oldSeconds = helper.getStamp();
//当前多少秒
int currentSeconds = currentSeconds();
//不是同一秒的请求
//如果和当前不是一个版本（意味着不是同一秒） 那么cas 修改版本并重置许可数量
if (oldSeconds != currentSeconds) {
//原剩余的许可数量
AtomicInteger oldPermits = helper.getReference();
//cas 修改 同时修改版本，并且扣减数量
if (helper.compareAndSet(oldPermits,
//新许可的数量为 numAcceptablePerSecond - n
new AtomicInteger(numAcceptablePerSecond - n), oldSeconds, currentSeconds)) {
//cas 成功 那么说明成功 拿到令牌
return true;
}
}
//到这里说明 是同一秒（oldSeconds == currentSeconds）
//或者上面的if存在多线程竞争当前线程竞争失败 其他线程重置了计数器 ==> 那么cas 减少许可数量
//这里判断了一下 当前秒还是相等的，避免由于gc在第一个if中停留太久，比如第一秒线程A和B进入到第一个if，线程B成功了，但是线程A失败了，并且暂停了2s，出来的时候时间已经是3s了，我们不能让1s的请求占用3s时候的令牌数
return currentSeconds() == currentSeconds &&
//最后这里存在问题 如果在0.99999s的请求来到这里，但是时间来到1s，这个cas才成功，那么0.99999s的请求将打过来。导致1s的qps大于max
helper.getReference().addAndGet(-n) >= 0;
}
private static int currentSeconds() {
return (int) ((System.currentTimeMillis() / 1000) % Integer.MAX_VALUE);
}
}
2.滑动窗口
2.1 概述
为了避免计数器中的临界问题，让限制更加平滑，将固定窗口中分割出多个小时间窗口，分别在每个小的时间窗口中记录访问次数，然后根据时间将窗口往前滑动并删除过期的小时间窗口。
计数器算法，可以看做只有两个窗口，因此在两个窗口边界的时候会出现临界问题。而滑动窗口统计当前时间处于的1s内产生了多少次请求，避免了临界问题
- 优点：实现相对简单，且没有计数器算法的临界问题
- 缺点：无法应对短时间高并发（突刺现象），比如我在间歇性高流量请求，每一批次的请求，处于不同的窗口（图中的虚线窗口）（如10.1s，20.1s分别产生max次请求，其实的系统qps还是大于max的）
2.2 实现
/**
* 滑动窗口限流器
* <p>
* 假设指定窗口总时长 为 1s 可以接受 10个请求，窗口分为5格
* 说明单格时间长度为200毫秒
* |_____|_____|_____|_____|_____|
* 0 200 400 600 800 1000
* <p>
* 当前时间为 500毫秒 那么落在 （500/200）%5 也就是第二格
* 那么500 毫秒是否可以接受请求 需要统计所有格子中的数量
* <p>
* 当时间来到 1500 毫秒，落在 （1500/200）%5 也是第二格
* |_____|_____|_____|_____|_____|_____|_____|_____|
* 0 200 400 600 800 1000 1200 1400 1600
* 从500到1500才是我们需要记录的，窗口数组大小是不变的
*
* 500的窗口版本是 500/1000 = 0
* 1500的窗口版本是 1500/1000 = 1
*
* 根据窗口版本来统计 哪些格子我们是要统计的，如果旧窗口版本小于当前窗口版本 不要计数
* （这里的版本 可以理解为没过 1000秒 版本加1，版本不同意味着是一秒前的数据）
*
* @author cuzz
* @version 1.0
**/
public class SlidingWindowRateLimiter implements RateLimiter {
//滑动窗口中的一个元素
private static class WindowElement {
/***
* 版本
*/
private volatile long version;
/**
* 计数
*/
private final AtomicInteger counter;
private WindowElement(long version, AtomicInteger counter) {
this.version = version;
this.counter = counter;
}
private void changeVersion(long newVersion) {
this.version = newVersion;
}
private void reset(int n) {
counter.set(n);
}
void add(int n) {
counter.addAndGet(n);
}
}
/**
* 整个窗口的大小，比如一秒 只能接受100个请求 那么此值设置为1000（毫秒）
*/
private final long windowTimeMillions = 1000;
/***
* 窗口的长度，窗口的长度，窗口越长，越能防止临界问题
*/
private final int windowLength;
/***
* 窗口数组
*/
private final AtomicReferenceArray<WindowElement> slidWindow;
/***
* 一秒接受 100个请求 那么此值设置为 100
*/
private final int canAcceptRequestTimes;
/**
* 记录 窗口每一个元素 对应的时间跨度
* 1秒接受100个请求 那么此处为 1000（毫秒）/100 = 10毫秒
*/
private final int millionsEachOne;
/**
* @param windowLength 指定窗口数量
* @param canAcceptRequestTimes 在 1s 内可以接受多少个请求
*/
public SlidingWindowRateLimiter(int windowLength,
int canAcceptRequestTimes) {
this.windowLength = windowLength;
this.canAcceptRequestTimes = canAcceptRequestTimes;
slidWindow = new AtomicReferenceArray<>(new WindowElement[windowLength]);
millionsEachOne = (int) (windowTimeMillions / windowLength);
}
@Override
public boolean acquire(int n) {
//1s分为5格 那么 一格200ms
//当前时间为 500毫秒 那么落在 （500/200）%5 也就是第二格
long currentTimeMillis = System.currentTimeMillis();
//这次请求 落在 哪个桶
int index = (int) ((currentTimeMillis / millionsEachOne) % windowLength);
//当前这次请求的 version 即当前是多少秒
long version = (currentTimeMillis - currentTimeMillis % windowTimeMillions);
//1. 拿到当前当前的计数
//1.1 如果计数为空 说明从来没有其他请求设置元素，这时，我们需要cas初始化结束计数
//1.2 如果计数不为空
// 1.2.1 是相同的版本 那么自增计数
// 1.2.3 如果不是相同的版本（之前版本小于当前版本），那么更新版本
// 1.2.4 如果不是相同的版本（之前版本大于当前版本）,基本上不可能，因为时间是不会倒流的
//操作这次请求落下的桶
WindowElement currentIndex = slidWindow.accumulateAndGet(index,
new WindowElement(version, new AtomicInteger(n)), (old, now) -> {
//计数为空 说明从来没有其他请求设置元素，这时，我们需要cas初始化结束计数
if (old == null) {
return now;
}
//当前请求的次数
int currentRequest = now.counter.get();
//是同一秒 那么自增
if (old.version == now.version) {
old.add(now.counter.get());
} else {
//如果不是相同的版本（之前版本小于当前版本），那么更新版本 更新技术
old.reset(currentRequest);
old.changeVersion(now.version);
}
return old;
});
//大于最大数量返回false 这一瞬间对应的元素 就已经超出了我们的预期 那么返回false
if (currentIndex.counter.get() > canAcceptRequestTimes) {
return false;
}
//统计窗口内所有请求数
long sum = 0;
//下面这一段 不具备瞬时一致性
for (int i = 0; i < windowLength; i++) {
WindowElement e = slidWindow.get(i);
if (e != null && e.version == version) {
sum += e.counter.get();
if (sum > canAcceptRequestTimes) {
return false;
}
}
}
//小于等于才可以
return sum <= canAcceptRequestTimes;
}
}
感觉滑动窗口，不使用锁，是比较难实现的，因为上面的增加次数 和下面的 统计总数，不具备原子性。
3. 漏桶算法
漏桶限流算法的核心就是， 不管上面的水流速度有多块， 漏桶水滴的流出速度始终保持不变。
这里的水流就是我们的请求，漏水的速度始终不变，是指我们业务线程处理的速度不变，每隔一段时间从任务队列中拿一个请求进行处理
漏桶算法，我觉得可以用于网关层，每次请求来了放在阻塞队列，然后网关线程，每隔一段线程拿出一个请求去转发执行，但是转发请求，拿到返回进行响应的时间是不固定，所以网关线程需要使用其他的线程去异步处理，网关线程只负责定时拿请求分配给其他线程异步处理。（本题目中接口要求立马返回false 或者true，不太契合就没写了）
大体的思路就是请求来了塞到任务队列，定时线程每隔一段时间取一个请求，交给另外的线程异步处理。如果请求太多，那么阻塞队列塞不进去，直接返回false。
4.令牌桶算法
4.1 概述
令牌桶算法：请求执行作为消费者，每个请求都需要去桶中拿取一个令牌，取到令牌则继续执行；如果桶中无令牌可取，就触发拒绝策略，可以是超时等待，也可以是直接拒绝本次请求，由此达到限流目的。当桶中令牌数大于最大数量的时候，将不再添加。它可以适应流量突发，N 个请求到来只需要从桶中获取 N 个令牌就可以继续处理。
4.2 实现
Guava中的RateLimiter 使用此算法，且提供了预热模式，推荐使用
4.2.1 定时任务定时生成
我们可以使用一个定时任务每隔一段时间想桶中生成令牌，记录令牌的数量使用原子类。
这样实现非常简单，但是每一个限流器需要一个线程去生成，如果我们存在100个接口单独限流，那么需要100个线程
4.2.2 延迟计算令牌数量
我们需要记录上一次请求的时间，和桶中剩余的令牌数，并且桶中的数量最好为double类型，因为此次请求和上一次请求的间隔时间，生成的令牌数可以为小数。所以我实现一个Helper内部类，实现这两个值的原子更新
static class Helper {
//同时记录上一次请求时间 和 剩余数量
private static class Pair {
public Pair(long time, double count) {
this.time = time;
this.count = count;
}
final long time;
final double count;
}
private double count() {
return pair.count;
}
private long time() {
return pair.time;
}
//同时记录上一次请求时间 和 剩余数量
private volatile Pair pair;
//反射获取unsafe进行cas操作
private static final Unsafe UNSAFE = getUnsafe();
Helper(double count) {
pair = new Pair(-1, count);
}
//pair 字段的偏移，cas需要当期更改对象的地址
private final static long OFFSET_OF_PAIR;
static {
try {
OFFSET_OF_PAIR = UNSAFE.objectFieldOffset(Helper.class.getDeclaredField("pair"));
} catch (NoSuchFieldException e) {
throw new RuntimeException(e);
}
}
//cas修改，一次是，上一次的时间 和上一次剩余数量，和当前时间，当前数量
boolean cas(long oldTime, double oldCount, long newTime, double newCount) {
final Pair current = pair;
return oldTime == current.time &&
//小于0.00001视为 数量相同，这里需要根据并发度进行设定
Math.abs(oldCount - current.count) < 0.00001 &&
casPair(current, new Pair(newTime, newCount));
}
//cas修改 调用unsafe 实现
boolean casPair(Pair old, Pair newPair) {
return UNSAFE.compareAndSwapObject(this, OFFSET_OF_PAIR, old, newPair);
}
private static Unsafe getUnsafe() {
try {
Constructor<Unsafe> constructor = Unsafe.class.getDeclaredConstructor();
constructor.setAccessible(true);
return constructor.newInstance();
} catch (Exception e) {
throw new RuntimeException(e);
}
}
}
public class TokenRateLimiter3 implements RateLimiter {
//一秒可以接受多少请求
private final int tokenPerSeconds;
//记录token数量和上次请求时间
private final Helper tokenCount;
public TokenRateLimiter3(int tokenPerSeconds) {
this.tokenPerSeconds = tokenPerSeconds;
tokenCount = new Helper(0);
}
@Override
public boolean acquire(int n) {
if (n > tokenPerSeconds) {
return false;
}
//当前请求时间
long currentTimeMillis = System.currentTimeMillis();
while (true) {
//当前token 有多少个
double token = tokenCount.count();
//上一期请求时间
long preRequestTime = tokenCount.time();
//这段时间可以生成多少令牌
double canGenerate = (((double) (currentTimeMillis - preRequestTime) / 1000.0)
* tokenPerSeconds);
//桶中可以存储的令牌的数量，最大不过 tokenPerSeconds
double canStore = Math.min(token + canGenerate, tokenPerSeconds);
//小于请求的令牌数
if (canStore < (double) n) {
return false;
}
//剩余多少令牌
double release = canStore - n;
//cas修改
if (tokenCount.cas(preRequestTime,
token, currentTimeMillis, release)) {
return true;
}
}
}
}