限流器算法实现(JUC原子类使用实践)

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0.5_{1s内请求max次，从1s}1.5s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;

            }

        }

    }

}

巴特西