常用的限流框架,你都会用吗?

开发 后端
作为应对高并发的手段之一,限流并不是一个新鲜的话题了。从Guava的Ratelimiter到Hystrix,以及Sentinel都可作为限流的工具。

作为应对高并发的手段之一,限流并不是一个新鲜的话题了。从Guava的Ratelimiter到Hystrix,以及Sentinel都可作为限流的工具。

自适应限流

一般的限流常常需要指定一个固定值(qps)作为限流开关的阈值,这个值一是靠经验判断,二是靠通过大量的测试数据得出。但这个阈值,在流量激增、系统自动伸缩或者某某commit了一段有毒代码后就有可能变得不那么合适了。并且一般业务方也不太能够正确评估自己的容量,去设置一个合适的限流阈值。

而此时自适应限流就是解决这样的问题的,限流阈值不需要手动指定,也不需要去预估系统的容量,并且阈值能够随着系统相关指标变化而变化。

自适应限流算法借鉴了TCP拥塞算法,根据各种指标预估限流的阈值,并且不断调整。大致获得的效果如下:

从图上可以看到,首先以一个降低的初始并发值发送请求,同时通过增大限流窗口来探测系统更高的并发性。而一旦延迟增加到一定程度了,又会退回到较小的限流窗口。循环往复持续探测并发极限,从而产生类似锯齿状的时间关系函数。

TCP Vegas

vegas是一种主动调整cwnd的拥塞控制算法,主要是设置两个阈值alpha 和 beta,然后通过计算目标速率和实际速率的差diff,再比较差diff与alpha和beta的关系,对cwnd进行调节。伪代码如下: 

  1. diff = cwnd*(1-baseRTT/RTT)  
  2. if (diff < alpha 
  3. set: cwndcwnd = cwnd + 1   
  4. else if (diff >= beta)  
  5. set: cwndcwnd = cwnd - 1  
  6. else  
  7. set: cwndcwnd = cwnd 

其中baseRTT指的是测量的最小往返时间,RTT指的是当前测量的往返时间,cwnd指的是当前的TCP窗口大小。通常在tcp中alpha会被设置成2-3,beta会被设置成4-6。这样子,cwnd就保持在了一个平衡的状态。

netflix-concuurency-limits

concuurency-limits是netflix推出的自适应限流组件,借鉴了TCP相关拥塞控制算法,主要是根据请求延时,及其直接影响到的排队长度来进行限流窗口的动态调整。

alpha , beta & threshold

vegas算法实现在了VegasLimit类中。先看一下初始化相关代码: 

  1. private int initialLimit = 20 
  2.         private int maxConcurrency = 1000 
  3.         private MetricRegistry registry = EmptyMetricRegistry.INSTANCE;  
  4.         private double smoothing = 1.0;         
  5.         private Function<Integer, Integer> alphaFunc = (limit) -> 3 * LOG10.apply(limit.intValue());  
  6.         private Function<Integer, Integer> betaFunc = (limit) -> 6 * LOG10.apply(limit.intValue());  
  7.         private Function<Integer, Integer> thresholdFunc = (limit) -> LOG10.apply(limit.intValue());  
  8.         private Function<Double, Double> increaseFunc = (limit) -> limit + LOG10.apply(limit.intValue());  
  9.         private Function<Double, Double> decreaseFunc = (limit) -> limit - LOG10.apply(limit.intValue()); 

这里首先定义了一个初始化值initialLimit为20,以及极大值maxConcurrency1000。其次是三个阈值函数alphaFunc,betaFunc以及thresholdFunc。最后是两个增减函数increaseFunc和decreaseFunc。

函数都是基于当前的并发值limit做运算的。

alphaFunc可类比vegas算法中的alpha,此处的实现是3*log limit。limit值从初始20增加到极大1000时候,相应的alpha从3.9增加到了9。

betaFunc则可类比为vegas算法中的beta,此处的实现是6*log limit。limit值从初始20增加到极大1000时候,相应的alpha从7.8增加到了18。

thresholdFunc算是新增的一个函数,表示一个较为初始的阈值,小于这个值的时候limit会采取激进一些的增量算法。这里的实现是1倍的log limit。mit值从初始20增加到极大1000时候,相应的alpha从1.3增加到了3。

这三个函数值可以认为确定了动态调整函数的四个区间范围。当变量queueSize = limit × (1 − RTTnoLoad/RTTactual)落到这四个区间的时候应用不同的调整函数。

变量queueSize

其中变量为queueSize,计算方法即为limit × (1 − RTTnoLoad/RTTactual),为什么这么计算其实稍加领悟一下即可。

我们把系统处理请求的过程想象为一个水管,到来的请求是往这个水管灌水,当系统处理顺畅的时候,请求不需要排队,直接从水管中穿过,这个请求的RT是最短的,即RTTnoLoad;

反之,当请求堆积的时候,那么处理请求的时间则会变为:排队时间+最短处理时间,即RTTactual = inQueueTime + RTTnoLoad。而显然排队的队列长度为

总排队时间/每个请求的处理时间及queueSize = (limit * inQueueTime) / (inQueueTime + RTTnoLoad) = limit × (1 − RTTnoLoad/RTTactual)。

再举个栗子,因为假设当前延时即为最佳延时,那么自然是不用排队的,即queueSize=0。而假设当前延时为最佳延时的一倍的时候,可以认为处理能力折半,100个流量进来会有一半即50个请求在排队,及queueSize= 100 * (1 − 1/2)=50。

动态调整函数

调整函数中最重要的即增函数与减函数。从初始化的代码中得知,增函数increaseFunc实现为limit+log limit,减函数decreaseFunc实现为limit-log limit,相对来说增减都是比较保守的。

看一下应用动态调整函数的相关代码: 

  1. private int updateEstimatedLimit(long rtt, int inflight, boolean didDrop) {  
  2.         final int queueSize = (int) Math.ceil(estimatedLimit * (1 - (double)rtt_noload / rtt));  
  3.         double newLimit;  
  4.         // Treat any drop (i.e timeout) as needing to reduce the limit  
  5.         // 发现错误直接应用减函数decreaseFunc  
  6.         if (didDrop) {  
  7.             newLimit = decreaseFunc.apply(estimatedLimit);  
  8.         // Prevent upward drift if not close to the limit  
  9.         } else if (inflight * 2 < estimatedLimit) {  
  10.             return (int)estimatedLimit;  
  11.         } else {  
  12.             int alpha = alphaFunc.apply((int)estimatedLimit);  
  13.             int beta = betaFunc.apply((int)estimatedLimit);  
  14.             int threshold = this.thresholdFunc.apply((int)estimatedLimit);  
  15.             // Aggressive increase when no queuing  
  16.             if (queueSize <= threshold) {  
  17.                 newLimit = estimatedLimit + beta;  
  18.             // Increase the limit if queue is still manageable  
  19.             } else if (queueSize < alpha) {  
  20.                 newLimit = increaseFunc.apply(estimatedLimit);  
  21.             // Detecting latency so decrease  
  22.             } else if (queueSize > beta) {  
  23.                 newLimit = decreaseFunc.apply(estimatedLimit);  
  24.             // We're within he sweet spot so nothing to do  
  25.             } else {  
  26.                 return (int)estimatedLimit;  
  27.             }  
  28.         }  
  29.         newLimit = Math.max(1, Math.min(maxLimit, newLimit));  
  30.         newLimit = (1 - smoothing) * estimatedLimit + smoothing * newLimit;  
  31.         if ((int)newLimit != (int)estimatedLimit && LOG.isDebugEnabled()) {  
  32.             LOG.debug("New limit={} minRtt={} ms winRtt={} ms queueSize={}",  
  33.                     (int)newLimit,  
  34.                     TimeUnit.NANOSECONDS.toMicros(rtt_noload) / 1000.0,  
  35.                     TimeUnit.NANOSECONDS.toMicros(rtt) / 1000.0,  
  36.                     queueSize);  
  37.         }  
  38.         estimatedLimit = newLimit 
  39.         return (int)estimatedLimit;  
  40.     } 

动态调整函数规则如下:

当变量queueSize < threshold时,选取较激进的增量函数,newLimit = limit+beta

当变量queueSize < alpha时,需要增大限流窗口,选择增函数increaseFunc,即newLimit = limit + log limit

当变量queueSize处于alpha,beta之间时候,limit不变

 当变量queueSize大于beta时候,需要收拢限流窗口,选择减函数decreaseFunc,即newLimit = limit - log limit

平滑递减 smoothingDecrease

注意到可以设置变量smoothing,这里初始值为1,表示平滑递减不起作用。如果有需要的话可以按需设置,比如设置smoothing为0.5时候,那么效果就是采用减函数decreaseFunc时候效果减半,实现方式为newLimitAfterSmoothing = 0.5 newLimit + 0.5 limit。 

责任编辑:庞桂玉 来源: java版web项目
相关推荐

2021-10-07 10:49:02

Excel技巧Word

2021-11-03 17:40:51

Python线程

2018-04-28 19:01:54

JavaScript数组Promise

2021-09-16 11:02:49

Python线程

2018-12-14 12:07:53

Nginxweb服务器

2018-09-29 15:34:34

JavaList接口

2024-03-06 08:15:03

@Autowired注入方式Spring

2020-06-04 14:15:55

Java中BigDecimal函数

2017-01-10 15:14:34

大数据数据可视化图表类型

2015-04-14 10:54:34

Mac快捷键

2021-08-11 10:00:51

缓存MyBatis管理

2020-02-17 16:19:26

CODING

2021-09-06 10:42:18

Linux命令服务器

2023-10-09 08:44:51

JDK命令行工具

2023-12-05 08:20:05

单例模式Python

2019-07-25 12:46:32

Java高并发编程语言

2019-01-28 17:42:33

Python数据预处理数据标准化

2023-12-20 14:48:26

2023-12-01 11:13:50

JavaTreeSet

2019-11-26 10:30:11

CSS前端面试题
点赞
收藏

51CTO技术栈公众号