为了保证系统高峰期能够稳定运行，尤其对于基础平台，接入的系统众多、整体的高可用显得尤为重要、但对于个别应用的突发瞬时流量、如果没有很好的限流策略，会影响整体系统的性能，甚至将整个系统击垮，因此如何实现流量控制至关重要。

    一、常用的限流方式：

    （1）漏桶算法。    

    漏桶算法就像我们平常使用的漏斗、不管我们倒入液体的速度有多快，漏斗都是从下面的小口匀速流出。漏桶算法跟漏斗类似，调用方作为“水滴”的消费者、我们限流方作为“水滴”的提供者、无论调用方调用频率多么不稳定、我们服务提供者只允许它按照固定的速率获取数据。

漏桶算法示意图

    （2）令牌桶算法

    漏桶只能规定调用方按照固定的速率调用，令牌桶作为漏桶的一种改进、规定了调用方在一段时间内总的调用频率，允许调用方在一段时间内能够出现并发。举个简单的例子：你从运营商每个月定制了1G流量，他们不会管你是一天用完还是三十天用完，如果你提前用完了你就只能等下个月才会再有流量，同理你没用完，下个月也会清空当前月的流量，重新分配给你1G流量。

令牌桶示意图

    二、基于Redis的分布式令牌桶实现。

    对于单机版的限流，我们可以用Guava的RateLimiter实现、Guava是基于令牌桶实现的限流算法，对于生产环境基本上是集群、当然也是可以取平均值的方式来粗略估算每个节点的限流速率，比如我们总的限流3000/s，集群中包含10台机器，则每台机器的限流速率300/s。这种限流方式对于轮询、随机的负载均衡算法还算较为公平、但是对于ip_hash等方式那就偏差过大，并不是最好的方案。

    需求：系统要实现对每个申请应用的个性化限流、每个接入系统都会分配单独的appKey、每个appKey限流QPS <= 500（QPS：每秒的请求次数）。

    如果采取单机版的限流，接入系统有N个，服务器节点数量M个，每个节点只能粗略计算限制QPS=500/N，每个节点需要初始化N个令牌桶，M个节点就需要初始化N*M个令牌桶。

    就算是我们采取懒加载的机制、每个appKey请求到达的时候才初始化RateLimiter，但是只能粗略计算每个节点的限流QPS，结果并不准确。

    如何才能做到集群的整体限流呢，思来想去，Redis中有incr命令实现原子自增、如果每个调用appKey请求一次，我们对其自增1，如果一秒内超过500，就拒绝当前请求能够实现我们的需求。如何统计1秒内呢，我们可以利用过期机制，设定当前请求计数的key过期时间为1s，但是incr没有提供原子操作的incr过期时间，该如何实现呢？

    int currentQPS = redis.incr(appKey, 1);

    if(currentQPS == 1) redis.expire(appKey, 1s);

    最开始我考虑到可以用上面的方式实现，看起来并没有什么问题，当是第一次请求的时候我们设置过期时间1s，但压测阶段老是会有问题，仔细一想，我们知道redis是单线程模型，所有请求到达会强制变成单线程排队，比如说我压测的一瞬间我QPS达到1w，有1w个incr命令排队等待执行，第一个执行的incr命令结束后设置过期时间排到了1w之后，导致该key不能正确的在1s内失效，下一个计时时间段得不到预期的结果。

    同时由于上述操作分成了两步，并不是原子操作，如果expire命令执行失败，该key永远不会失效、导致后续该调用方所有的请求都会被拒绝。

    后来查询一些资料，发现利用lua脚本能够实现命令的原子操作：

local key =KEYS[1]

local expire_time =ARGV[1]

local count =redis.call("INCR", key, 1)

if count == 1 then

    redis.call("EXPIRE", key, expire_time)

end

return count

    其中KEYS[1]为计数的appKey、ARGV[1]为一个计时时间间隔，单位为s。

    最后利用redis的eval命令执行lua脚本，实现incr与expire的原子操作：

Long current = (Long) jedis.eval(INCR_LUA_SCRIPT, Arrays.asList(key)), Arrays.asList( “1”));

if (current > 500) return false;

return true;