在大流量场景下，抢购、下单量大等场景，由于业务应用系统的负载能力有限，为了防止非预期的请求对系统压力过大而拖垮业务应用系统。
也就是面对大流量时，如何进行流量控制？
服务接口的流量控制策略：分流、降级、限流等。本文讨论下限流策略，虽然降低了服务接口的访问频率和并发量，却换取服务接口和业务应用系统的高可用。
限流算法
常用的限流算法有漏桶算法、令牌桶算法
1、漏桶算法
漏桶(Leaky Bucket)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(接口有响应速率),当水流入速度过大会直接溢出(访问频率超过接口响应速率),然后就拒绝请求,可以看出漏桶算法能强行限制数据的传输速率.示意图如下:
可见这里有两个变量,一个是桶的大小,支持流量突发增多时可以存多少的水(burst),另一个是水桶漏洞的大小(rate)。
因为漏桶的漏出速率是固定的参数,所以,即使网络中不存在资源冲突(没有发生拥塞),漏桶算法也不能使流突发(burst)到端口速率.因此,漏桶算法对于存在突发特性的流量来说缺乏效率.
2、令牌桶算法
令牌桶算法(Token Bucket)和 Leaky Bucket 效果一样但方向相反的算法,更加容易理解.随着时间流逝,系统会按恒定1/QPS时间间隔(如果QPS=100,则间隔是10ms)往桶里加入Token(想象和漏洞漏水相反,有个水龙头在不断的加水),如果桶已经满了就不再加了.新请求来临时,会各自拿走一个Token,如果没有Token可拿了就阻塞或者拒绝服务.
令牌桶的另外一个好处是可以方便的改变速度. 一旦需要提高速率,则按需提高放入桶中的令牌的速率. 一般会定时(比如100毫秒)往桶中增加一定数量的令牌, 有些变种算法则实时的计算应该增加的令牌的数量.
ReteLimiter完成限流、抢购场景实现
RateLimiter是guava提供的基于令牌桶算法的实现类，Api使用简单，并且根据系统的实际情况来调整生成token的速率。
maven引入
<dependency>
<groupId>com.google.guava</groupId>
<artifactId>guava</artifactId>
<version>18.0</version>
</dependency>
代码
package com.lsq.einterview;
import com.google.common.util.concurrent.RateLimiter;
public class RateLimiterTest {
/*
简单使用Ratelimiter 实现限流功能，
例：限制2秒钟只能有一个任务通过
*/
public static void main(String[] args) {
//每秒通过0.5，所以2秒只能有一个通过
RateLimiter rateLimiter = RateLimiter.create(0.5);
for (int i = 0; i < 10; i++) {
double acquire = rateLimiter.acquire();
System.out.println("任务执行,等待时间："+acquire);
}
}
}
结果
rateLimiter.acquire()返回的是本次执行等待的时间，我们可以清楚的看到，第一次无需等待，后边都需要等待两秒才可以执行到，
rateLimiter.acquire()该方法会阻塞线程，直到令牌桶中能取到令牌为止才继续向下执行。
抢购实现1
我们模拟抢购商品，总共有35件商品，模拟我们服务器只能承受住20个并发，超过20个服务器会挂掉，我们用rateLimiter来进行限流，
我们没有传参数，当然实际场景复杂很多。
package com.lsq.einterview.controller;
import com.google.common.util.concurrent.RateLimiter;
import com.lsq.einterview.domain.APIResponse;
import org.springframework.web.bind.annotation.RequestMapping;
import org.springframework.web.bind.annotation.RestController;
@RestController()
@RequestMapping("/api")
public class RushBuyController {
private static final RateLimiter rateLimiter = RateLimiter.create(20);
private static int productCount=35;
private static final Object o=new Object();
/**
* 我们模拟抢购商品，模拟我们服务器只能承受住20个并发，超过10个服务器会挂掉，
* 我们用rateLimiter来进行限流，
* 我们也没有传参数，当然实际场景复杂很多。
* @return 响应体
*/
@RequestMapping(value = "/rushBuy2Product" , produces = "application/json;charset=utf-8")
public APIResponse rushBuy2Product() {
System.out.println("进入抢购：等待时间为：" + rateLimiter.acquire());
boolean b = productStock();
if (b){
System.out.println("抢购成功");
}else {
System.out.println("抢购失败");
}
return new APIResponse<>().success();
}
/**
* 抢购商品的库存
* @return
*/
private boolean productStock(){
if (productCount==0){
return false;
}
synchronized (o){
if (productCount>0){
--productCount;
System.out.println("剩余库存为："+productCount);
return true;
}else {
return false;
}
}
}
}
使用Jmeter测试开启100个线程进行测试
统计下商品抢购成功的数据，正好是35个抢购成功。
我们看到在开始进入的请求不需要等待，直接执行，后面进来的需要等待的时间慢慢变长，因为拿不到令牌。
但是这种方法有个很明显的缺陷，在实际并不适合使用，因为用户请求进来，拿不到令牌就需要等待执行，体验十分差。所以下面我们介绍另一种方式。
抢购实现2
由于RateLimiter是属于单位时间内生成多少个令牌的方式，譬如0.1秒生成1个，那抢购就要看运气了，你刚好是在刚生成1个时进来了，那么你就能抢到，在这0.1秒内其他的请求就算白瞎了，只能寄希望于下一个0.1秒，而从用户体验上来说，不能让他在那一直阻塞等待，所以就需要迅速判断，该用户在某段时间内，还有没有机会得到令牌，这里就需要使用tryAcquire(long timeout, TimeUnit unit)方法，指定一个超时时间，一旦判断出在timeout时间内还无法取得令牌，就返回false。
注意，这里并不是真正的等待了timeout时间，而是被判断为即便过了timeout时间，也无法取得令牌。这个是不需要等待的。
package com.lsq.einterview.controller;
import com.google.common.util.concurrent.RateLimiter;
import com.lsq.einterview.domain.APIResponse;
import org.springframework.web.bind.annotation.RequestMapping;
import org.springframework.web.bind.annotation.RestController;
import java.util.concurrent.TimeUnit;
@RestController()
@RequestMapping("/api")
public class RushBuyController {
private static final RateLimiter rateLimiter = RateLimiter.create(20);
private static int productCount=35;
private static final Object o=new Object();
/**
* 我们模拟抢购商品，模拟我们服务器只能承受住20个并发，超过10个服务器会挂掉，
* 我们用rateLimiter来进行限流，
* 我们也没有传参数，当然实际场景复杂很多。
* @return 响应体
*/
@RequestMapping(value = "/rushBuy2Product" , produces = "application/json;charset=utf-8")
public APIResponse rushBuy2Product() {
boolean isAcquire = rateLimiter.tryAcquire(1, TimeUnit.SECONDS);
if (!isAcquire){
System.out.println("进入抢购：在1s内无法拿到令牌，直接返回");
return new APIResponse<>().fail("抢购失败");
}
boolean b = productStock();
if (b){
System.out.println("抢购成功");
}else {
System.out.println("抢购失败");
}
return new APIResponse<>().success();
}
/**
* 抢购商品的库存
* @return
*/
private boolean productStock(){
if (productCount==0){
return false;
}
synchronized (o){
if (productCount>0){
--productCount;
System.out.println("剩余库存为："+productCount);
return true;
}else {
return false;
}
}
}
}
结果
在我们的所有日志文件中统计：
抢购成功：35
抢购失败：23
无法拿到令牌，未参与抢购：42
总数为我们100个线程。
总结
抢购实现的方式有很多种，在抢购2案例中，按照固定的单位时间进行分割，每个单位时间产生一个令牌，可供购买。我们可以想到平常参与抢购秒杀时，有时候你网速很快，但总是抢不到，现在明白了吧。
真正的抢购不是这么简单，难度也复杂的多。所以不只是在代码中限流能实现的。瞬间的流量洪峰会冲垮服务器的负载，当几十万人抢购几件商品时，连接口都请求不进来，更别提接口里的令牌分配了。
