原文:http://www.cnblogs.com/yeyinfu/p/7316972.html

RateLimiter是guava提供的基于令牌桶算法的实现类,可以非常简单的完成限流特技,并且根据系统的实际情况来调整生成token的速率。

通常可应用于抢购限流防止冲垮系统;限制某接口、服务单位时间内的访问量,譬如一些第三方服务会对用户访问量进行限制;限制网速,单位时间内只允许上传下载多少字节等。

下面来看一些简单的实践,需要先引入guava的maven依赖。

一 有很多任务,但希望每秒不超过N个

[java]  view plain copy print ?
  1. import com.google.common.util.concurrent.RateLimiter;  
  2.   
  3. import java.util.ArrayList;  
  4. import java.util.List;  
  5. import java.util.concurrent.ExecutorService;  
  6. import java.util.concurrent.Executors;  
  7.   
  8. /** 
  9.  * Created by wuwf on 17/7/11. 
  10.  * 有很多个任务,但希望每秒不超过X个,可用此类 
  11.  */  
  12. public class Demo1 {  
  13.   
  14.     public static void main(String[] args) {  
  15.         //0.5代表一秒最多多少个  
  16.         RateLimiter rateLimiter = RateLimiter.create(0.5);  
  17.         List<Runnable> tasks = new ArrayList<Runnable>();  
  18.         for (int i = 0; i < 10; i++) {  
  19.             tasks.add(new UserRequest(i));  
  20.         }  
  21.         ExecutorService threadPool = Executors.newCachedThreadPool();  
  22.         for (Runnable runnable : tasks) {  
  23.             System.out.println("等待时间:" + rateLimiter.acquire());  
  24.             threadPool.execute(runnable);  
  25.         }  
  26.     }  
  27.   
  28.     private static class UserRequest implements Runnable {  
  29.         private int id;  
  30.   
  31.         public UserRequest(int id) {  
  32.             this.id = id;  
  33.         }  
  34.   
  35.         public void run() {  
  36.             System.out.println(id);  
  37.         }  
  38.     }  
  39.   
  40. }  
该例子是多个线程依次执行,限制每2秒最多执行一个。运行看结果

我们限制了2秒放行一个,可以看到第一个是直接执行了,后面的每2秒会放行一个。

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,并返回等待的时间。

二 抢购场景限流

譬如我们预估数据库能承受并发10,超过了可能会造成故障,我们就可以对该请求接口进行限流。

[java]  view plain copy print ?
  1. package com.tianyalei.controller;  
  2.   
  3. import com.google.common.util.concurrent.RateLimiter;  
  4. import com.tianyalei.model.GoodInfo;  
  5. import com.tianyalei.service.GoodInfoService;  
  6. import org.springframework.web.bind.annotation.RequestMapping;  
  7. import org.springframework.web.bind.annotation.RestController;  
  8.   
  9. import javax.annotation.Resource;  
  10.   
  11. /** 
  12.  * Created by wuwf on 17/7/11. 
  13.  */  
  14. @RestController  
  15. public class IndexController {  
  16.     @Resource(name = "db")  
  17.     private GoodInfoService goodInfoService;  
  18.   
  19.     RateLimiter rateLimiter = RateLimiter.create(10);  
  20.   
  21.     @RequestMapping("/miaosha")  
  22.     public Object miaosha(int count, String code) {  
  23.         System.out.println("等待时间" + rateLimiter.acquire());  
  24.         if (goodInfoService.update(code, count) > 0) {  
  25.             return "购买成功";  
  26.         }  
  27.         return "购买失败";  
  28.     }  
  29.   
  30.   
  31.   
  32.     @RequestMapping("/add")  
  33.     public Object add() {  
  34.         for (int i = 0; i < 100; i++) {  
  35.             GoodInfo goodInfo = new GoodInfo();  
  36.             goodInfo.setCode("iphone" + i);  
  37.             goodInfo.setAmount(100);  
  38.             goodInfoService.add(goodInfo);  
  39.         }  
  40.   
  41.         return "添加成功";  
  42.     }  
  43. }  
这个是接着之前的文章(秒杀系统db,http://blog.csdn.net/tianyaleixiaowu/article/details/74389273)加了个Controller
代码很简单,就是请求过来时,调用RateLimiter.acquire,如果每秒超过了10个请求,就阻塞等待。我们使用jmeter进行模拟100个并发。
创建一个线程数为100,启动间隔时间为0的线程组,代表100个并发请求。



启动jmeter请求,看控制台结果




初始化10个的容量,所以前10个请求无需等待直接成功,后面的开始被1秒10次限流了,基本上每0.1秒放行一个。

三 抢购场景降级

上面的例子虽然限制了单位时间内对DB的操作,但是对用户是不友好的,因为他需要等待,不能迅速的得到响应。当你有1万个并发请求,一秒只能处理10个,那剩余的用户都会陷入漫长的等待。所以我们需要对应用降级,一旦判断出某些请求是得不到令牌的,就迅速返回失败,避免无谓的等待。
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。

看实现:

[java]  view plain copy print ?
  1. /** 
  2.      * tryAcquire(long timeout, TimeUnit unit) 
  3.      * 从RateLimiter 获取许可如果该许可可以在不超过timeout的时间内获取得到的话, 
  4.      * 或者如果无法在timeout 过期之前获取得到许可的话,那么立即返回false(无需等待) 
  5.      */  
  6.     @RequestMapping("/buy")  
  7.     public Object miao(int count, String code) {  
  8.         //判断能否在1秒内得到令牌,如果不能则立即返回false,不会阻塞程序  
  9.         if (!rateLimiter.tryAcquire(1000, TimeUnit.MILLISECONDS)) {  
  10.             System.out.println("短期无法获取令牌,真不幸,排队也瞎排");  
  11.             return "失败";  
  12.         }  
  13.         if (goodInfoService.update(code, count) > 0) {  
  14.             System.out.println("购买成功");  
  15.             return "成功";  
  16.         }  
  17.         System.out.println("数据不足,失败");  
  18.         return "失败";  
  19.     }  
在不看执行结果的情况下,我们可以先分析一下,一秒出10个令牌,0.1秒出一个,100个请求进来,假如100个是同时到达,那么最终只能成交10个,90个都会因为超时而失败。事实上,并不会完全同时到达,必然会出现在0.1秒后到达的,就会被归入下一个周期。这是一个挺复杂的数学问题,每一个请求都会被计算未来可能获取到令牌的概率。
还好,RateLimiter有自己的方法去做判断。
我们运行看结果


多执行几次,发现每次这个顺序都不太一样。
经过我多次试验,当设置线程组的间隔时间为0时,最终购买成功的数量总是22.其他的78个都是失败。但基本都是开始和结束时连续成功,中间的大段失败。
我修改一下jmeter线程组这100个请求的产生时间为1秒时,结果如下


除了前面几个和最后几个请求连续成功,中间的就比较稳定了,都是隔8个9个就会成功一次。

当我修改为2秒内产生100个请求时,结果就更平均了


基本上就是前10个成功,后面的就开始按照固定的速率而成功了。
这种场景更符合实际的应用场景,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。
看到这里是不是有点明白抢小米的情况了,很多时候并不是你网速快,手速快就能抢到,你需要看后台系统的分配情况。所以你能否抢到,最好是开很多个账号,而不是一直用一个账号在猛点,因为你点也白点,后台已经把你的资格排除在外了。
当然了,真正的抢购不是这么简单,瞬间的流量洪峰会冲垮服务器的负载,当100万人抢1万个小米时,连接口都请求不进来,更别提接口里的令牌分配了。
此时就需要做上一层的限流,我们可以选择在上一层做分布式,开多个服务,先做一次限流,淘汰掉绝大多数运气不好的用户,甚至可以随机丢弃某些规则的用户,迅速拦截90%的请求,让你去网页看单机排队动画,还剩10万。10万也太大,足以冲垮数据层,那就进队列MQ,用MQ削峰后,然后才放进业务逻辑里,再进行RateLimiter的限流,此时又能拦截掉90%的不幸者,还剩1万,1万去交给业务逻辑和数据层,用redis和DB来处理库存。恭喜,你就是那个漏网之鱼。
重点在于迅速拦截掉99%的不幸者,避免让他们去接触到数据层。而且不能等待时间太长,最好是请求的瞬间就能确定你是永远看单机动画最好。

/***************************************************************************************************/
补充:
只在本地时效果不怎么明显,我把这个小工程部署到线上服务器压测了一下。
首先试了一下去掉了RateLimiter,只用db的Service处理数据的情况,发现mysql的服务占CPU约20%,总体请求失败率较高。多是Tomcat超时。
使用RateLimiter阻塞后,数据库CPU基本没动静,压力几乎没有,Tomcat超时还有一些,因为还是并发数大,处理不了。
使用RateLimiter非阻塞,超时和请求失败极少,总体QPS上升了不少。
测试不太正规,就大概跑了跑。