Spring Cloud Gateway中的令牌桶限流算法实例分析

这篇"Spring Cloud Gateway中的令牌桶限流算法实例分析"文章的知识点大部分人都不太理解，所以小编给大家总结了以下内容，内容详细，步骤清晰，具有一定的借鉴价值，希望大家阅读完这篇文章能有所收获，下面我们一起来看看这篇"Spring Cloud Gateway中的令牌桶限流算法实例分析"文章吧。

前言

在一个分布式高并发的系统设计中，限流是一个不可忽视的功能点。如果不对系统进行有效的流量访问限制，在双十一和抢票这种流量洪峰的场景下，很容易就会把我们的系统打垮。而作为系统服务的卫兵的网关组件，作为系统服务的统一入口，更需要考虑流量的限制，直接在网关层阻断流量比在各个系统中实现更合适。Spring Cloud Gateway的实现中，就提供了限流的功能，下面主要分析下Spring Cloud Gateway中是如何实现限流功能的。

回顾限流算法

限流的实现方式有多种，下面先回顾下几种常见的实现算法

计数器/时间窗口法

这种限流算法最简单，也是最容易实现的，通过在单位时间内设置最大访问数就可以达到限流的目的。比如某个系统能够承载的一般qps为60，那我们就可以使用计算器法，在单位时间一秒内，限制接口只能被访问60次即可。但是这个算法实现，正如其功能描述一样，有个缺陷，假如在时间窗的前1%的时间内流量就达到顶峰了，那么在时间窗内还有99%的时间系统即使能够继续提供服务，还是会被限流算法的这种缺陷阻断在门外，这种缺陷也被称为"突刺效应"

漏桶法

漏桶法不同于计算器法，它有效的避免了计数器法限流的"突刺效应"缺陷,实现也不复杂，通过固定大小的队列+定时取队列元素的方式即可实现。如其名漏桶，就像一个盛水的容器，漏桶法只限制容器出水的速率，当进水的速率过大时，将会填满容器造成溢出，溢出部分的流量也就是拒绝的流量。比如，容器大小为100，出水速率为每秒10/s,当桶为空时，最大的流量可以到达100/s，但是即使这样，受限于固定的流出速率，后端处理的也只能是最大每秒10个，其余的流量都会被缓冲在漏桶中。这个也这是漏桶法的缺陷，没法真正处理突发的流量洪峰，效率不高。

令牌桶法

令牌桶法也是基于桶的原型，但是和漏桶算法截然不同的时，没有出水口。令牌桶通过令牌的产生速率+令牌桶的容积来控制流量，有效的解决了漏桶效率不高的问题。如，容积为100的桶，令牌产生速率为50/s，那么就代表当桶中令牌已满的时候，最大能够承载100的流量，后面如果流量一直居高不下，也会以每秒50个流量的速度恒速处理请求。令牌桶的这种特性有效的处理了洪峰流量也能做到不被洪峰压垮，是目前限流比较常见的实现方法。比较著名的实现有谷歌guava中的RateLimiter。然后下面将要分析的Spring Cloud Gateway中也是使用的令牌桶算法实现的限流

Spring Cloud Gateway中的令牌桶

Spring网关中是基于令牌桶+redis实现的网关分布式限流，具体的实现见下面两个代码：

try {                        Listkeys = getKeys(id);                        // The arguments to the LUA script. time() returns unixtime in seconds.                        ListscriptArgs = Arrays.asList(replenishRate + "",                                        burstCapacity + "", Instant.now().getEpochSecond() + "", "1");                        // allowed, tokens_left = redis.eval(SCRIPT, keys, args)                        Fluxflux = this.redisTemplate.execute(this.script, keys,                                        scriptArgs);                        // .log("redisratelimiter", Level.FINER);                        return flux.onErrorResume(throwable -> Flux.just(Arrays.asList(1L, -1L)))                                        .reduce(new ArrayList(), (longs, l) -> {                                                longs.addAll(l);                                                return longs;                                        }).map(results -> {                                                boolean allowed = results.get(0) == 1L;                                                Long tokensLeft = results.get(1);                                                Response response = new Response(allowed,                                                                getHeaders(routeConfig, tokensLeft));                                                if (log.isDebugEnabled()) {                                                        log.debug("response: " + response);                                                }                                                return response;                                        });                }

上面博主截取了Spring网关限流部分的关键代码，可以看到，最关键的地方在于，使用reids执行了一段lua脚本，然后通过返回值【0】是否等于1来判断本次流量是否通过，返回值【1】为令牌桶中剩余的令牌数。就上面这段代码没有看到任何令牌桶算法的影子对吧，所有的精华实现都在lua脚本里面，这个脚本最初是由Paul Tarjan分享出来的，脚本如下：

local tokens_key = KEYS[1]local timestamp_key = KEYS[2]local rate = tonumber(ARGV[1])local capacity = tonumber(ARGV[2])local now = tonumber(ARGV[3])local requested = tonumber(ARGV[4])local fill_time = capacity/ratelocal ttl = math.floor(fill_time*2)local last_tokens = tonumber(redis.call("get", tokens_key))if last_tokens == nil then  last_tokens = capacityendlocal last_refreshed = tonumber(redis.call("get", timestamp_key))if last_refreshed == nil then  last_refreshed = 0endlocal delta = math.max(0, now-last_refreshed)local filled_tokens = math.min(capacity, last_tokens+(delta*rate))local allowed = filled_tokens >= requestedlocal new_tokens = filled_tokenslocal allowed_num = 0if allowed then  new_tokens = filled_tokens - requested  allowed_num = 1endredis.call("setex", tokens_key, ttl, new_tokens)redis.call("setex", timestamp_key, ttl, now)return { allowed_num, new_tokens }

下面逐行分析下这段脚本。首先解释下，从应用中入参进来的这几个属性的具体含义：

tokens_key：当前限流的标识，可以是ip，或者在spring cloud系统中，可以是一个服务的serviceID

timestamp_key：令牌桶刷新的时间戳，后面会被用来计算当前产生的令牌数

rate ：令牌生产的速率，如每秒产生50个令牌

capacity ：令牌桶的容积大小，比如最大100个，那么系统最大可承载100个并发请求

now ：当前时间戳

requested：当前请求的令牌数量，Spring Cloud Gateway中默认是1，也就是当前请求

主要逻辑分析

-- 计算填满桶需要多长时间
-- 得到填满桶的2倍时间作为redis中key时效的时间，避免冗余太多无用的key
-- 这里和令牌桶的实现没有太大的关系
-- 获取桶中剩余的令牌，如果桶是空的，就将他填满
-- 获取当前令牌桶最后的刷新时间，如果为空，则设置为0
-- 计算最后一次刷新令牌到当前时间的时间差
-- 计算当前令牌数量，这个地方是最关键的地方，通过剩余令牌数 + 时间差内产生的令牌得到当前总令牌数量
-- 设置标识allowad接收当前令牌桶中的令牌数是否大于请求的令牌结果
-- 设置当前令牌数量
-- 如果allowed为true，则将当前令牌数量重置为通中的令牌数 - 请求的令牌数，并且设置allowed_num标识为1
-- 将当前令牌数量写回到redis中，并重置令牌桶的最后刷新时间
-- 返回当前是否申请到了令牌，以及当前桶中剩余多少令牌

以上就是关于"Spring Cloud Gateway中的令牌桶限流算法实例分析"这篇文章的内容，相信大家都有了一定的了解，希望小编分享的内容对大家有帮助，若想了解更多相关的知识内容，请关注行业资讯频道。