美文网首页
使用RateLimiter完成简单的大流量限流

使用RateLimiter完成简单的大流量限流

作者: Quillagua | 来源:发表于2020-04-18 22:15 被阅读0次

    使用RateLimiter完成简单的大流量限流,抢购秒杀限流

    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。

            <dependency>
                <groupId>com.google.guava</groupId>
                <artifactId>guava</artifactId>
                <version>19.0</version>
            </dependency>
    

    一 有很多任务,但希望每秒不超过N个

    import com.google.common.util.concurrent.RateLimiter;  
      
    import java.util.ArrayList;  
    import java.util.List;  
    import java.util.concurrent.ExecutorService;  
    import java.util.concurrent.Executors;  
      
    /** 
     * Created by wuwf on 17/7/11. 
     * 有很多个任务,但希望每秒不超过X个,可用此类 
     */  
    public class Demo1 {  
      
        public static void main(String[] args) {  
            //0.5代表一秒最多多少个  
            RateLimiter rateLimiter = RateLimiter.create(0.5);  
            List<Runnable> tasks = new ArrayList<Runnable>();  
            for (int i = 0; i < 10; i++) {  
                tasks.add(new UserRequest(i));  
            }  
            ExecutorService threadPool = Executors.newCachedThreadPool();  
            for (Runnable runnable : tasks) {  
                System.out.println("等待时间:" + rateLimiter.acquire());  
                threadPool.execute(runnable);  
            }  
        }  
      
        private static class UserRequest implements Runnable {  
            private int id;  
      
            public UserRequest(int id) {  
                this.id = id;  
            }  
      
            public void run() {  
                System.out.println(id);  
            }  
        }  
      
    }  
    

    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

    image

    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。

    package com.tianyalei.controller;  
      
    import com.google.common.util.concurrent.RateLimiter;  
    import com.tianyalei.model.GoodInfo;  
    import com.tianyalei.service.GoodInfoService;  
    import org.springframework.web.bind.annotation.RequestMapping;  
    import org.springframework.web.bind.annotation.RestController;  
      
    import javax.annotation.Resource;  
      
    /** 
     * Created by wuwf on 17/7/11. 
     */  
    @RestController  
    public class IndexController {  
        @Resource(name = "db")  
        private GoodInfoService goodInfoService;  
      
        RateLimiter rateLimiter = RateLimiter.create(10);  
      
        @RequestMapping("/miaosha")  
        public Object miaosha(int count, String code) {  
            System.out.println("等待时间" + rateLimiter.acquire());  
            if (goodInfoService.update(code, count) > 0) {  
                return "购买成功";  
            }  
            return "购买失败";  
        }  
      
      
      
        @RequestMapping("/add")  
        public Object add() {  
            for (int i = 0; i < 100; i++) {  
                GoodInfo goodInfo = new GoodInfo();  
                goodInfo.setCode("iphone" + i);  
                goodInfo.setAmount(100);  
                goodInfoService.add(goodInfo);  
            }  
      
            return "添加成功";  
        }  
    } 
    

    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。

    image

    启动jmeter请求,看控制台结果

    image image

    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:

    /** 
         * tryAcquire(long timeout, TimeUnit unit) 
         * 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, 
         * 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) 
         */  
        @RequestMapping("/buy")  
        public Object miao(int count, String code) {  
            //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  
            if (!rateLimiter.tryAcquire(1000, TimeUnit.MILLISECONDS)) {  
                System.out.println("短期无法获取令牌,真不幸,排队也瞎排");  
                return "失败";  
            }  
            if (goodInfoService.update(code, count) > 0) {  
                System.out.println("购买成功");  
                return "成功";  
            }  
            System.out.println("数据不足,失败");  
            return "失败";  
        } 
    

    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

    image

    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

    image

    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

    image

    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。

    相关文章

      网友评论

          本文标题:使用RateLimiter完成简单的大流量限流

          本文链接:https://www.haomeiwen.com/subject/esszvhtx.html