一、概述
在 Sentinel 里面，所有的资源都对应一个资源名称（resourceName），每次资源调用都会创建一个 Entry 对象。Entry 可以通过对主流框架的适配自动创建，也可以通过注解的方式或调用 SphU API 显式创建。Entry 创建的时候，同时也会创建一系列功能插槽（slot chain），这些插槽有不同的职责，例如:
-
NodeSelectorSlot负责收集资源的路径，并将这些资源的调用路径，以树状结构存储起来，用于根据调用路径来限流降级； -
ClusterBuilderSlot则用于存储资源的统计信息以及调用者信息，例如该资源的 RT, QPS, thread count 等等，这些信息将用作为多维度限流，降级的依据； -
LogSlot则用于记录用于记录块异常，为故障排除提供具体的日志 -
StatisticSlot则用于记录、统计不同纬度的 runtime 指标监控信息； -
AuthoritySlot则根据配置的黑白名单和调用来源信息，来做黑白名单控制； -
SystemSlot则通过系统的状态，例如 load1 等，来控制总的入口流量； FlowSlot则用于根据预设的限流规则以及前面 slot 统计的状态，来进行流量控制；DegradeSlot则通过统计信息以及预设的规则，来做熔断降级；
下面是关系结构图
ProcessorSlot子类及实现类.png
二、FlowSlot分析
1.FlowSlot介绍
官方文档是这样描述FlowSlot的：
流量控制（flow control），其原理是监控应用流量的 QPS 或并发线程数等指标，当达到指定的阈值时对流量进行控制，以避免被瞬时的流量高峰冲垮，从而保障应用的高可用性。
FlowSlot 会根据预设的规则，结合前面 NodeSelectorSlot、ClusterBuilderSlot、StatisticSlot 统计出来的实时信息进行流量控制。
限流的直接表现是在执行 Entry nodeA = SphU.entry(resourceName) 的时候抛出 FlowException 异常。FlowException 是 BlockException 的子类，您可以捕捉 BlockException 来自定义被限流之后的处理逻辑。
同一个资源可以创建多条限流规则。FlowSlot 会对该资源的所有限流规则依次遍历，直到有规则触发限流或者所有规则遍历完毕。
一条限流规则主要由下面几个因素组成，我们可以组合这些元素来实现不同的限流效果：
-
resource：资源名，即限流规则的作用对象 -
count: 限流阈值 -
grade: 限流阈值类型（QPS 或并发线程数） -
limitApp: 流控针对的调用来源，若为default则不区分调用来源 -
strategy: 调用关系限流策略 -
controlBehavior: 流量控制效果（直接拒绝、Warm Up、匀速排队）立即拒绝Immediately reject({@code RuleConstant.CONTROL_BEHAVIOR_DEFAULT}) 这个是默认行为，超出的请求会被拒绝。并抛出FlowException。服务升温Warmup ({@code RuleConstant.CONTROL_BEHAVIOR_WARM_UP}) 如果系统的负载已经低了一段时间，和大量的请求到来时，系统可能无法处理所有这些请求。 但是，如果我们稳定地增加传入请求，系统就会升温，最终能够处理所有的请求。 此预热期可通过在流规则中设置字段{@code warmupperiods}来配置。匀速排队Uniform Rate Limiting ({@code RuleConstant.CONTROL_BEHAVIOR_RATE_LIMITER}) 这个策略严格控制请求之间的间隔。 换句话说，它允许请求以稳定、统一的速率通过。 该策略是leaky bucket的实现。 它用于以稳定的速率处理请求，经常用于突发流量(例如消息处理)。
我们可以根据以下命令获取到样例图
//命令：
curl http://localhost:8719/tree
//样例图：
idx id thread pass blocked success total aRt 1m-pass 1m-block 1m-all e
2 abc647 0 460 46 46 1 27 630 276 897 0
其中：
-
thread： 代表当前处理该资源的并发数； -
pass： 代表一秒内到来到的请求； -
blocked： 代表一秒内被流量控制的请求数量； -
success： 代表一秒内成功处理完的请求； -
total： 代表到一秒内到来的请求以及被阻止的请求总和； - RT： 代表一秒内该资源的平均响应时间；
-
1m-pass： 则是一分钟内到来的请求； -
1m-block： 则是一分钟内被阻止的请求； -
1m-all： 则是一分钟内到来的请求和被阻止的请求的总和； -
(e)exception： 则是一秒内业务本身异常的总和。
2.源码解读
@Override
public void entry(Context context, ResourceWrapper resourceWrapper, DefaultNode node, int count, boolean prioritized, Object... args) throws Throwable {
checkFlow(resourceWrapper, context, node, count, prioritized);
fireEntry(context, resourceWrapper, node, count, prioritized, args);
}
@Override
public void exit(Context context, ResourceWrapper resourceWrapper, int count, Object... args) {
fireExit(context, resourceWrapper, count, args);
}
1.在entry阶段，执行了一个校验方法.
void checkFlow(ResourceWrapper resource, Context context, DefaultNode node, int count, boolean prioritized) throws BlockException {
checker.checkFlow(ruleProvider, resource, context, node, count, prioritized);
}
2.我们可以看到这里有一个多出来的关键参数“ruleProvider”，我们看看这个多出来参数的实现。
private final Function<String, Collection<FlowRule>> ruleProvider = new Function<String, Collection<FlowRule>>() {
@Override
public Collection<FlowRule> apply(String resource) {
// Flow rule map should not be null.
Map<String, List<FlowRule>> flowRules = FlowRuleManager.getFlowRuleMap();
return flowRules.get(resource);
}
};
3.首先会在全局的FlowRuleManager中获取全局的FlowRuleMap，然后根据我们的唯一判断准则“resource”获取对应的FlowRuleList。
4.接下来我们看看checkFlow方法。
public void checkFlow(Function<String, Collection<FlowRule>> ruleProvider, ResourceWrapper resource, Context context, DefaultNode node, int count, boolean prioritized) throws BlockException {
if (ruleProvider == null || resource == null) {
return;
}
Collection<FlowRule> rules = ruleProvider.apply(resource.getName());
if (rules != null) {
for (FlowRule rule : rules) {
if (!canPassCheck(rule, context, node, count, prioritized)) {
throw new FlowException(rule.getLimitApp(), rule);
}
}
}
}
5.首先对resource和ruleList进行了判断，如果为空着直接跳过校验。接着取出ruleList，分别判断每一个判断是否满足，如果不满足， throw new FlowException(rule.getLimitApp(), rule);
public boolean canPassCheck(/*@NonNull*/ FlowRule rule, Context context, DefaultNode node, int acquireCount,boolean prioritized) {
String limitApp = rule.getLimitApp();
if (limitApp == null) {
return true;
}
if (rule.isClusterMode()) {
return passClusterCheck(rule, context, node, acquireCount, prioritized);
}
return passLocalCheck(rule, context, node, acquireCount, prioritized);
}
}
6.我们进入内层方法可以发现，这里区分了集群模式和本地模式，就算选择了集群模式后续代码中也会重新进行集群模式的校验，如果校验失败则会降级退回到本地模式。
static Node selectNodeByRequesterAndStrategy(/*@NonNull*/ FlowRule rule, Context context, DefaultNode node) {
// The limit app should not be empty.
String limitApp = rule.getLimitApp();
int strategy = rule.getStrategy();
String origin = context.getOrigin();
if (limitApp.equals(origin) && filterOrigin(origin)) {
if (strategy == RuleConstant.STRATEGY_DIRECT) {
// Matches limit origin, return origin statistic node.
return context.getOriginNode();
}
return selectReferenceNode(rule, context, node);
} else if (RuleConstant.LIMIT_APP_DEFAULT.equals(limitApp)) {
if (strategy == RuleConstant.STRATEGY_DIRECT) {
// Return the cluster node.
return node.getClusterNode();
}
return selectReferenceNode(rule, context, node);
} else if (RuleConstant.LIMIT_APP_OTHER.equals(limitApp)
&& FlowRuleManager.isOtherOrigin(origin, rule.getResource())) {
if (strategy == RuleConstant.STRATEGY_DIRECT) {
return context.getOriginNode();
}
return selectReferenceNode(rule, context, node);
}
return null;
}
7.现在我们终于进入到了strategy的逻辑，这里主要逻辑是判断在不同的limitApp下，如指定类型，集群，其他以及STRATEGY_DIRECT流程，如果全部匹配失败后会进入到selectReferenceNode，这里包含了STRATEGY_RELATE流程以及STRATEGY_CHAIN流程。
接下来则到了最后一块：controlBehavior
接下来就是根据数据与流量控制规则进行判断，是否通过。
image.png
8.这个控制器有四个实现类，对应了flow的最后一个关键因子“controlBehavior”
-
DefaultController默认的节流控制器(立即拒绝策略Immediately)。 -
RateLimiterController稳定匀速的令牌桶方式（匀速排队UniformRate） -
WarmUpController(服务升温Warmup) -
WarmUpRateLimiterController(服务升温+令牌桶Warmup+RateLimiter)
作为sentinel 的核心限流控制器，就和我们使用的方式一样，预先设置了大量的对应具体资源的规则，规则会在初始化时被注册为一个map，这里我们可以看到sentinel使用了CopyOnWrite的思想去操作flow的map。进行grade、strategy、controlBehavior的多维度组合限流后，完整的实现了限流的功能。
三、DegradeSlot分析
1.DegradeSlot介绍
官方文档是这样描述DegradeSlot的：致力于断路器。个人认为这个是sentinel比起一般的网关，最具差异的地方，既有丰富的限流，又提供了熔断的能力。
2.源码解读
@Override
public void entry(Context context, ResourceWrapper resourceWrapper, DefaultNode node, int count, boolean prioritized, Object... args) throws Throwable {
performChecking(context, resourceWrapper);
fireEntry(context, resourceWrapper, node, count, prioritized, args);
}
@Override
public void exit(Context context, ResourceWrapper r, int count, Object... args) {
Entry curEntry = context.getCurEntry();
if (curEntry.getBlockError() != null) {
fireExit(context, r, count, args);
return;
}
List<CircuitBreaker> circuitBreakers = DegradeRuleManager.getCircuitBreakers(r.getName());
if (circuitBreakers == null || circuitBreakers.isEmpty()) {
fireExit(context, r, count, args);
return;
}
if (curEntry.getBlockError() == null) {
// passed request
for (CircuitBreaker circuitBreaker : circuitBreakers) {
circuitBreaker.onRequestComplete(context);
}
}
fireExit(context, r, count, args);
}
1.我们可以看到，这里的entry里面调用了私有的performChecking方法，和flow一样，我们先看看CircuitBreaker的对象结构。
public interface CircuitBreaker {
/**
*获取相关的断路规则。
*/
DegradeRule getRule();
/**
* 仅当调用时该调用可用时，才获取该调用的权限。
*
* @param context 当前调用的上下文
* @return true 如果获得了权限，则使用return false
*/
boolean tryPass(Context context);
/**
* 获取断路器的通过状态。
*/
State currentState();
/**
* 用上下文记录一个已完成的请求，并对断路器进行状态转换
*/
void onRequestComplete(Context context);
/**
* Circuit breaker state.
*/
enum State {
/**
* 在{@code OPEN}状态下，所有请求都将被拒绝，直到下一个恢复时间点。
*/
OPEN,
/**
*在{@code HALF_OPEN}状态下，断路器允许“探测”调用。
*如果调用异常，根据策略(例如，它是缓慢的)，断路器
*将重新转换为{@code OPEN}状态，等待下一个恢复时间点;
*否则，该资源将被视为“恢复”和断路器
*将停止切断请求并转换为{@code CLOSED}状态。
*/
HALF_OPEN,
/**
*在{@code CLOSED}状态中，允许所有请求。当当前度量值超过阈值时，
*断路器将转换为{@code OPEN}状态。
*/
CLOSED
}
}
整段都在维护这个CircuitBreaker的state，我们可以看到这里不再是resource，而是context，这里的状态决定了请求是否能够通过，如果在这个最低成的slot就被拦截并拒绝，那么可以理解为是不需要再次限流的（虽然会统计数量）
void performChecking(Context context, ResourceWrapper r) throws BlockException {
List<CircuitBreaker> circuitBreakers = DegradeRuleManager.getCircuitBreakers(r.getName());
if (circuitBreakers == null || circuitBreakers.isEmpty()) {
return;
}
for (CircuitBreaker cb : circuitBreakers) {
if (!cb.tryPass(context)) {
throw new DegradeException(cb.getRule().getLimitApp(), cb.getRule());
}
}
}
2.performChecking主要的逻辑就是从当前DegradeRuleManager中获取resource对应的熔断规则，如果需要进行熔断则throw new DegradeException(cb.getRule().getLimitApp(), cb.getRule());
四、小结
本期我们讲述了Slot的子类FlowSlot和DegradeSlot的基本实现原理。
现在建立我们的知识树
实例化DefaultNode和ClusterNode，创建结构树
创建上下文时，首先会在NodeSelectorSlot中判断是否有DefaultNode。
如果没有则新增一个基于resource的DefaultNode，然后执行下一个slot。
下一个slot是ClusterBuilderSlot，ClusterBuilderSlot会判断是否有对应的ClusterNode，如果没有则新增一个基于resource的ClusterNode并继续下一个流程（slot）。
总结来说，这个两个slot奠定了一个基于resource进行全局控制的基调。
进行信息收集
LogSlot在DefaultNode和ClusterNode初始化后，作为业务实例模块的分界点，收集全局异常并处理。
StatisticSlot作为全局统计的实例，依托于ClusterNode，将全局的RT, QPS, thread count 等等信息存放在clusterNodeMap里面。
进行权限校验及系统级限流
在树结构和信息收集的slot建立完毕后，开始业务逻辑的实现，首先实现的就是AuthoritySlot的黑白名单能力，依托sentinel的resource的定义，我们很简单就可以拿到关于resource的authorityRules，将对应的rules取出后，以此进行黑、白名单判断，也可以理解为一种权限级别的限流措施。
SystemSlot则是全统计的全局限流，从调用点origins级别的配置中读取了配置好的限流措施，在下一个slot实现前完成了所有的判断，如qps，线程数，成功访问数，RT,CPU状态。如果出现异常，则throws BlockException，交给之前的slot去处理相应逻辑。到这里，一个基础的限流框架已经基本实现。
进行限流和熔断
当所有的配置项已经配置完毕，权限级别和系统级别的限流做完，现在轮到了最后的两个slot。
flowslot和DegradeSlot分别对应了我们配置的限流flow和配置的熔断机制。
到这里，一个成熟的分布式网关已经完成，我们的sentinel的完整功能已经叙述完毕。
网友评论