【sentinel】漏桶算法在Sentinel中的应用-Toy模板网

这篇具有很好参考价值的文章主要介绍了【sentinel】漏桶算法在Sentinel中的应用。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

漏桶算法

漏桶算法介绍

漏桶算法，又称leaky bucket。
【sentinel】漏桶算法在Sentinel中的应用
从图中我们可以看到，整个算法其实十分简单。首先，我们有一个固定容量的桶，有水流进来，也有水流出去。对于流进来的水来说，我们无法预计一共有多少水会流进来，也无法预计水流的速度。但是对于流出去的水来说，这个桶可以固定水流出的速率。而且，当桶满了之后，多余的水将会溢出。

我们将算法中的水换成实际应用中的请求，我们可以看到漏桶算法天生就限制了请求的速度。当使用了漏桶算法，我们可以保证接口会以一个常速速率来处理请求。所以漏桶算法天生不会出现临界问题。

漏桶算法的实现

漏桶算法具体的实现代码如下：

package com.morris.user.demo;

import lombok.extern.slf4j.Slf4j;

import java.util.Random;
import java.util.concurrent.TimeUnit;

/**
 * 漏桶算法
 */
@Slf4j
public class LeakyBucketDemo {

    public static void main(String[] args) {
        LeakyBucket sideWindow = new LeakyBucket(2);
        for (int i = 0; i < 30; i++) {
            int finalI = i;
            new Thread(() -> {
                try {
                    TimeUnit.MILLISECONDS.sleep(new Random().nextInt(30000));
                } catch (InterruptedException e) {
                    e.printStackTrace();
                }
                log.info(finalI + "--> " + sideWindow.canPass());
            }).start();
        }
    }

    public static class LeakyBucket {

        // 桶的容量
        private static final long CAPACITY = 10;
        // 水漏出的速度(每秒系统能处理的请求数)
        private final long rate;
        // 当前水量(当前累积请求数)
        private double water = 0;
        // 上一次请求的时间
        private long lastRequestTime = System.currentTimeMillis();

        /**
         * @param maxCount 1秒内允许的最大请求数
         */
        public LeakyBucket(int maxCount) {
            // 每秒允许的最大请求数
            this.rate = maxCount;
        }

        public synchronized boolean canPass() {
            long now = System.currentTimeMillis();

            // 去除从lastRequestTime~now时间段应该从桶中漏出的水
            this.water = Math.max(0, water - (now - lastRequestTime) * 1.0D / 1000 * this.rate);

            this.lastRequestTime = now;

            if (this.water + 1 > CAPACITY) {
                // 桶满了
                return false;
            }
            this.water++;
            return true;
        }

    }
}

漏桶算法的实现2

漏桶算法的另一种具体实现代码如下：

package com.morris.user.demo;

import lombok.extern.slf4j.Slf4j;

import java.util.Random;
import java.util.concurrent.TimeUnit;

/**
 * 漏桶算法
 */
@Slf4j
public class LeakyBucketDemo2 {

    public static void main(String[] args) {
        LeakyBucket sideWindow = new LeakyBucket(2);
        for (int i = 0; i < 30; i++) {
            int finalI = i;
            new Thread(() -> {
                try {
                    TimeUnit.MILLISECONDS.sleep(new Random().nextInt(3000));
                } catch (InterruptedException e) {
                    e.printStackTrace();
                }
                log.info(finalI + "--> " + sideWindow.canPass());
            }).start();
        }
    }

    public static class LeakyBucket {

        // 上一次请求的时间
        private long lastRequestTime = System.currentTimeMillis();
        // 两次请求之间的最小时间间隔
        private final int interval;

        public LeakyBucket(int maxCount) {
            this.interval = 1000 / maxCount;
        }

        public synchronized boolean canPass() {
            long now = System.currentTimeMillis();
            // 两次请求之间的时间间隔
            if (now - lastRequestTime >= interval) {
                lastRequestTime = now;
                return true;
            }
            return false;
        }

    }
}

漏桶算法的优缺点

优点：

可以平滑限制请求的处理速度，避免瞬间请求过多导致系统崩溃或者雪崩。
可以控制请求的处理速度，使得系统可以适应不同的流量需求，避免过载或者过度闲置。
可以通过调整桶的大小和漏出速率来满足不同的限流需求，可以灵活地适应不同的场景。

缺点：

需要对请求进行缓存，会增加服务器的内存消耗。
对于流量波动比较大的场景，需要较为灵活的参数配置才能达到较好的效果。
但是面对突发流量的时候，漏桶算法还是循规蹈矩地处理请求，这不是我们想看到的啦。流量变突发时，我们肯定希望系统尽量快点处理请求，提升用户体验嘛。

漏桶算法的缺点主要是由于服务和漏下来的请求之间没有交互，要么服务太忙，要么服务太闲，这就引出了令牌桶算法。

漏桶算法在sentinel中的应用

漏桶算法主要用于流控规则中流控效果为排队等待。

com.alibaba.csp.sentinel.slots.block.flow.controller.RateLimiterController#canPass(com.alibaba.csp.sentinel.node.Node, int, boolean)文章来源地址https://www.toymoban.com/news/detail-471123.html

public boolean canPass(Node node, int acquireCount, boolean prioritized) {
    // Pass when acquire count is less or equal than 0.
    if (acquireCount <= 0) {
        return true;
    }
    // Reject when count is less or equal than 0.
    // Otherwise,the costTime will be max of long and waitTime will overflow in some cases.
    if (count <= 0) {
        return false;
    }

    // 当前时间
    long currentTime = TimeUtil.currentTimeMillis();

    // 计算两个请求中间允许的时间间隔
    // Calculate the interval between every two requests.
    long costTime = Math.round(1.0 * (acquireCount) / count * 1000);

    // Expected pass time of this request.
    // 下一次请求期待的访问时间
    long expectedTime = costTime + latestPassedTime.get();

    if (expectedTime <= currentTime) {
        // 当前时间大于下一次请求期待的访问时间，允许通过
        // Contention may exist here, but it's okay.
        latestPassedTime.set(currentTime);
        return true;
    } else {
        // Calculate the time to wait.
        // 计算当前线程需要等待的时间
        long waitTime = costTime + latestPassedTime.get() - TimeUtil.currentTimeMillis();
        if (waitTime > maxQueueingTimeMs) {
            // 等待时间大于设置的最大的等待超时时间
            return false;
        } else {
            // latestPassedTime+costTime就是下一次请求期待的访问时间
            long oldTime = latestPassedTime.addAndGet(costTime);
            try {
                waitTime = oldTime - TimeUtil.currentTimeMillis();
                if (waitTime > maxQueueingTimeMs) {
                    // 说明latestPassedTime被另一个线程改了
                    // 把时间改回去，然后请求不允许通过
                    latestPassedTime.addAndGet(-costTime);
                    return false;
                }
                // in race condition waitTime may <= 0
                if (waitTime > 0) {
                    // 线程休眠，排队等待
                    Thread.sleep(waitTime);
                }
                return true;
            } catch (InterruptedException e) {
            }
        }
    }
    return false;
}