建站
咨詢
售后
建站咨詢
新聞中心
作為應(yīng)對高并發(fā)的手段之一，限流并不是一個新鮮的話題了。從Guava的Ratelimiter到Hystrix，以及Sentinel都可作為限流的工具。
成都創(chuàng)新互聯(lián)公司一直秉承“誠信做人，踏實做事”的原則，不欺瞞客戶，是我們最起碼的底線！ 以服務(wù)為基礎(chǔ)，以質(zhì)量求生存，以技術(shù)求發(fā)展，成交一個客戶多一個朋友！為您提供做網(wǎng)站、成都網(wǎng)站建設(shè)、成都網(wǎng)頁設(shè)計、小程序制作、成都網(wǎng)站開發(fā)、成都網(wǎng)站制作、成都軟件開發(fā)、App定制開發(fā)是成都本地專業(yè)的網(wǎng)站建設(shè)和網(wǎng)站設(shè)計公司，等你一起來見證！
自適應(yīng)限流
一般的限流常常需要指定一個固定值(qps)作為限流開關(guān)的閾值，這個值一是靠經(jīng)驗判斷，二是靠通過大量的測試數(shù)據(jù)得出。但這個閾值，在流量激增、系統(tǒng)自動伸縮或者某某commit了一段有毒代碼后就有可能變得不那么合適了。并且一般業(yè)務(wù)方也不太能夠正確評估自己的容量，去設(shè)置一個合適的限流閾值。
而此時自適應(yīng)限流就是解決這樣的問題的，限流閾值不需要手動指定，也不需要去預(yù)估系統(tǒng)的容量，并且閾值能夠隨著系統(tǒng)相關(guān)指標(biāo)變化而變化。
自適應(yīng)限流算法借鑒了TCP擁塞算法，根據(jù)各種指標(biāo)預(yù)估限流的閾值，并且不斷調(diào)整。大致獲得的效果如下:
從圖上可以看到，首先以一個降低的初始并發(fā)值發(fā)送請求，同時通過增大限流窗口來探測系統(tǒng)更高的并發(fā)性。而一旦延遲增加到一定程度了，又會退回到較小的限流窗口。循環(huán)往復(fù)持續(xù)探測并發(fā)極限，從而產(chǎn)生類似鋸齒狀的時間關(guān)系函數(shù)。
TCP Vegas
vegas是一種主動調(diào)整cwnd的擁塞控制算法，主要是設(shè)置兩個閾值alpha 和 beta，然后通過計算目標(biāo)速率和實際速率的差diff，再比較差diff與alpha和beta的關(guān)系，對cwnd進行調(diào)節(jié)。偽代碼如下：
diff = cwnd*(1-baseRTT/RTT)
if (diff set: cwndcwnd = cwnd + 1
else if (diff >= beta)
set: cwndcwnd = cwnd - 1
else
set: cwndcwnd = cwnd
其中baseRTT指的是測量的最小往返時間，RTT指的是當(dāng)前測量的往返時間，cwnd指的是當(dāng)前的TCP窗口大小。通常在tcp中alpha會被設(shè)置成2-3，beta會被設(shè)置成4-6。這樣子，cwnd就保持在了一個平衡的狀態(tài)。
netflix-concuurency-limits
concuurency-limits是netflix推出的自適應(yīng)限流組件，借鑒了TCP相關(guān)擁塞控制算法，主要是根據(jù)請求延時，及其直接影響到的排隊長度來進行限流窗口的動態(tài)調(diào)整。
alpha , beta & threshold
vegas算法實現(xiàn)在了VegasLimit類中。先看一下初始化相關(guān)代碼:
private int initialLimit = 20;
private int maxConcurrency = 1000;
private MetricRegistry registry = EmptyMetricRegistry.INSTANCE;
private double smoothing = 1.0;
private Function alphaFunc = (limit) -> 3 * LOG10.apply(limit.intValue());
private Function betaFunc = (limit) -> 6 * LOG10.apply(limit.intValue());
private Function thresholdFunc = (limit) -> LOG10.apply(limit.intValue());
private Function increaseFunc = (limit) -> limit + LOG10.apply(limit.intValue());
private Function decreaseFunc = (limit) -> limit - LOG10.apply(limit.intValue());
這里首先定義了一個初始化值initialLimit為20，以及極大值maxConcurrency1000。其次是三個閾值函數(shù)alphaFunc，betaFunc以及thresholdFunc。最后是兩個增減函數(shù)increaseFunc和decreaseFunc。
函數(shù)都是基于當(dāng)前的并發(fā)值limit做運算的。
alphaFunc可類比vegas算法中的alpha，此處的實現(xiàn)是3*log limit。limit值從初始20增加到極大1000時候，相應(yīng)的alpha從3.9增加到了9。
betaFunc則可類比為vegas算法中的beta，此處的實現(xiàn)是6*log limit。limit值從初始20增加到極大1000時候，相應(yīng)的alpha從7.8增加到了18。
thresholdFunc算是新增的一個函數(shù)，表示一個較為初始的閾值，小于這個值的時候limit會采取激進一些的增量算法。這里的實現(xiàn)是1倍的log limit。mit值從初始20增加到極大1000時候，相應(yīng)的alpha從1.3增加到了3。
這三個函數(shù)值可以認(rèn)為確定了動態(tài)調(diào)整函數(shù)的四個區(qū)間范圍。當(dāng)變量queueSize = limit × (1 ? RTTnoLoad/RTTactual)落到這四個區(qū)間的時候應(yīng)用不同的調(diào)整函數(shù)。
變量queueSize
其中變量為queueSize，計算方法即為limit × (1 ? RTTnoLoad/RTTactual)，為什么這么計算其實稍加領(lǐng)悟一下即可。
常用的限流框架常用的限流框架
我們把系統(tǒng)處理請求的過程想象為一個水管，到來的請求是往這個水管灌水，當(dāng)系統(tǒng)處理順暢的時候，請求不需要排隊，直接從水管中穿過，這個請求的RT是最短的，即RTTnoLoad；
反之，當(dāng)請求堆積的時候，那么處理請求的時間則會變?yōu)椋号抨爼r間+最短處理時間，即RTTactual = inQueueTime + RTTnoLoad。而顯然排隊的隊列長度為
總排隊時間/每個請求的處理時間及queueSize = (limit * inQueueTime) / (inQueueTime + RTTnoLoad) = limit × (1 ? RTTnoLoad/RTTactual)。
再舉個栗子，因為假設(shè)當(dāng)前延時即為最佳延時，那么自然是不用排隊的，即queueSize=0。而假設(shè)當(dāng)前延時為最佳延時的一倍的時候，可以認(rèn)為處理能力折半，100個流量進來會有一半即50個請求在排隊，及queueSize= 100 * (1 ? 1/2)=50。
動態(tài)調(diào)整函數(shù)
調(diào)整函數(shù)中最重要的即增函數(shù)與減函數(shù)。從初始化的代碼中得知，增函數(shù)increaseFunc實現(xiàn)為limit+log limit，減函數(shù)decreaseFunc實現(xiàn)為limit-log limit，相對來說增減都是比較保守的。
看一下應(yīng)用動態(tài)調(diào)整函數(shù)的相關(guān)代碼：
private int updateEstimatedLimit(long rtt, int inflight, boolean didDrop) {
final int queueSize = (int) Math.ceil(estimatedLimit * (1 - (double)rtt_noload / rtt));
double newLimit;
// Treat any drop (i.e timeout) as needing to reduce the limit
// 發(fā)現(xiàn)錯誤直接應(yīng)用減函數(shù)decreaseFunc
if (didDrop) {
newLimit = decreaseFunc.apply(estimatedLimit);
// Prevent upward drift if not close to the limit
} else if (inflight * 2 return (int)estimatedLimit;
} else {
int alpha = alphaFunc.apply((int)estimatedLimit);
int beta = betaFunc.apply((int)estimatedLimit);
int threshold = this.thresholdFunc.apply((int)estimatedLimit);
// Aggressive increase when no queuing
if (queueSize limit if queue is still manageable
} else if (queueSize else if (queueSize > beta) {
newLimit = decreaseFunc.apply(estimatedLimit);
// We're within he sweet spot so nothing to do } else { return (int)estimatedLimit; } } newLimit = Math.max(1, Math.min(maxLimit, newLimit)); newLimit = (1 - smoothing) * estimatedLimit + smoothing * newLimit; if ((int)newLimit != (int)estimatedLimit && LOG.isDebugEnabled()) { LOG.debug("New limit={} minRtt={} ms winRtt={} ms queueSize={}", (int)newLimit, TimeUnit.NANOSECONDS.toMicros(rtt_noload) / 1000.0, TimeUnit.NANOSECONDS.toMicros(rtt) / 1000.0, queueSize); } estimatedLimit = newLimit; return (int)estimatedLimit; } 動態(tài)調(diào)整函數(shù)規(guī)則如下：
當(dāng)變量queueSize
網(wǎng)站題目：常用的限流框架
轉(zhuǎn)載注明：http://www.dlmjj.cn/article/cogjdco.html
