服务治理：常用限流算法总结
限流，看字面意思，限制流动。
为什么要限制流动？
比如高速公路出现了事故，交警会对高速路车辆的进入进行指挥和限制。
发生了一些意外情况，才可能要限制流动。等恢复正常情况后，就解除限制。不可能无缘无故的限制流动，毕竟限制会影响正常系统运行。
在举一个例子：
足球馆看足球比赛，足球馆的场地大小是固定的，座位数是固定的，能容纳看球人数总量是有限的。如果超过足球馆容量最大承载，会导致场内拥挤，这样会发生2个问题：一个是导致大家行动不便，一个可能会发生意想不到的事故。
那怎么办？球票。
一个足球场出售的球票是有限制的，一共卖多少张票是有一定数量额度。
系统容量有限，如果超过了系统的负荷，那么就需要做一些限制措施，避免系统运行时出现异常情况。
那在计算机系统中，为什么要限流？
同理，访问计算机系统时或者是计算机系统本身出现了一些异常情况。比如流量过大，系统处理不过来。比如系统升级等等情况。
计算机系统容量是有限的，内存大小，CPU 处理数据的速度，都是有限的，不可能无限大。如果超过了一定的阙值，系统就会出现异常，甚至宕机。
现在微服务架构比较流行，各种服务比较多，服务之间调用频繁。
如果访问一个 API 服务时，超过了这个服务能提供的最大访问能力，服务会崩溃，那就要对这个服务进行保护，避免服务因访问过大导致服务不可用，不仅影响自己服务，也可能影响其它相关服务。
采用什么方法保护服务呢？限流就是保护方法之一。
在 IT 高并发系统中，处于对系统的保护，需要对系统进行限流。
上面已经介绍了 IT 系统中的一些限流问题。
下面来看看对使用限流的一些具体情况描述。
在互联网世界里，一根一根的网线把整个世界连接起来，那么网络里面传输的数据
流动起来就形成了网络流。TCP 里就有限制流量的算法-滑动窗口算法。
在微服务系统里的 API 接口中，对接口做限制，保护接口安全，保证系统稳定。
对接口访问请求，怎么描述接口请求情况？
一般用每秒请求数（request per second），并发请求数等，来描述对接口的请求情况。所以限制也是对每秒请求数进行限制。
还有平常使用的连接池技术，也可以理解为限流思想的一种，把连接数限制在一个数量上。把固定数量的连接放入“池子”中，很形象的说法。当然也是复用减少损耗。
常用的限流算法，一般有 4 种：
计数器算法：
在固定窗口内对请求进行计数，然后与设置的最大请求数进行比较，如果超过了最大值，就进行限流。到达了一个固定时间窗口终点，将计数器清零，重新开始计数。
计数器算法又叫 固定窗口算法-Fixed Window。
举个例子，比如在微服务中有一个接口，限制调用次数： 1 分钟内最大调用次数为 30。
根据描述，这个算法为：
设置最大请求数 MaxRequest = 30，窗口时间 WindowTime = 60 秒，
还有一个计时开始时间 BeginTime , 请求计数 Counter。
用 Go 写一个 demo，不过为了测试方便，把 MaxRequest 设置为 10，WindowTime 设置为 3 秒，程序如下：
package main import ( "fmt" "sync" "time" ) const ( MAXREQUEST = 10 // 限制最大请求数 WINDOWTIME = 3 * time.Second // 最大窗口时间 ) type limit struct { beginTime time.Time counter int mu sync.Mutex } func (limit *limit) apiLimit() bool { limit.mu.Lock() defer limit.mu.Unlock() nowTime := time.Now() if nowTime.Sub(limit.beginTime) >= WINDOWTIME { limit.beginTime = nowTime limit.counter = 0 } if limit.counter > MAXREQUEST { return false } limit.counter++ fmt.Println("counter: ", limit.counter) return true } func main() { var wg sync.WaitGroup var limit limit for i := 0; i < 15; i++ { wg.Add(1) fmt.Println("req start:", i, time.Now()) go func(i int) { if limit.apiLimit() { fmt.Println("req counter: ", i, time.Now()) } wg.Done() }(i) time.Sleep(150 * time.Millisecond) } wg.Wait() } 算法优点：实现简单
算法缺点：
1.计数器算法有一个”临界时间点“问题。
比如限制 1 分钟内最大请求为 30 个。在 21:30:59 秒到达 30 个，然后 21:31:01 秒（临界时间）又瞬间到达 30 个，虽然两个时间窗内请求都符合限流要求，但在两个窗口临界时间 2 秒内集中了 60 次请求，超过了规定值 30。全局从速率来看 30/60s=0.5，而现在 60/2s =30，远超 0.5，这对系统来说可能就无法承受了。在这个 2 秒内不做限流，就可能会把我们的应用搞崩溃。
它无法应对两个时间窗口临界时间内的突发流量。
2.如果请求速度太快，会丢掉一些请求。
怎么解决“临界时间点”问题，看下面滑动窗口算法。
滑动窗口算法（Sliding Window）部分解决了计数器算法（固定时间窗口算法）“时间临界点” 的问题。
有的人还会把滑动窗口算法细分：滑动窗口日志(sliding window log) 和 滑动窗口计数（sliding window counter）。
滑动窗口算法：
在计数器算法中，把大时间窗口在进一步划分为更细小的时间窗口格子，随着时间向前移动，大时间窗每次向前移动一个小格子，而不是大时间窗向前移动。每个小格子都有自己独立计数器，小格子会记录每个请求到达的时间点。
最终统计比较：
举个例子：
把 1 分钟时间窗在划分为 6 个小格子时间窗，每个小格子 10 秒。每过 10 秒钟，时间窗口向右滑动一小格。每一个小格
都有自己独立的计数器 counter。下面图1到图2：
Go 例子 slidingwindow.go:
这个例子把最大请求数设置为300，最大时间窗时间设置为 30秒，小格子时间窗设置为 1秒，便于程序演示。
package main import ( "fmt" "sync" "time" ) const ( MAXREQUEST = 300 // 限制最大请求数 WINDOWTIME = 30 * time.Second // 最大窗口时间 ) type SlidingWindow struct { smallWindowTime int64 // 小窗口时间大小 smallWindowNum int64 // 小窗口总数 smallWindowCap int // 小窗口请求容量 counters map[int64]int // 小窗口计数器 mu sync.Mutex // 锁 } func NewSlidingWindow(smallWindowTime time.Duration) (*SlidingWindow, error) { num := int64(WINDOWTIME / smallWindowTime) // 小窗口总数 return &SlidingWindow{ smallWindowTime: int64(smallWindowTime), smallWindowNum: num, smallWindowCap: MAXREQUEST / int(num), counters: make(map[int64]int), }, nil } func (sw *SlidingWindow) ReqLimit() bool { sw.mu.Lock() sw.mu.Unlock() // 获取当前小格子窗口所在的时间值 curSmallWindowTime := time.Now().Unix() // 计算当前小格子窗口起始时间 beginTime := curSmallWindowTime - sw.smallWindowTime*(sw.smallWindowNum-1) // 计算当前小格子窗口请求总数 var count int for sWindowTime, counter := range sw.counters { // 遍历计数器 if sWindowTime < beginTime { // 判断不是当前小格子 delete(sw.counters, sWindowTime) } else { count += counter // 当前小格子窗口计数器累加 } } // 当前小格子请求到达请求限制，请求失败，返回 false if count >= sw.smallWindowCap { return false } // 没有到达请求上限，当前小格子窗口计数器+1，请求成功 sw.counters[curSmallWindowTime]++ return true } func main() { var wg sync.WaitGroup sw, _ := NewSlidingWindow(1 * time.Second) fmt.Println("num:", sw.smallWindowNum, "cap:", sw.smallWindowCap) for i := 0; i < 15; i++ { wg.Add(1) fmt.Println("req start:", i, time.Now()) go func(i int) { if sw.ReqLimit() { fmt.Println("req counter: ", time.Now()) } wg.Done() }(i) time.Sleep(200 * time.Millisecond) } wg.Wait() } 滑动窗口算法是怎么解决“临界时间点”问题？
还是用上面计数器的例子：比如限制 1 分钟内最大请求为 30 个。
在 21:30:59 秒到达 30 个请求，它落在上图2中灰色小格子中，然后 21:31:01 秒又瞬间到达 30 个，它会落在图2橘色小格子中。而当时间到达 21:31:01 时，时间窗要向右移动一小格（如上图2箭头所示），此时大时间窗内的总请求数为 60，超过了规定的最大请求数 30 个，这时就能检测出超过了请求阙值从而触发限流。
为什么说是部分解决“临界时间点”，或者说它的缺点？
这个看划分小格子的时间大小了。比如说上面例子小格子时间是 10 秒，如果瞬间流量是微秒呢？可能又会超过限制。那划分更细时间单位。理论上流量到达时间也可以更细。
这个又咋办？
多层次限流，同一个接口设置多条限流规则。比如 1 分钟 30 个，100ms 2 个。
与计数器算法（固定时间窗口算法）区别：
计数器其实是一个固定时间窗口，它只有一格，比较大的一格时间，计数器算法是按照一大格时间窗向前移动。滑动窗口算法是按照一小格时间向前移动。固定窗口可以说是滑动窗口的一种特殊情况。
滑动时间窗口小格子划分的时间越细，向前移动就越平滑。
先看下面一张图：
这个图很形象的把漏桶算法表示出来了：
(a)图：有一个控制开关的水龙头，下面有一个桶用来装水，桶下面有一个放水的洞。把请求比作水，水来了就先放到桶里，然后按照一定
的速率放出水。水龙头放水过快，桶里的水满了就会溢出。表现为请求就是多出的请求丢掉。(b)图：把 (a) 图在进一步算法化，把漏桶算法形象表示出来。
流入的请求速率是不确定，请求可以是任意速率流入桶中，流出的请求则是按照固定速率流出。把流入桶中的请求计数(桶的当前水位)，当请求超过桶的容量(最高水位)时，桶溢出丢弃这部分请求。
有的人形象把它叫作流量“整形”，因为不管你流入有多快，流出都是固定速率。
一个 Go demo：
package main import ( "fmt" "sync" "time" ) const ( MAXREQUEST = 5 ) type LeakyBucket struct { capacity int // 桶的容量 - 最高水位 currentReqNum int // 桶中当前请求数量 - 当前水位 lastTime time.Time // 桶中上次请求时间 - 上次放水时间 rate int // 桶中流出请求的速率，每秒流出多少请求,水流速度/秒 mu sync.Mutex // 锁 } func NewLeakyBucket(rate int) *LeakyBucket { return &LeakyBucket{ capacity: MAXREQUEST, //容量 lastTime: time.Now(), rate: rate, } } func (lb *LeakyBucket) ReqLimit() bool { lb.mu.Lock() lb.mu.Unlock() now := time.Now() // 计算距离上次放水时间间隔 gap := now.Sub(lb.lastTime) fmt.Println("gap：", gap) if gap >= time.Second { // gap 这段时间流出的请求数=gap时间 * 每秒流出速率 out := int(gap/time.Second) * lb.rate // 计算当前桶中请求数 lb.currentReqNum = maxInt(0, lb.currentReqNum-out) lb.lastTime = now } // 桶中的当前请求数大于桶容量，请求失败 if lb.currentReqNum >= lb.capacity { return false } // 若没超过桶容量，桶中请求量+1，返回true lb.currentReqNum++ fmt.Println("curReqNum:", lb.currentReqNum) return true } func maxInt(a, b int) int { if a > b { return a } return b } // 测试 func main() { var wg sync.WaitGroup lb := NewLeakyBucket(1) fmt.Println("cap:", lb.capacity) for i := 0; i < 15; i++ { wg.Add(1) fmt.Println("req start:", i, time.Now()) go func(i int) { if lb.ReqLimit() { fmt.Println("req counter: ", time.Now()) } wg.Done() }(i) time.Sleep(10 * time.Millisecond) } wg.Wait() } 缺点：
这个漏桶算法能保护系统，但是有大量请求时还是会丢弃很多请求，导致请求失败数高。
上面漏桶算法流入速度不稳定，流出速度是稳定的。
漏桶算法是直接把请求放入到桶里，令牌桶算法，一看名字，放入桶中的是令牌，然后请求获取令牌成功才能往下执行，否则丢弃请求。
令牌总数超过桶容量，就丢弃。令牌我们可以匀速生产，所以流入桶中令牌是稳定的。
因为令牌是自己生产的，所以生产令牌的快慢可以控制，那是不是接受对应的请求可以快也可以慢，这样就能够应对突发流量。流量大，生产令牌就快点。能不能应对无限大突发流量？当然不行，资源是有限，对桶的最大流量也要进行限制。
令牌桶算法如下图所示：
总结下令牌桶算法几个关键参数：
1.令牌桶的容量
2.令牌生产的速率，比如每秒生产多少个令牌
3.最大限流量，最大请求的容量，这个关系到令牌桶里的令牌总数
