介面限流演算法：漏桶演算法&令牌桶演算法

工作中對外提供的API 介面設計都要考慮限流，如果不考慮限流，會成系統的連鎖反應，輕者響應緩慢，重者系統當機，整個業務線崩潰，如何應對這種情況呢，我們可以對請求進行引流或者直接拒絕等操作，保持系統的可用性和穩定性，防止因流量暴增而導致的系統執行緩慢或當機。

在開發高併發系統時有三把利器用來保護系統：快取、降級和限流

快取：快取的目的是提升系統訪問速度和增大系統處理容量 降級：降級是當伺服器壓力劇增的情況下，根據當前業務情況及流量對一些服務和頁面有策略的降級，以此釋放伺服器資源以保證核心任務的正常執行 限流：限流的目的是通過對併發訪問/請求進行限速，或者對一個時間視窗內的請求進行限速來保護系統，一旦達到限制速率則可以拒絕服務、排隊或等待、降級等處理

限流演算法

常用的限流演算法有令牌桶和和漏桶，而Google開源專案Guava中的RateLimiter使用的就是令牌桶控制演算法。

漏桶演算法

把請求比作是水，水來了都先放進桶裡，並以限定的速度出水，當水來得過猛而出水不夠快時就會導致水直接溢位，即拒絕服務。

漏斗有一個進水口 和 一個出水口，出水口以一定速率出水，並且有一個最大出水速率：

在漏斗中沒有水的時候，

• 如果進水速率小於等於最大出水速率，那麼，出水速率等於進水速率，此時，不會積水
• 如果進水速率大於最大出水速率，那麼，漏斗以最大速率出水，此時，多餘的水會積在漏斗中

在漏斗中有水的時候

• 出水口以最大速率出水
• 如果漏斗未滿，且有進水的話，那麼這些水會積在漏斗中
• 如果漏斗已滿，且有進水的話，那麼這些水會溢位到漏斗之外

令牌桶演算法

對於很多應用場景來說，除了要求能夠限制資料的平均傳輸速率外，還要求允許某種程度的突發傳輸。這時候漏桶演算法可能就不合適了，令牌桶演算法更為適合。

令牌桶演算法的原理是系統以恆定的速率產生令牌，然後把令牌放到令牌桶中，令牌桶有一個容量，當令牌桶滿了的時候，再向其中放令牌，那麼多餘的令牌會被丟棄；當想要處理一個請求的時候，需要從令牌桶中取出一個令牌，如果此時令牌桶中沒有令牌，那麼則拒絕該請求。

RateLimiter 用法

github.com/google/guav…

新增依賴

<dependency>
  <groupId>com.google.guava</groupId>
  <artifactId>guava</artifactId>
  <version>26.0-jre</version>
  <!-- or, for Android: -->
  <version>26.0-android</version>
</dependency>
複製程式碼

public class Test {

    public static void main(String[] args) {
        ListeningExecutorService executorService = MoreExecutors.listeningDecorator(Executors.newFixedThreadPool(100));
        // 指定每秒放1個令牌
  RateLimiter limiter = RateLimiter.create(1);
        for (int i = 1; i < 50; i++) {
            // 請求RateLimiter, 超過permits會被阻塞
  //acquire(int permits)函式主要用於獲取permits個令牌，並計算需要等待多長時間，進而掛起等待，並將該值返回
  Double acquire = null;
            if (i == 1) {
                acquire = limiter.acquire(1);
            } else if (i == 2) {
                acquire = limiter.acquire(10);
            } else if (i == 3) {
                acquire = limiter.acquire(2);
            } else if (i == 4) {
                acquire = limiter.acquire(20);
            } else {
                acquire = limiter.acquire(2);
            }
            executorService.submit(new Task("獲取令牌成功，獲取耗：" + acquire + " 第 " + i + " 個任務執行"));
        }
    }
}
class Task implements Runnable {
    String str;
    public Task(String str) {
        this.str = str;
    }
    @Override
  public void run() {
        SimpleDateFormat sdf = new SimpleDateFormat("yyyy-MM-dd HH:mm:ss.SSS");
        System.out.println(sdf.format(new Date()) + " | " + Thread.currentThread().getName() + str);
    }
}
複製程式碼

響應

2018-08-11 00:26:22.953 | pool-1-thread-1獲取令牌成功，獲取耗：0.0 第 1 個任務執行
2018-08-11 00:26:23.923 | pool-1-thread-2獲取令牌成功，獲取耗：0.98925 第 2 個任務執行
2018-08-11 00:26:33.920 | pool-1-thread-3獲取令牌成功，獲取耗：9.996993 第 3 個任務執行
2018-08-11 00:26:35.920 | pool-1-thread-4獲取令牌成功，獲取耗：1.999051 第 4 個任務執行
2018-08-11 00:26:55.920 | pool-1-thread-5獲取令牌成功，獲取耗：19.999726 第 5 個任務執行
2018-08-11 00:26:57.920 | pool-1-thread-6獲取令牌成功，獲取耗：1.999139 第 6 個任務執行
2018-08-11 00:26:59.920 | pool-1-thread-7獲取令牌成功，獲取耗：1.999806 第 7 個任務執行
2018-08-11 00:27:01.919 | pool-1-thread-8獲取令牌成功，獲取耗：1.999433 第 8 個任務執行
複製程式碼

acquire函式主要用於獲取permits個令牌，並計算需要等待多長時間，進而掛起等待，並將該值返回

一個RateLimiter主要定義了發放permits的速率。如果沒有額外的配置，permits將以固定的速度分配，單位是每秒多少permits。預設情況下，Permits將會被穩定的平緩的發放。

預消費能力

從輸出結果可以看出，指定每秒放1個令牌，RateLimiter具有預消費的能力：

acquire 1 時，並沒有任何等待 0.0 秒 直接預消費了1個令牌 acquire 10時，由於之前預消費了 1 個令牌，故而等待了1秒，之後又預消費了10個令牌 acquire 2 時，由於之前預消費了 10 個令牌，故而等待了10秒，之後又預消費了2個令牌 acquire 20 時，由於之前預消費了 2 個令牌，故而等待了2秒，之後又預消費了20個令牌 acquire 2 時，由於之前預消費了 20 個令牌，故而等待了20秒，之後又預消費了2個令牌 acquire 2 時，由於之前預消費了 2 個令牌，故而等待了2秒，之後又預消費了2個令牌 acquire 2 時 .....

通俗的講「前人_挖坑_後人跳」,也就說上一次請求獲取的permit數越多，那麼下一次再獲取授權時更待的時候會更長，反之，如果上一次獲取的少，那麼時間向後推移的就少，下一次獲得許可的時間更短。可見，都是有代價的。正所謂：要浪漫就要付出代價。馬上就七夕了，浪漫的代價可能要花錢啊，單身狗們。

令牌桶演算法VS漏桶演算法

漏桶

漏桶的出水速度是恆定的，那麼意味著如果瞬時大流量的話，將有大部分請求被丟棄掉（也就是所謂的溢位）。

令牌桶

生成令牌的速度是恆定的，而請求去拿令牌是沒有速度限制的。這意味，面對瞬時大流量，該演算法可以在短時間內請求拿到大量令牌，而且拿令牌的過程並不是消耗很大的事情。

最後

不論是對於令牌桶拿不到令牌被拒絕，還是漏桶的水滿了溢位，都是為了保證大部分流量的正常使用，而犧牲掉了少部分流量，這是合理的，如果因為極少部分流量需要保證的話，那麼就可能導致系統達到極限而掛掉，得不償失。

本文講的單機的限流，是JVM級別的的限流，所有的令牌生成都是在記憶體中，在分散式環境下不能直接這麼用，可用使redis限流。