阿里大佬带你解密Sentinel

Context

Context是对资源操作时的上下文环境, 同一个线程中通过thread local 进行传里， context中维护了currentEntry, 同一个线程中可以多次entry/exit, 所以entry同样维护了一个树状结构:

Entry

调用点，这里面保存着和某一特定资源的某一次调用相关的信息，比如这次调用的起始执行时间，结束时间，是否抛出异常，调用链路中的父子关系，该调用点对应资源的处理链（ProcessorSlotChain），还保存了该调用点所对应的资源统计节点

Slot

slot是规则处理器，通过责任链模式进行串联处理。

1.3、核心类图

sentinel主要通过Node实现结点维护统计信息、通过LeapArray实现滑动窗口算法。

2、Sentinel 流程

---

2.1、规则配置

应用通过订阅监听模式实现各种监听器，监听然后对应不同配置的进行更新，图中列出了几个主要监听器，如: 规则配置、基本配置、集群配置等。

2.2、规则验证

应用调用entry入口即启动了规则验证流程，主要步骤为获取context, 构建并执行slot chain，如果违反规则纪录失败计数，清理contxt;反之，则纪录成功计数，返回验证成功。

3、Sentinel 核心

---

3.1、限流算法

我们所熟知的限流算法包括: 1. 计数器 2. 固定窗口 3. 滑动窗口 4.漏桶 5.令牌桶等。

• 1、计数器，维护一个计数器，访问进入计数器+1，如果超过阙值则拒绝、访问结束计数器-1。

• 2、固定窗口，给定一个时间窗口，维护一个计数器、如果窗口内访问次数大于阙值则拒绝。

• 3、滑动窗口，固定窗口有临界问题，所以提出滑动窗口思想，将一个大的时间窗口切分成更细粒度的子窗口，每个子窗口单独统计，每过一个子窗口的时间，就向右滑动一个子窗口。

• 4、漏桶，滑动窗口不能解决平滑度问题，为了解决平滑度问题，提出漏桶算法进行流速控制。

• 5、令牌桶: 跟漏桶算法相反，以很定的速度产生令牌，桶满则丢弃，请求访问时从桶里后去令牌，如果能够获取，则通过否则拒绝。

Sentinel中主要使用了计数器、滑动窗口、漏桶等限流思想。比如对于线程数的流控，就是直接使用计数器进行限制，对于QPS的限制则使用了滑动窗口的思想，滑动窗口也是Sentinel的主要流控实现方式。

3.2、滑动窗口

Sentinel支持秒级的窗口，默认窗口大小1秒，假设分为5个子窗口，则每个子窗口的大小为200ms, 如上图，每个格子有个索引timeId, 那窗口是如何进行滑动呢？算法的关键实现就是在前面类图提到过的currentWindow()方法：

• 1、根据当前时间戳计算timeId

• 2、根据timdId获取当前子窗口

• 3、如果子窗口不存在，则创建子窗口

• 4、如果子窗口已经存在，则根据当前时间计算开始开始时间，对比子窗口的开始时间，如果开始时间一致，则说明此子窗口即当前窗口，如果大于子窗口时间，则需要滑动

• 5、滑动其实就是resetWidow, 包括reset windowStartTime, window中的统计信息等，如上图所示

3.3、优先级

优先级的目的是为了区分正常流量和其他低优先级流量,比如压测流量。对于正常流量，如果超过阙值，不想直接拒绝，尝试借用将来窗口的指标，如果借用成功，则请求通过，如果借用失败，则拒绝。当时间窗口真正走到将来的时间点时，需要将借用窗口的计数器恢复设置。

那如何当前请求是否可以借用呢？如下图，主要维护一个借用时间阙值，计算一秒窗口内的总数有没有超过QPS，如果没有超过看借用时间是否超过借用阙值:

3.4、热点参数

一般资源的定义需要可枚举的，不能爆炸式的，假如对每个userId进行限流，这样会导致sentinel的存储空间爆炸式增长，最后导致OOM. 对于这种细粒度的参数限流，sentinel提供了热点参数方案。

如图:

热点参数就是在正常统计信息而外增加了参数统计，一样支持线程数和QPS两种限流方式，对于线程数，每个参数索引维护了一个LRU cache; 对于QPS，每个参数索引、每个子窗口、每个统计纬度维护了一个LRU cache, cache中维护了各种计数。通过LRU cache可以避免内存爆炸, 达到热点参数限流的目的。