高并发场景下的qps计算
qps通常可以定义为：对一秒内该进程中的各个线程对某一个切入点的次数进行累加计数。
业务场景
公司层面已经有一套针对服务的SLA监控。但我负责的这个服务是一套地理位置服务，属于公共支撑类服务，因此该服务要对接多个业务方。为了知道上线后，各个业务方的qps以及天级流量，我们就需要孵化出一个工具对这两个metric行统计。
术语定义
- bucket：桶，描述单位时间内的请求数量
- bucketWindow：时间窗口，描述需要统计时间窗口的数据，一个时间窗口包含多个桶。例如：需要统计qps，那么统计的时间窗口为1000ms
核心设计
public class Bucket {
private final LongAdder count;
private final LongAdder rt;
/**
* 最小耗时
*/
private volatile long minRt = Integer.MAX_VALUE;
/**
* 最大耗时
*/
private volatile long maxRt = Integer.MIN_VALUE;
public Bucket() {
this.count = new LongAdder();
this.rt = new LongAdder();
}
public void add(long n) {
count.add(n);
}
public long sum() {
return count.sum();
}
public long sumRt() {
return rt.sum();
}
public void reset() {
count.reset();
}
public void addRt(long currentRt) {
if (currentRt < minRt) {
minRt = currentRt;
}
if (currentRt > maxRt) {
maxRt = currentRt;
}
rt.add(currentRt);
}
public long sumThenReset() {
return count.sumThenReset();
}
public long getMinRt() {
return minRt;
}
public long getMaxRt() {
return maxRt;
}
}
public class BucketWrap<T> {
/**
* 每个bucket存储桶的时间长度（毫秒）
*/
private final long bucketLengthInMs;
/**
* bucket的开始时间戳（毫秒）
*/
private long bucketStartTime;
private T bucket;
public BucketWrap(long bucketLengthInMs, long bucketStartTime, T bucket) {
this.bucketLengthInMs = bucketLengthInMs;
this.bucketStartTime = bucketStartTime;
this.bucket = bucket;
}
public long getBucketStartTime() {
return bucketStartTime;
}
public long getBucketLengthInMs() {
return bucketLengthInMs;
}
public T getBucket() {
return bucket;
}
/**
* 把bucket开始时间设置为startTime
*
* @param startTime
* @return
*/
public BucketWrap<T> resetWindowStart(long startTime) {
this.bucketStartTime = startTime;
return this;
}
/**
* time是否在当前bucket中
*
* @param time
* @return
*/
public boolean timeInWindow(long time) {
return bucketStartTime <= time && time < bucketStartTime + bucketLengthInMs;
}
}
public class BucketsWindow {
/**
* bucket时间长度
*/
private long bucketLengthInMs;
/**
* 样本数量
*/
private int sampleCount;
/**
* 窗口时间
*/
private long windowIntervalInMs;
/**
* 数据
*/
protected final AtomicReferenceArray<BucketWrap<Bucket>> atomicReferenceArray;
/**
* 更新锁
*/
private final ReentrantLock updateLock = new ReentrantLock();
public BucketsWindow(int sampleCount, long windowIntervalInMs) {
this.sampleCount = sampleCount;
this.windowIntervalInMs = windowIntervalInMs;
this.bucketLengthInMs = windowIntervalInMs / sampleCount;
this.atomicReferenceArray = new AtomicReferenceArray<>(sampleCount);
}
/**
* 废弃的bucket
*
* @param currentTime
* @param bucketWrap
* @return
*/
private boolean discardedBucket(long currentTime, BucketWrap<Bucket> bucketWrap) {
return currentTime - bucketWrap.getBucketStartTime() > windowIntervalInMs;
}
/**
* 获取当前时间的窗口
*
* @return
*/
public BucketWrap<Bucket> getCurrentBucket() {
return getCurrentBucket(System.currentTimeMillis());
}
public List<Bucket> getBuckets() {
return getBuckets(System.currentTimeMillis());
}
private List<Bucket> getBuckets(long currentTime) {
if (currentTime < 0) {
throw new IllegalArgumentException(String.format("current time is illegal,currentTime:%d", currentTime));
}
List<Bucket> buckets = Lists.newArrayList();
int length = atomicReferenceArray.length();
for (int i = 0; i < length; i++) {
BucketWrap<Bucket> bucketWrap = atomicReferenceArray.get(i);
if (null == bucketWrap || discardedBucket(currentTime, bucketWrap)) {
continue;
}
buckets.add(bucketWrap.getBucket());
}
return buckets;
}
/**
* 计算窗口下标
*
* @param currentTime
* @return
*/
private int calculateWindowIndex(long currentTime) {
return (int) ((currentTime / bucketLengthInMs) % sampleCount);
}
/**
* 计算窗口的开始时间戳
*
* @param currentTime
* @return
*/
private long calculateWindowStartTime(long currentTime) {
return currentTime - currentTime % bucketLengthInMs;
}
/**
* 重置窗口
*
* @param oldBucketWrap
* @param startTime
* @return
*/
private BucketWrap<Bucket> resetWindow(BucketWrap<Bucket> oldBucketWrap, long startTime) {
oldBucketWrap.resetWindowStart(startTime);
oldBucketWrap.getBucket().reset();
return oldBucketWrap;
}
/**
* 获取当前窗口
*
* @param currentTime
* @return
*/
private BucketWrap<Bucket> getCurrentBucket(long currentTime) {
if (currentTime < 0) {
throw new IllegalArgumentException(String.format("current time is illegal,currentTime:%d", currentTime));
}
int windowIndex = calculateWindowIndex(currentTime);
long bucketStartTime = calculateWindowStartTime(currentTime);
for (; ; ) {
BucketWrap<Bucket> bucketWrap = atomicReferenceArray.get(windowIndex);
if (null == bucketWrap) {
BucketWrap<Bucket> tempWindowWrap = new BucketWrap<>(bucketLengthInMs,
bucketStartTime, new Bucket());
// cas设置window
if (atomicReferenceArray.compareAndSet(windowIndex, null, tempWindowWrap)) {
return tempWindowWrap;
}
} else if (bucketStartTime == bucketWrap.getBucketStartTime()) {
return bucketWrap;
} else if (bucketStartTime > bucketWrap.getBucketStartTime()) {// 复用旧的bucket
if (updateLock.tryLock()) {
try {
return resetWindow(bucketWrap, bucketStartTime);
} finally {
updateLock.unlock();
}
}
} else {
return new BucketWrap<>(bucketLengthInMs, bucketStartTime, new Bucket());
}
}
}
public long getBucketLengthInMs() {
return bucketLengthInMs;
}
public int getSampleCount() {
return sampleCount;
}
public long getWindowIntervalInMs() {
return windowIntervalInMs;
}
}
public interface Flow {
/**
* 增加
*
* @param rt 耗时
*/
void increaseRT(long rt);
/**
* 增加
*
* @param count 数量
*/
void increase(long count);
/**
* 增加
*/
void increase();
/**
* 总请求数量
*
* @return 总请求数量
*/
long totalCount();
/**
* 平均耗时
*
* @return 平局耗时
*/
long averageRt();
/**
* 最小耗时
*
* @return 最小耗时
*/
long minRt();
/**
* 最大耗时
*
* @return 最大耗时
*/
long maxRt();
/**
* 获取所有滑动窗口
*
* @return
*/
List<Bucket> buckets();
}
public class SecondFlow extends BaseFlow {
public SecondFlow() {
// bucket为10ms
super(new BucketsWindow(100, 1000));
}
}
public class MinuteFlow extends BaseFlow {
public MinuteFlow() {
// bucket为100ms
super(new BucketsWindow(600, 60 * 1000));
}
}
public class HourFlow extends BaseFlow {
public HourFlow() {
// bucket为1秒
super(new BucketsWindow(3600, 60 * 60 * 1000));
}
}
class SecondFlowTest {
public static void main(String[] args) {
SecondFlow secondFlow = new SecondFlow();
new Thread(() -> {
while (!Thread.interrupted()) {
try {
secondFlow.increase(1);
Thread.currentThread().sleep(2);
} catch (InterruptedException e) {
e.printStackTrace();
}
}
}).start();
new Thread(() -> {
while (!Thread.interrupted()) {
try {
Thread.currentThread().sleep(1200);
System.out.println(secondFlow.totalCount());
} catch (InterruptedException e) {
e.printStackTrace();
}
}
}).start();
}
}
LongAdder
在jdk 1.8中，java.util.concurrent.atomic包中提供了一个新的原子类：LongAdder。LongAdder在高并发的场景下，比AtomicLong具有更好的性能，但会消耗更多的内存空间。
AtomicLong的瓶颈
AtomicLong利用了底层的CAS来提供并发场景下的原子操作的：
/**
* Atomically increments by one the current value.
*
* @return the updated value
*/
public final long incrementAndGet() {
return unsafe.getAndAddLong(this, valueOffset, 1L) + 1L;
}
上面的incrementAndGet吊用了底层的getAndAddLong方法，getAndAddLong方法内部调用的是native方法，采用自旋的方式不断地更新目标值，直至更新成功。
若在高并发环境下，N个线程同时进行自旋操作，会出现大量的自旋失败并不断自旋的情况。此时，自旋便成了AtomicLong的瓶颈。
因此，jdk1.8便在java.util.concurrent.atomic包中提供了一个新的原子类：LongAdder。它在高并发的场景下会比AtomicLong更好的性能，代价是消耗更多的内存、不精确的计数。
LongAdder使用场景
- LongAdder适合使用在对计数的精确度要求不高，在高并发下有较好的性能表现侧场景
- AtomicLong适合使用在计数无误差，性能要求不高的场景
LongAdder与AtomicLong的性能比较
Java 8 Performance Improvements: LongAdder vs AtomicLong
LongAdder原理
在高并发环境下，AtomicLong是多个线程对一个热点值进行的cas操作。单热点的cas操作必然会造成cas的大量失败。
Doug Lea基于此缺点，创造出了LongAdder。LongAdder的基本思路就是分散热点值，将热点值分散到一个数组中。这个数组的每个元素，我们可以称它为槽。在高并发场景中，不同的线程会命中到不同的槽中，各个线程只会对自己槽中的值进行cas槽操作。那么，热点值就被分散了，cas冲突的概率也大大地减少了。
接下来，我们来看看LongAdder的api以及内部结构、核心方法。
LongAdder Api
| Modifier and Type | Method | Description |
|---|---|---|
| void | add(long x) | Adds the given value. |
| void | decrement() | Equivalent to add(-1). |
| double | doubleValue() | Returns the sum() as a double after a widening primitive conversion. |
| float | floatValue() | Returns the sum() as a float after a widening primitive conversion. |
| void | increment() | Equivalent to add(1). |
| int | intValue() | Returns the sum() as an int after a narrowing primitive conversion. |
| long | longValue() | Equivalent to sum(). |
| void | reset() | Resets variables maintaining the sum to zero. |
| long | sum() | Returns the current sum. |
| long | sumThenReset() | Equivalent in effect to sum() followed by reset(). |
| String | toString() | Returns the String representation of the sum(). |
从上述api来看，LongAdder提供了增减、获取值、重置等原子操作。
内部结构
从上图中，我们可以看出LongAdder继承了Striped64。
Striped64是实现LongAdder的核心class，其定义了内部结构：
/**
* Table of cells. When non-null, size is a power of 2.
*/
transient volatile Cell[] cells;
/**
* Base value, used mainly when there is no contention, but also as
* a fallback during table initialization races. Updated via CAS.
*/
transient volatile long base;
cells：我们上面提到的数组，用来存储被打散的热点值。cells中的每个元素被成为槽。
base：基数。会在以下情况下使用：当未遇到并发竞争单一热点值的情况下，直接使用base值进行累加；当遇到多线程竞争单一热点时，需要初始化cell数组，以达到打散热点值的目的。但cell数组只能被初始化一次。因此，其他竞争失败的线程也会将值累加到base上。
接下来，我们来看看Cell的结构：
@sun.misc.Contended static final class Cell {
volatile long value;
Cell(long x) { value = x; }
final boolean cas(long cmp, long val) {
return UNSAFE.compareAndSwapLong(this, valueOffset, cmp, val);
}
// Unsafe mechanics
private static final sun.misc.Unsafe UNSAFE;
private static final long valueOffset;
static {
try {
UNSAFE = sun.misc.Unsafe.getUnsafe();
Class<?> ak = Cell.class;
valueOffset = UNSAFE.objectFieldOffset
(ak.getDeclaredField("value"));
} catch (Exception e) {
throw new Error(e);
}
}
}
Cell也被称为槽，它是AtomicLong的变体，仅支持cas方式的更新值。其value字段用来存储计数的值；cas方法用来实现原子更新。
经过上面的原理以及字段介绍，我们能猜出LongAdder最终的值的计算方式为：
value = base + \sum_{i=0}^n Cell[i]
例如：有5个线程thread-0、thread-1、thread-2、thread-3，thread-4，thread-0在第一秒调用了LongAdder的add(5)；thread-1、thread-2同时在第二秒调用了LongAdder的add方法，分别加了10、20；thread-3，thread-4同时在第三秒调用了LongAdder的add方法，分别加了30、40。
对于LongAdder，最终的值是这样计算出来的：
- thread-0调用add(5)，由于没有并发，base=5
- thread-1、thread-2同时调用。由于需要初始化cell数组，此时thread-2的值也会加到base中，base=10+5=15；cell[x2] = 20;
- thread-3，thread-4也会被打散到cell数组中，cell[x3]=30，cell[x4]=40
因此，value= (10 + 5) + (20 + 30 + 40) = 105
核心方法
add
/**
* Adds the given value.
*
* @param x the value to add
*/
public void add(long x) {
Cell[] as; long b, v; int m; Cell a;
if ((as = cells) != null || !casBase(b = base, b + x)) {
boolean uncontended = true;
if (as == null || (m = as.length - 1) < 0 ||
(a = as[getProbe() & m]) == null ||
!(uncontended = a.cas(v = a.value, v + x)))
longAccumulate(x, null, uncontended);
}
}
/**
* CASes the base field.
*/
final boolean casBase(long cmp, long val) {
return UNSAFE.compareAndSwapLong(this, BASE, cmp, val);
}
可以看出，若多个线程线性执行，那么caseBase方法不会失败，值直接累加到base中即可。
若出现多线程竞态的情况下，caseBase方法将会失败，代码将进入if方法块；然后会判断Cell[]是否初始化过，若Cell[]初始化了，后续所有的cas操作都只会针对cell，不再累加到base；若未初始化，代码将进入longAccumulate方法；
更详细的描述可以见以下流程图：
接下来，我们来看看longAccumulate做了啥。
longAccumulate
上述可知，longAccumulate主要做两件事：cell[]未初始化时，对其进行初始化，并根据当前线程的hash值计算出index，并在cell[index]中创建对应的槽；cell已经初始化的情况下，当前线程cas更新失败，则出现冲突，进行扩容并rehash到指定槽位。
/**
* Handles cases of updates involving initialization, resizing,
* creating new Cells, and/or contention. See above for
* explanation. This method suffers the usual non-modularity
* problems of optimistic retry code, relying on rechecked sets of
* reads.
*
* @param x the value
* @param fn the update function, or null for add (this convention
* avoids the need for an extra field or function in LongAdder).
* @param wasUncontended false if CAS failed before call
*/
final void longAccumulate(long x, LongBinaryOperator fn,
boolean wasUncontended) {
int h;
if ((h = getProbe()) == 0) {
ThreadLocalRandom.current(); // force initialization
h = getProbe();
wasUncontended = true;
}
boolean collide = false; // True if last slot nonempty
for (;;) {
Cell[] as; Cell a; int n; long v;
if ((as = cells) != null && (n = as.length) > 0) {// CASE 1
if ((a = as[(n - 1) & h]) == null) {
if (cellsBusy == 0) { // Try to attach new Cell
Cell r = new Cell(x); // Optimistically create
if (cellsBusy == 0 && casCellsBusy()) {
boolean created = false;
try { // Recheck under lock
Cell[] rs; int m, j;
if ((rs = cells) != null &&
(m = rs.length) > 0 &&
rs[j = (m - 1) & h] == null) {
rs[j] = r;
created = true;
}
} finally {
cellsBusy = 0;
}
if (created)
break;
continue; // Slot is now non-empty
}
}
collide = false;
}
else if (!wasUncontended) // CAS already known to fail
wasUncontended = true; // Continue after rehash
else if (a.cas(v = a.value, ((fn == null) ? v + x :
fn.applyAsLong(v, x))))
break;
else if (n >= NCPU || cells != as)
collide = false; // At max size or stale
else if (!collide)
collide = true;
else if (cellsBusy == 0 && casCellsBusy()) {
try {
if (cells == as) { // Expand table unless stale
Cell[] rs = new Cell[n << 1];
for (int i = 0; i < n; ++i)
rs[i] = as[i];
cells = rs;
}
} finally {
cellsBusy = 0;
}
collide = false;
continue; // Retry with expanded table
}
h = advanceProbe(h);
}
else if (cellsBusy == 0 && cells == as && casCellsBusy()) {//Case 2
boolean init = false;
try { // Initialize table
if (cells == as) {
Cell[] rs = new Cell[2];
rs[h & 1] = new Cell(x);
cells = rs;
init = true;
}
} finally {
cellsBusy = 0;
}
if (init)
break;
}
else if (casBase(v = base, ((fn == null) ? v + x :
fn.applyAsLong(v, x)))) // Case 3
break; // Fall back on using base
}
}
上述代码先给当前线程分配一个has值，然后进入自旋，自旋分3个分支：
- Case 1：cell[]已经初始化
- 当前线程所在的槽，就占有占有cellsBusy锁并在索引位置创建一个槽
- CAS尝试更新当前线程所在的槽，如果成功就返回，如果失败说明出现冲突
- 当前线程更新槽失败后并不是立即扩容，而是尝试更新probe值后再重试一次
- 如果在重试的时候还是更新失败，就扩容；扩容时当前线程占有cellsBusy锁，并把数组容量扩大到原来的两倍，再copy原cell[]中元素到新数组中，原cell[]索引位置不变。使用新扩容的cell重新尝试更新
- 在longAccumulate()方法中有个条件是n >= NCPU就不会走到扩容逻辑了，而n是2的倍数，那是不是代表cell[]的长度最大只能达到NCPU？
同一个CPU核心同时只会运行一个线程，而更新失败了说明有两个不同的核心更新了同一个Cell，这时会重新设置更新失败的那个线程的probe值，这样下一次它所在的Cell很大概率会发生改变。如果运行的时间足够长，最终会出现同一个核心的所有线程都会hash到同一个Cell（大概率，但不一定全在一个Cell上）上去更新，所以，这里cells数组中长度并不需要太长，达到CPU核心数足够了。
例如，电脑是8核的，所以这里cell[]最大只会到8，达到8就不会扩容了。
- Case 2：cell[]未初始化
当前线程会尝试占有cellsBusy锁并创建cell[]，根据当前线程的hash值计算映射的索引，创建对应的槽，累加本次对应的值 - Case 3：cell[]正在初始化中
当前线程尝试创建cells数组时，发现有其它线程已经在创建了，就尝试更新base。
参考
https://segmentfault.com/a/1190000015865714
https://www.cnblogs.com/tong-yuan/p/LongAdder.html
扫一扫
2076
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
