Spring Cloud限流详解
Spring Cloud
Spring Cloud
2017/12/01
在高并发的应用中,限流往往是一个绕不开的话题。本文详细探讨在Spring Cloud中如何实现限流。
在Zuul
上实现限流是个不错的选择,只需要编写一个过滤器就可以了,关键在于如何实现限流的算法。常见的限流算法有漏桶算法以及令牌桶算法。这个可参考 https://www.cnblogs.com/LBSer/p/4083131.html ,写得通俗易懂,你值得拥有,我就不拽文了。
Google Guava
为我们提供了限流工具类RateLimiter
,于是乎,我们可以撸代码了。
代码示例
@Component
public
class RateLimitZuulFilter extends ZuulFilter {
private
final RateLimiter rateLimiter = RateLimiter.create(
1000.0);
@Override
public String filterType() {
return FilterConstants.PRE_TYPE;
}
@Override
public int filterOrder() {
return Ordered.HIGHEST_PRECEDENCE;
}
@Override
public boolean shouldFilter() {
return
true;
}
@Override
public Object run() {
try {
RequestContext currentContext = RequestContext.getCurrentContext();
HttpServletResponse response = currentContext.getResponse();
if (!rateLimiter.
tryAcquire()) {
HttpStatus httpStatus = HttpStatus.TOO_MANY_REQUESTS;
response
.setContentType(
MediaType
.TEXT_PLAIN_VALUE);
response
.setStatus(
httpStatus
.value());
response
.getWriter()
.append(
httpStatus
.getReasonPhrase());
currentContext.setSendZuulResponse(
false);
throw
new ZuulException(
httpStatus
.getReasonPhrase(),
httpStatus.
value(),
httpStatus
.getReasonPhrase()
);
}
}
catch (
Exception e) {
ReflectionUtils
.rethrowRuntimeException(e);
}
return
null;
}
}
|
如上,我们编写了一个pre
类型的过滤器。对Zuul过滤器有疑问的可参考我的博客:
在过滤器中,我们使用Guava RateLimiter
实现限流,如果已经达到最大流量,就抛异常。
分布式场景下的限流
以上单节点Zuul下的限流,但在生产中,我们往往会有多个Zuul实例。对于这种场景如何限流呢?我们可以借助Redis实现限流。
使用redis实现,存储两个key,一个用于计时,一个用于计数。请求每调用一次,计数器增加1,若在计时器时间内计数器未超过阈值,则可以处理任务
if
(!cacheDao.hasKey(TIME_KEY)) {
cacheDao
.putToValue(
TIME_KEY,
0,
1,
TimeUnit
.SECONDS);
}
if
(cacheDao.hasKey(TIME_KEY) && cacheDao.incrBy(COUNTER_KEY,
1) >
400) {
}
|
实现微服务级别的限流
一些场景下,我们可能还需要实现微服务粒度的限流。此时可以有两种方案:
方式一:在微服务本身实现限流。
和在Zuul上实现限流类似,只需编写一个过滤器或者拦截器即可,比较简单,不作赘述。个人不太喜欢这种方式,因为每个微服务都得编码,感觉成本很高啊。
加班那么多,作为程序猿的我们,应该学会偷懒,这样才可能有时间孝顺父母、抱老婆、逗儿子、遛狗养鸟、聊天打屁、追求人生信仰。好了不扯淡了,看方法二吧。
方法二:在Zuul上实现微服务粒度的限流。
在讲解之前,我们不妨模拟两个路由规则,两种路由规则分别代表Zuul的两种路由方式。
zuul:
routes:
microservice-provider-user:
/user/**
user2:
url:
http:
path:
/user2/**
|
如配置所示,在这里,我们定义了两个路由规则,microservice-provider-user
以及user2
,其中microservice-provider-user
这个路由规则使用到Ribbon + Hystrix,走的是RibbonRoutingFilter
;而user2
这个路由用不上Ribbon也用不上Hystrix,走的是SipleRoutingFilter
。如果你搞不清楚这点,请参阅我的博客:
搞清楚这点之后,我们就可以撸代码了:
@Component
public
class RateLimitZuulFilter extends ZuulFilter {
private
Map<
String, RateLimiter> map = Maps.newConcurrentMap();
@Override
public String filterType() {
return FilterConstants.PRE_TYPE;
}
@Override
public int filterOrder() {
return Ordered.LOWEST_PRECEDENCE;
}
@Override
public boolean shouldFilter() {
return
true;
}
@Override
public Object run() {
try {
RequestContext context = RequestContext.getCurrentContext();
HttpServletResponse response = context.getResponse();
String key =
null;
String serviceId = (
String) context.
get(SERVICE_ID_KEY);
if (serviceId !=
null) {
key = serviceId;
map
.putIfAbsent(
serviceId,
RateLimiter
.create(
1000.0));
}
else {
URL routeHost = context.getRouteHost();
if (routeHost !=
null) {
String url = routeHost.toString();
key = url;
map
.putIfAbsent(
url,
RateLimiter
.create(
2000.0));
}
}
RateLimiter rateLimiter =
map.
get(key);
if (!rateLimiter.
tryAcquire()) {
HttpStatus httpStatus = HttpStatus.TOO_MANY_REQUESTS;
response
.setContentType(
MediaType
.TEXT_PLAIN_VALUE);
response
.setStatus(
httpStatus
.value());
response
.getWriter()
.append(
httpStatus
.getReasonPhrase());
context.setSendZuulResponse(
false);
throw
new ZuulException(
httpStatus
.getReasonPhrase(),
httpStatus.
value(),
httpStatus
.getReasonPhrase()
);
}
}
catch (
Exception e) {
ReflectionUtils
.rethrowRuntimeException(e);
}
return
null;
}
}
|
简单讲解一下这段代码:
对于microservice-provider-user
这个路由,我们可以用context.get(SERVICE_ID_KEY);
获取到serviceId,获取出来就是microservice-provider-user
;
而对于user2
这个路由,我们使用context.get(SERVICE_ID_KEY);
获得是null,但是呢,可以用context.getRouteHost()
获得路由到的地址,获取出来就是http://localhost:8000/
。接下来的事情,你们懂的。
改进与提升
实际项目中,除以上实现的限流方式,还可能会:
一、在上文的基础上,增加配置项,控制每个路由的限流指标,并实现动态刷新,从而实现更加灵活的管理
二、基于CPU、内存、数据库等压力限流(感谢平安常浩智)提出。。
下面,笔者借助Spring Boot Actuator提供的Metrics
能力进行实现基于内存压力的限流——当可用内存低于某个阈值就开启限流,否则不开启限流。
@Component
public
class RateLimitZuulFilter extends ZuulFilter {
@Autowired
private SystemPublicMetrics systemPublicMetrics;
@Override
public boolean shouldFilter() {
Collection<Metric<?
>> metrics = systemPublicMetrics.metrics();
Optional<Metric<?
>> freeMemoryMetric = metrics.stream()
.filter(
t
->
"mem.free"
.equals(
t
.getName()))
.findFirst();
if (!freeMemoryMetric.isPresent()) {
return
true;
}
long freeMemory = freeMemoryMetric.
get()
.getValue()
.longValue();
return freeMemory <
1000000L;
}
}
|
三、实现不同维度的限流,例如:
- 对请求的目标URL进行限流(例如:某个URL每分钟只允许调用多少次)
- 对客户端的访问IP进行限流(例如:某个IP每分钟只允许请求多少次)
- 对某些特定用户或者用户组进行限流(例如:非VIP用户限制每分钟只允许调用100次某个API等)
- 多维度混合的限流。此时,就需要实现一些限流规则的编排机制。与、或、非等关系。
参考文档