1、需求背景
我们希望服务器能在请求流量的控制上有一定的自动控制能力;本文通过简介令牌桶算法和讨论算法的 redis 实现给出流量整形(traffic shaping)的示例,来介绍网络流量整形。
2、具体原理与实现
2.1 令牌桶算法
令牌桶算法(token bucket) 并不是网络流量整形中的奇技淫巧,而是非常常用的算法,从百度百科上已经可以对它有一个概括的了解。对此算法的深入读者可自行查阅研究,这里我通俗化的来解释一下这个算法。
在令牌桶算法中,每一个访客都拥有一个独立的“令牌桶”,在这个“令牌桶”里放了一些“令牌”,访客每次来访都会消耗“令牌桶”中的“令牌”,如果“令牌桶”空了,将会对访客做特殊处理(如拒绝其继续访问以达到限流的目的)。
问题一:访客来访是一个持续的过程,如果最初的“令牌”数目固定,“令牌桶”中的令牌会慢慢被消耗殆尽,这样正常的访客也将无法访问—-所以我们需要以一个恒定的速率来向“令牌桶”中添加一定数量的“令牌”, 这样就可以让访客持续的访问。
问题二:我们以一个恒定速率向“令牌桶”中添加“令牌”, 那么如果访客一直没来访他的“令牌桶”岂不会累积大量“令牌”么?—-所以,我们设定“令牌桶”中“令牌”的最大数量,“令牌桶”满了就不需要再去添加了。这解决了“令牌”累积的问题,也使它更像一个“桶”。
如此,“令牌桶算法”中的重要的参数有:1. 给“令牌桶”添加“令牌”的速率(如果访客以这个速率消耗令牌,将一直不会被限流); 2. “令牌桶”的容量(如果消耗令牌的速率大于添加令牌的速率,将消耗桶中的存货,如果消耗速率过大,令牌会被消耗殆尽,访客将被限流)。注意:一般情况下“令牌桶”最初的状态是满的。
2.2 Redis
作为优秀的内存数据库,redis 可以帮助我们在应用层次快速响应。本文不过多赘述 redis 的优劣,你可以用 redis 做很多事情,在网络流量整形方面,它是很好的实现方案, 下面我们来解析这样一个方案。
2.3 Show you the code
说明:这是一段 Python 代码,这段代码来自 GitHub 用户 justinfay。为了使逻辑更清楚,我修改了代码的部分内容和注释,以下是修改后的代码,我们用这段代码来看令牌桶算法的 redis 实现。
import redis
from redis import WatchError
import time
# 向令牌桶中添加令牌的速率
RATE = 0.1
# 令牌桶的最大容量
DEFAULT = 100
# redis key 的过期时间
TIMEOUT = 60 * 60
r = redis.Redis()
def token_bucket(tokens, key):
pipe = r.pipeline()
while 1:
try:
pipe.watch('%s:available' % key)
pipe.watch('%s:ts' % key)
current_ts = time.time()
# 获取令牌桶中剩余令牌
old_tokens = pipe.get('%s:available' % key)
if old_tokens is None:
current_tokens = DEFAULT
else:
old_ts = pipe.get('%s:ts' % key)
# 通过时间戳计算这段时间内应该添加多少令牌,如果桶满,令牌数取桶满数。
current_tokens = float(old_tokens) +
min(
(current_ts - float(old_ts)) * RATE,
DEFAULT - float(old_tokens)
)
# 判断剩余令牌是否足够
if 0 <= tokens <= current_tokens:
current_tokens -= tokens
consumes = True
else:
consumes = False
# 以下动作为更新 redis 中key的值,并跳出循环返回结果。
pipe.multi()
pipe.set('%s:available' % key, current_tokens)
pipe.expire('%s:available' % key, TIMEOUT)
pipe.set('%s:ts' % key, current_ts)
pipe.expire('%s:ts' % key, TIMEOUT)
pipe.execute()
break
except WatchError:
continue
finally:
pipe.reset()
return consumes
if __name__ == "__main__":
tokens = 5
key = '192.168.1.1'
if token_bucket(tokens, key):
print 'haz tokens'
else:
print 'cant haz tokens'
3、几点需要说明的
3.1 这段代码在网络流量整形策略中起到什么作用?
对访客的一次访问,我们通过以上代码可以来判断此次访问是否超过了我们的限制,通过返回的判断结果,我们将对此次访问选择正确的处理策略,比如你可以拒绝消耗完令牌的访客进行访问,从而控制他的访问速率,从而达到网络流量整形的目的。
3.2 redis 在其中如何工作?
对于每个独立的访客,redis 会为他建立两个 key,一个 key 保存了剩余令牌的数量,另外一个 key 保存了最近一次访问的时间戳。其中,最近一次访问时间戳在新访问到来时候用于计算时间间隔,从而计算在此时间间隔内应该向令牌桶中添加多少令牌,进而获得当前令牌桶的剩余令牌数。
3.3 redis pipe 起到什么作用?
我们看到代码中 while 循环,执行了 redis pipe 中的 watch 动作,这是对 redis 事务 的使用。 这使这里的算法能处理并发的来访。在 redis 中,事务执行是对 redis key 的一个加锁的操作,一个事务没有执行完,别的动作将无法操作这个 key ,代码中循环执行 watch 动作,就是去检查当前 key 是否有未执行完毕的事务,只有所有事务都执行的时候才可能进入执行体,完成令牌判断或者消耗。 —— 这样避免了并发的访问在 set redis key 时候的混乱。
3.4 如何调参
代码中 RATE 和 DEFAULT 为主要参数,分别代表每秒钟消耗令牌的速率,和令牌桶的容量。通过调整这两个参数来控制你想要的访问速率。
3.5 总结
这是一个实用的方式来完成网络流量整形,可以有效控制一些爆发式的流量访问,使访问更加平滑容易控制。
4、流量整形?没那么容易!
4.1 上述 redis 令牌桶算法的缺陷
令牌桶算法不能与另外一种常见算法“漏桶算法(Leaky Bucket)”相混淆。这两种算法的主要区别在于“漏桶算法”能够强行限制数据的传输速率,而“令牌桶算法”在能够限制数据的平均传输速率外,还允许某种程度的突发传输。在“令牌桶算法”中,只要令牌桶中存在令牌,那么就允许突发地传输数据直到达到用户配置的门限,因此它适合于具有突发特性的流量。
比如频率限制是 100次/分,前60秒第1-59秒访问了1次,第60秒访问了98次, 前面60秒访问了99次, 符合。
然而当访问第61秒访问了50次, 其实60-61秒就已经超过了,这里就需要注意不均匀的流量控制策略。
如果读者朋友们仔细思考下,文中前面提到的方案会面临如下的问题:
假如频率限制是 100次/60s。令牌桶原来的令牌数为100 ,按照(100/60)个/秒往令牌桶里面加令牌。有一段时间1-60s,其中第一秒就消费了100个,那么按照加令牌的速率,在第二秒就会又产生一个令牌。这就会造成,1-60秒这一分钟内请求的次数已经大于100了。
漏桶算法与令牌桶算法在表面看起来类似,很容易将两者混淆。但事实上,这两者具有截然不同的特性,且为不同的目的而使用。漏桶算法与令牌桶算法的区别在于:
- 漏桶算法能够强行限制数据的传输速率。
- 令牌桶算法能够在限制数据的平均传输速率的同时还允许某种程度的突发传输。
4.2 另外的思路:
分别把当前秒调用的次数存入缓存。比如说,当前调用者调用次数为3,那么我就往缓存中加入KEY=SECRET_1,VALUE=3;然后调用者在第二秒调用的次数为4,那么就往缓存中加入KEY=SECRET_2,VALUE=3;如此循环,当循环到61秒的时候替换KEY=SECRET_1中得VAALUE,每次调用的时候计算SECRET_1~SECRET_60的值来判断调用次数,是否超过100次。(这里具体一秒钟调用几次,需要通过时间戳来算出是第几秒。这里以60秒为时间周期,并且以秒为一个时间单位,当然如果要求不是很准确的话,时间单位可以调大一点)
或者我们不固定时间,来固定次数:对每个用户,我们使用一个列表类型的键来记录他最近100次访问博客的时间。一旦列表中的元素超过 100 个,就判断时间最早的元素距现在的时间是否小于1分钟。如果是则表示用户最近1分钟的访问次数超过了100次;如果不是就将现在的时间加入到列表中,同时把最早的元素删除。
不过这里的思路也有不少性能问题和缺陷,如果想要设计实现一个非常完美的频率限制功能,看来没那么容易,读者朋友们也可以自行思考下 :)
5、其它常见的 Rate limiting 实现方式
5.1 Proxy 层的实现,针对部分 URL 或者 API 接口进行访问频率限制
5.1.1 Nginx 模块
limit_req_zone $binary_remote_addr zone=one:10m rate=1r/s;
server {
location /search/ {
limit_req zone=one burst=5;
}
详细参见:ngx_http_limit_req_module
5.1.2 Haproxy 提供的功能
5.2 Java、Scala JVM 系应用层实现
Google Guava 提供了一个 RateLimiter 实现。使用方式简单明了,在自己的应用中简单封装即可,放到 HTTP 服务或者其他逻辑接口调用的前端。
final RateLimiter rateLimiter = RateLimiter.create(2.0); // rate is "2 permits per second"
void submitTasks(List<Runnable> tasks, Executor executor) {
for (Runnable task : tasks) {
rateLimiter.acquire(); // may wait
executor.execute(task);
}
}
import java.util.concurrent.{Callable, Executors, TimeUnit}
import com.google.common.util.concurrent.{MoreExecutors, RateLimiter}
object IteblogRateLimitTest {
class Task(index: Int) extends Callable[Integer] {
override def call: Integer = {
println("Execute Task - " + index)
TimeUnit.SECONDS.sleep(1)
0
}
}
def main(args: Array[String]): Unit = {
val executorService = MoreExecutors.listeningDecorator(Executors.newCachedThreadPool)
val limiter = RateLimiter.create(2.0)
(0 until 10).foreach { i =>
limiter.acquire()
val listenableFuture = executorService.submit(new Task(i))
}
executorService.shutdown()
}
}
上面示例限制每秒的令牌数为2,所以可以限制每秒的 QPS 为2。limiter.acquire() 就是用于获取令牌的。
参考:网络速率限制以及 Guava 的 RateLimiter
5.3 基于 Redis 功能的实现
这个在 Redis 官方文档有非常详细的实现。一般适用于所有类型的应用,比如 PHP、Python 等等。Redis 的实现方式可以支持分布式服务的访问频率的集中控制。Redis 的频率限制实现方式还适用于在应用中无法状态保存状态的场景。
6、Refer:
[1] Redis 与网络流量整形
http://blog.jobbole.com/88064/
[2] 怎么保证对外暴露接口的安全性(调用频率限制)
http://segmentfault.com/q/1010000002938194?_ea=252390
[3] 开放平台API接口调用频率控制系统设计浅谈
http://my.oschina.net/feichexia/blog/312591
[4] 4.2.3 实现访问频率限制之二
http://book.51cto.com/art/201305/395450.htm
[5] redis token bucket
https://gist.github.com/justinfay/3403846
[6] redis 事务
http://redisbook.readthedocs.org/en/latest/feature/transaction.html
[7] What's a good rate limiting algorithm?
http://stackoverflow.com/questions/667508/whats-a-good-rate-limiting-algorithm/668327
[8] 架构必备:Rate limiting 的作用和常见方式
http://blog.eood.cn/rate-limiting
[9] 流量控制与令牌桶算法
http://blog.jamespan.me/2015/10/19/traffic-shaping-with-token-bucket/
[10] Nginx下流量拦截算法
http://homeway.me/2015/10/21/nginx-lua-traffic-limit-algorithm/
[11] SmoothRateLimiter.java
[12] 聊聊高并发系统之限流特技-1
[13] 聊聊高并发系统之限流特技-2
[14] API 调用次数限制实现
[15] 短小强悍!一个基于 Redis 的限流系统的设计~
[16] 流量控制与令牌桶算法
https://blog.jamespan.me/2015/10/19/traffic-shaping-with-token-bucket
[17] 从构建分布式秒杀系统聊聊限流特技
https://mp.weixin.qq.com/s/XTGohlv47jI1uID1dvEUhw