Spring Cloud限流详解(附源码)

扫码关注公众号:Java 技术驿站

发送:vip
将链接复制到本浏览器,永久解锁本站全部文章

【公众号:Java 技术驿站】 【加作者微信交流技术,拉技术群】

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。

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。

GoogleGuava 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() {
           // 这里可以考虑弄个限流开启的开关,开启限流返回true,关闭限流返回false,你懂的。
           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 GuavaRateLimiter 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) {
       // 抛个异常什么的

    }

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://localhost:8000/
         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() {
           // 这边的order一定要大于org.springframework.cloud.netflix.zuul.filters.pre.PreDecorationFilter的order
           // 也就是要大于5
           // 否则,RequestContext.getCurrentContext()里拿不到serviceId等数据。
           return Ordered.LOWEST_PRECEDENCE;
       }

       @Override
       public boolean shouldFilter() {
           // 这里可以考虑弄个限流开启的开关,开启限流返回true,关闭限流返回false,你懂的。
           return true;
       }

       @Override
       public Object run() {
           try {
               RequestContext context = RequestContext.getCurrentContext();
               HttpServletResponse response = context.getResponse();

               String key = null;
               // 对于service格式的路由,走RibbonRoutingFilter
               String serviceId = (String) context.get(SERVICE_ID_KEY);
               if (serviceId != null) {
                   key = serviceId;
                   map.putIfAbsent(serviceId, RateLimiter.create(1000.0));
               }
               // 如果压根不走RibbonRoutingFilter,则认为是URL格式的路由
               else {
                   // 对于URL格式的路由,走SimpleHostRoutingFilter
                   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() {
           // 这里可以考虑弄个限流开启的开关,开启限流返回true,关闭限流返回false,你懂的。
           Collection<Metric<?>> metrics = systemPublicMetrics.metrics();
           Optional<Metric<?>> freeMemoryMetric = metrics.stream()
                   .filter(t -> "mem.free".equals(t.getName()))
                   .findFirst();
           // 如果不存在这个指标,稳妥起见,返回true,开启限流
           if (!freeMemoryMetric.isPresent()) {
               return true;
           }
           long freeMemory = freeMemoryMetric.get()
                   .getValue()
                   .longValue();
           // 如果可用内存小于1000000KB,开启流控
           return freeMemory < 1000000L;
       }
       // 省略其他方法

    }

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

赞(0) 打赏
版权归原创作者所有,任何形式的转载请联系博主:daming_90:Java 技术驿站 » Spring Cloud限流详解(附源码)

评论 抢沙发

  • 昵称 (必填)
  • 邮箱 (必填)
  • 网址

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

微信扫一扫打赏