常用的限流框架都在這里了！

• 自適應(yīng)限流
• TCP Vegas
• netflix-concuurency-limits
• alpha , beta & threshold
• 變量queueSize
• 動態(tài)調(diào)整函數(shù)
• 平滑遞減 smoothingDecrease

自適應(yīng)限流

一般的限流常常需要指定一個固定值(qps)作為限流開關(guān)的閾值，這個值一是靠經(jīng)驗判斷，二是靠通過大量的測試數(shù)據(jù)得出。但這個閾值，在流量激增、系統(tǒng)自動伸縮或者某某commit了一段有毒代碼后就有可能變得不那么合適了。并且一般業(yè)務(wù)方也不太能夠正確評估自己的容量，去設(shè)置一個合適的限流閾值。

而此時自適應(yīng)限流就是解決這樣的問題的，限流閾值不需要手動指定，也不需要去預(yù)估系統(tǒng)的容量，并且閾值能夠隨著系統(tǒng)相關(guān)指標(biāo)變化而變化。

自適應(yīng)限流算法借鑒了TCP擁塞算法，根據(jù)各種指標(biāo)預(yù)估限流的閾值，并且不斷調(diào)整。大致獲得的效果如下:

從圖上可以看到，首先以一個降低的初始并發(fā)值發(fā)送請求，同時通過增大限流窗口來探測系統(tǒng)更高的并發(fā)性。而一旦延遲增加到一定程度了，又會退回到較小的限流窗口。循環(huán)往復(fù)持續(xù)探測并發(fā)極限，從而產(chǎn)生類似鋸齒狀的時間關(guān)系函數(shù)。

TCP Vegas

vegas是一種主動調(diào)整cwnd的擁塞控制算法，主要是設(shè)置兩個閾值alpha 和 beta，然后通過計算目標(biāo)速率和實際速率的差diff，再比較差diff與alpha和beta的關(guān)系，對cwnd進行調(diào)節(jié)。偽代碼如下：

diff = cwnd*(1-baseRTT/RTT)
if (diff < alpha)
set: cwnd = cwnd + 1
else if (diff >= beta)
set: cwnd = cwnd - 1
else
set: cwnd = cwnd

其中baseRTT指的是測量的最小往返時間，RTT指的是當(dāng)前測量的往返時間，cwnd指的是當(dāng)前的TCP窗口大小。通常在tcp中alpha會被設(shè)置成2-3，beta會被設(shè)置成4-6。這樣子，cwnd就保持在了一個平衡的狀態(tài)。

netflix-concuurency-limits

concuurency-limits是netflix推出的自適應(yīng)限流組件，借鑒了TCP相關(guān)擁塞控制算法，主要是根據(jù)請求延時，及其直接影響到的排隊長度來進行限流窗口的動態(tài)調(diào)整。

alpha , beta & threshold

vegas算法實現(xiàn)在了VegasLimit類中。先看一下初始化相關(guān)代碼:

private int initialLimit = 20;
private int maxConcurrency = 1000;
private MetricRegistry registry = EmptyMetricRegistry.INSTANCE;
private double smoothing = 1.0;

private Function<Integer, Integer> alphaFunc = (limit) -> 3 * LOG10.apply(limit.intValue());
private Function<Integer, Integer> betaFunc = (limit) -> 6 * LOG10.apply(limit.intValue());
private Function<Integer, Integer> thresholdFunc = (limit) -> LOG10.apply(limit.intValue());
private Function<Double, Double> increaseFunc = (limit) -> limit + LOG10.apply(limit.intValue());
private Function<Double, Double> decreaseFunc = (limit) -> limit - LOG10.apply(limit.intValue());

這里首先定義了一個初始化值initialLimit為20，以及極大值maxConcurrency1000。其次是三個 閾值函數(shù)alphaFunc，betaFunc以及thresholdFunc。最后是兩個增減函數(shù)increaseFunc和decreaseFunc。函數(shù)都是基于當(dāng)前的并發(fā)值limit做運算的。

1. alphaFunc可類比vegas算法中的alpha，此處的實現(xiàn)是3*log limit。limit值從初始20增加到極大1000時候，相應(yīng)的alpha從3.9增加到了9。
2. betaFunc則可類比為vegas算法中的beta，此處的實現(xiàn)是6*log limit。limit值從初始20增加到極大1000時候，相應(yīng)的alpha從7.8增加到了18。
3. thresholdFunc算是新增的一個函數(shù)，表示一個較為初始的閾值，小于這個值的時候limit會采取激進一些的增量算法。這里的實現(xiàn)是1倍的log limit。mit值從初始20增加到極大1000時候，相應(yīng)的alpha從1.3增加到了3。

這三個函數(shù)值可以認(rèn)為確定了動態(tài)調(diào)整函數(shù)的四個區(qū)間范圍。當(dāng)變量queueSize = limit × (1 ? RTTnoLoad/RTTactual)落到這四個區(qū)間的時候應(yīng)用不同的調(diào)整函數(shù)。

變量queueSize

其中變量為queueSize，計算方法即為limit × (1 ? RTTnoLoad/RTTactual)，為什么這么計算其實稍加領(lǐng)悟一下即可。

我們把系統(tǒng)處理請求的過程想象為一個水管，到來的請求是往這個水管灌水，當(dāng)系統(tǒng)處理順暢的時候，請求不需要排隊，直接從水管中穿過，這個請求的RT是最短的，即RTTnoLoad；

反之，當(dāng)請求堆積的時候，那么處理請求的時間則會變?yōu)椋号抨爼r間+最短處理時間，即RTTactual = inQueueTime + RTTnoLoad。而顯然排隊的隊列長度為 總排隊時間/每個請求的處理時間及queueSize = (limit * inQueueTime) / (inQueueTime + RTTnoLoad) = limit × (1 ? RTTnoLoad/RTTactual)。

再舉個栗子，因為假設(shè)當(dāng)前延時即為最佳延時，那么自然是不用排隊的，即queueSize=0。而假設(shè)當(dāng)前延時為最佳延時的一倍的時候，可以認(rèn)為處理能力折半，100個流量進來會有一半即50個請求在排隊，及queueSize= 100 * (1 ? 1/2)=50。

動態(tài)調(diào)整函數(shù)

調(diào)整函數(shù)中最重要的即增函數(shù)與減函數(shù)。從初始化的代碼中得知，增函數(shù)increaseFunc實現(xiàn)為limit+log limit，減函數(shù)decreaseFunc實現(xiàn)為limit-log limit，相對來說增減都是比較保守的。

看一下應(yīng)用動態(tài)調(diào)整函數(shù)的相關(guān)代碼：

private int updateEstimatedLimit(long rtt, int inflight, boolean didDrop) {
    final int queueSize = (int) Math.ceil(estimatedLimit * (1 - (double)rtt_noload / rtt));

    double newLimit;
    // Treat any drop (i.e timeout) as needing to reduce the limit
    // 發(fā)現(xiàn)錯誤直接應(yīng)用減函數(shù)decreaseFunc
    if (didDrop) {
        newLimit = decreaseFunc.apply(estimatedLimit);
        // Prevent upward drift if not close to the limit
    } else if (inflight * 2 < estimatedLimit) {
        return (int)estimatedLimit;
    } else {
        int alpha = alphaFunc.apply((int)estimatedLimit);
        int beta = betaFunc.apply((int)estimatedLimit);
        int threshold = this.thresholdFunc.apply((int)estimatedLimit);

        // Aggressive increase when no queuing
        if (queueSize <= threshold) {
            newLimit = estimatedLimit + beta;
            // Increase the limit if queue is still manageable
        } else if (queueSize < alpha) {
            newLimit = increaseFunc.apply(estimatedLimit);
            // Detecting latency so decrease
        } else if (queueSize > beta) {
            newLimit = decreaseFunc.apply(estimatedLimit);
            // We're within he sweet spot so nothing to do
        } else {
            return (int)estimatedLimit;
        }
    }

    newLimit = Math.max(1, Math.min(maxLimit, newLimit));
    newLimit = (1 - smoothing) * estimatedLimit + smoothing * newLimit;
    if ((int)newLimit != (int)estimatedLimit && LOG.isDebugEnabled()) {
        LOG.debug("New limit={} minRtt={} ms winRtt={} ms queueSize={}",
                  (int)newLimit,
                  TimeUnit.NANOSECONDS.toMicros(rtt_noload) / 1000.0,
                  TimeUnit.NANOSECONDS.toMicros(rtt) / 1000.0,
                  queueSize);
    }
    estimatedLimit = newLimit;
    return (int)estimatedLimit;
}

動態(tài)調(diào)整函數(shù)規(guī)則如下：

1. 當(dāng)變量queueSize < threshold時，選取較激進的增量函數(shù)，newLimit = limit+beta
2. 當(dāng)變量queueSize < alpha時，需要增大限流窗口，選擇增函數(shù)increaseFunc，即newLimit = limit + log limit
3. 當(dāng)變量queueSize處于alpha，beta之間時候，limit不變
4. 當(dāng)變量queueSize大于beta時候，需要收攏限流窗口，選擇減函數(shù)decreaseFunc，即newLimit = limit - log limit

平滑遞減 smoothingDecrease

注意到可以設(shè)置變量smoothing，這里初始值為1，表示平滑遞減不起作用。

如果有需要的話可以按需設(shè)置，比如設(shè)置smoothing為0.5時候，那么效果就是采用減函數(shù)decreaseFunc時候效果減半，實現(xiàn)方式為newLimitAfterSmoothing = 0.5 newLimit + 0.5 limit。

長按二維碼，掃掃關(guān)注哦