关于redis:如何使用-redis-实现限流

如何应用 redis 实现限流

首发于 Dale’s blog

背景

在工作中时常会遇到须要对接口或者某个调用进行限流的状况。也会遇到在限流的同时对 redis 数据进行一些解决,在波及到分布式的情景下,就须要操作的原子性。

限流算法

支流的限流算法为以下四种:

  1. 计数器(固定窗口)
  2. 滑动窗口(宰割计数器)
  3. 漏桶算法
  4. 令牌桶算法

对于算法的解释,网上有很多好文章,在这里贴上罕用四种限流算法。

在本文中,探讨前两种也就是 计数器 以及 滑动窗口

业务解释

限流,是在业务中常常遇到的场景。例如:对接口的限流、对调用的限流,etc。

以对接口限流为例,流程如下:

申请打到服务器之后,须要先判断以后接口是否达到阈值,若:

  1. 达到阈值,则完结本次申请。
  2. 未达到阈值,则 计数++,持续下一步调用。

限流能够有很多中方法,如果只是小型的单机部署利用,则能够思考在内存中进行计数与操作。若是简单的我的项目且分布式部署的我的项目,能够思考应用 redis 进行计数。且限流的逻辑不肯定要限于 Java 代码中,也能够应用 luanginx 进行操作,例如赫赫有名的 openresty,同理其余网关服务也可实现。

分布式业务中的限流

首先剖析业务场景,在分布式部署的api场景中须要留神以下几点:

  1. 应用网关对api进行负载平衡,部署在不同服务器上的进行之间内存很难做到共享。
  2. 基于限流的业务,是对整个零碎的某一个或者某一些接口进行限流,所以计数必须做到不同的过程都能够读取。
  3. 对于计数的触发,是申请达到服务器上之后产生的,所以须要思考原子性。即:同一时刻,只有一个申请能够触发计数。这就对计数服务的要求提出了很高的并发要求。

剖析 nginx + lua 的可行性

nginx 罕用于申请的入口,在应用它的负载平衡之后,能够实现将申请散发到不同的服务上。应用 lua 对内存进行操作,仿佛能够实现上述要求(可行性待验证)。

然而,在理论状况中,一个零碎并肯定只会部署一个 nginx 作为入口。一方面是单机危险,另一方面是地理位置的不同,网络的不同对同一台机器的访问速度可能会有天差地别。所以,大家更喜爱应用 DNS 或者其余将申请达到多态 nginx 先做一层负载平衡。所以,单是 nginx + lua 并不能达到咱们的需要。

剖析 redis 的可行性

redis 是基于内存的一种非关系型数据库,它的并发是经得住考验的,同时它也能够满足不同过程对雷同数据读取、批改的需要。

对于原子性,redis 操作天生反对原子性,而且 string 类型的 INCR(原子累加) 操作与 限流 业务又非常的符合。

redis 实现限流

让咱们再回到一开始的流程,计数限流的操作有:

  1. 查问以后计数
  2. 累加以后计数

在分布式系统中,必须要时刻留神 原子性。在繁多过程中,咱们保持数据线程平安的方法是加锁,无论是可重入锁还是synchronized,其语义都是通知其余线程,这个数据(代码块)我当初征用了,你们等会再来。那在分布式系统中,咱们自然而然的能够想到分布式锁

伪代码如下:

Lock lock = getDistributedLock();

try{
    lock.lock();
    // 从 redis 中获取计数
    Integer count = getCountFromRedis();
    
    if(count >= limit){
        // 超过阈值,不予调用
        return false;
    }
    // 未超过阈值,容许调用
    incrRedisCount();
    return true;
}catch{
    ...
}finally{
    lock.unlock();
}

乍一看,这种逻辑没有问题,但其实问题很大:

  1. 应用分布式锁显著会拖慢整个零碎,节约很多资源。
  2. redis incr 操作会返回累加之后的值,所以查问操作是不必须的。

伪代码如下:

Integer count = incrRedisCount();
if (count >= limit){
    return false;
}
return true;

是不是变的简略了很多。然而随之而来的有其余的问题,大部分的业务都不是要求咱们只对次数进行限度,更多的是要求咱们限度接口在一段时间内的申请次数—-滑动窗口。

滑动窗口的实现

顾名思义,滑动窗口就是将一个固定的窗口滑动起来。用于限流上来说就是,一段时间内进行计数,工夫一过,立马开始新的计数。
如何实现 一段时间 这个逻辑?
其实很简略,咱们齐全能够应用 工夫戳 来实现这一性能。

// 秒级工夫戳
long timestamp = System.currentTimeMillis() / 1000;
Long aLong = redisTemplate.opsForValue().increment(RedisKeyEnum.SYSTEM_FLOW_LIMIT.getKey() + timestamp);
return aLong;

此时会有一个问题,如果按以上代码来看,每秒创立一个键,那redis 内存迟早会被撑爆。咱们须要一个策略来删除这个键。
笨的办法,能够记录这些键,而后异步去删除这些键。然而更好的办法是,在键第一次创立的时候设置一个稍大于窗口的过期值。所以,代码如下:

    /**
     * 按秒统计发送音讯数量
     *
     * @return
     */
    public Long getSystemMessageCountAtomic() {
        // 秒级工夫戳
        long timestamp = System.currentTimeMillis() / 1000;
        Long aLong = redisTemplate.opsForValue().increment(RedisKeyEnum.SYSTEM_FLOW_LIMIT.getKey() + timestamp);
        if (aLong != null && aLong == 1) {
            redisTemplate.expire(RedisKeyEnum.SYSTEM_FLOW_LIMIT.getKey() + timestamp, 2, TimeUnit.SECONDS);
        }
        return aLong;
    }

只有在第一次计数的时候才会执行 expire 命令。为什么须要设置稍大于窗口的工夫呢?
设想一下,如果设置和窗口一样的工夫,在 a 时刻的时候生成的键 keyA,而后过期工夫是一秒。而后在 b 时刻,生成的键也是 keyA(在同一秒内),然而因为网络或者其余起因,b 时刻的命令在一秒之后才发送到 redis server。因为过期工夫是一秒,此时旧的 keyA 曾经过期,那么 b 时刻就会创立一个新的键。

此时,须要思考另外一个问题,如果超过限度,以上代码会如何体现。

假如,一秒钟内只容许申请100次。那么第101次,也会去 redis 中执行 incr 命令,往后的申请都会执行。其实这些命令的执行时没有意义的,因为第 101 次时,这一秒的申请曾经到限度了,所以咱们须要另外一个存储来记录以上数据。

我选用 AtomicLong 来记录曾经到限的窗口。剖析一下是否可行。

  1. AtomicLong 属于 java.util.concurrent.atomic 包,采纳 CAS 与 volatile 来保证数据的线程平安。
  2. 上述需要,咱们只须要在单机上记录 flag 即可,不须要思考分布式状况。

阐述可行,以下展现代码。

private final AtomicLong flag = new AtomicLong();

/**
     * 零碎全局流量限度
     */
    public void systemFlowLimit() {
        // 判断 flag 是否与以后秒雷同
        if (flag.get() != System.currentTimeMillis() / 1000) {
            // 因为 flag.get 到 flag.set 之间的所有操作组合之后 不具备原子性,所以会有 小于 线程数 的线程会进入到这外面。
            // 意思是,当 第一个 线程将 flag 设置为 以后秒级 工夫戳之后, 会有一部分线程曾经执行完 flag.get 的判断逻辑
            // 此时,局部线程会持续 redis 操作与 日志操作
            Long count = systemLimitService.getSystemMessageCountAtomic();
            if (count >= systemProperties.getFlowLimit()) {
                // 超过之后会将flag 设置为以后秒
                flag.set(System.currentTimeMillis() / 1000);
                LOGGER.warn("system flow now is out of system flow limit,at:{}", System.currentTimeMillis() / 1000);
                throw new BusinessException(...);
            }
        } else {
            throw new BusinessException(...);
        }
    }

总结

以上整顿了应用 redis 做限流的一些办法,常常应用的算法便是滑动窗口,所以花了较大笔墨解释滑动窗口的实现。

当然,咱们还能够应用 lua 脚本来操作 redis 以实现限流与其余 redis 操作的配合。

我常常遇到的一个场景就是,往 redis 队列中写数据须要进行限流,当流量达到之后须要删除局部 redis 队列中的内容。此时,应用 lua 脚本来做能够很优雅的放弃多个 redis 操作的原子性,也能够缩小网络状况的开销。

【腾讯云】轻量 2核2G4M,首年65元

阿里云限时活动-云数据库 RDS MySQL  1核2G配置 1.88/月 速抢

本文由乐趣区整理发布,转载请注明出处,谢谢。

您可能还喜欢...

发表回复

您的电子邮箱地址不会被公开。 必填项已用*标注

此站点使用Akismet来减少垃圾评论。了解我们如何处理您的评论数据