Spring Cloud Gateway中是如何實現限流功能的

這篇文章主要講解了“Spring Cloud Gateway中是如何實現限流功能的”，文中的講解內容簡單清晰，易于學習與理解，下面請大家跟著小編的思路慢慢深入，一起來研究和學習“Spring Cloud Gateway中是如何實現限流功能的”吧！

前言

在一個分布式高并發的系統設計中，限流是一個不可忽視的功能點。如果不對系統進行有效的流量訪問限制，在雙十一和搶票這種流量洪峰的場景下，很容易就會把我們的系統打垮。而作為系統服務的衛兵的網關組件，作為系統服務的統一入口，更需要考慮流量的限制，直接在網關層阻斷流量比在各個系統中實現更合適。Spring Cloud Gateway的實現中，就提供了限流的功能。

回顧限流算法

限流的實現方式有多種，下面先回顧下幾種常見的實現算法

計數器/時間窗口法

這種限流算法最簡單，也是最容易實現的，通過在單位時間內設置最大訪問數就可以達到限流的目的。比如某個系統能夠承載的一般qps為60，那我們就可以使用計算器法，在單位時間一秒內，限制接口只能被訪問60次即可。但是這個算法實現，正如其功能描述一樣，有個缺陷，假如在時間窗的前1%的時間內流量就達到頂峰了，那么在時間窗內還有99%的時間系統即使能夠繼續提供服務，還是會被限流算法的這種缺陷阻斷在門外，這種缺陷也被稱為“突刺效應“

漏桶法

漏桶法不同于計算器法，它有效的避免了計數器法限流的“突刺效應”缺陷,實現也不復雜，通過固定大小的隊列+定時取隊列元素的方式即可實現。如其名漏桶，就像一個盛水的容器，漏桶法只限制容器出水的速率，當進水的速率過大時，將會填滿容器造成溢出，溢出部分的流量也就是拒絕的流量。比如，容器大小為100，出水速率為每秒10/s,當桶為空時，最大的流量可以到達100/s，但是即使這樣，受限于固定的流出速率，后端處理的也只能是最大每秒10個，其余的流量都會被緩沖在漏桶中。這個也這是漏桶法的缺陷，沒法真正處理突發的流量洪峰，效率不高。

令牌桶法

令牌桶法也是基于桶的原型，但是和漏桶算法截然不同的時，沒有出水口。令牌桶通過令牌的產生速率+令牌桶的容積來控制流量，有效的解決了漏桶效率不高的問題。如，容積為100的桶，令牌產生速率為50/s，那么就代表當桶中令牌已滿的時候，最大能夠承載100的流量，后面如果流量一直居高不下，也會以每秒50個流量的速度恒速處理請求。令牌桶的這種特性有效的處理了洪峰流量也能做到不被洪峰壓垮，是目前限流比較常見的實現方法。比較著名的實現有谷歌guava中的RateLimiter。然后下面將要分析的Spring Cloud Gateway中也是使用的令牌桶算法實現的限流

guava的文檔：https://github.com/google/guava/wiki

Spring Cloud Gateway中的令牌桶

Spring網關中是基于令牌桶+redis實現的網關分布式限流，具體的實現見下面兩個代碼：

lua腳本地址：resources/META-INF/scripts/request_rate_limiter.lua

RedisRateLimiter：gateway/filter/ratelimit/RedisRateLimiter.java

try {
			Listkeys = getKeys(id);

			// The arguments to the LUA script. time() returns unixtime in seconds.
			ListscriptArgs = Arrays.asList(replenishRate + "",
					burstCapacity + "", Instant.now().getEpochSecond() + "", "1");
			// allowed, tokens_left = redis.eval(SCRIPT, keys, args)
			Fluxflux = this.redisTemplate.execute(this.script, keys,
					scriptArgs);
			// .log("redisratelimiter", Level.FINER);
			return flux.onErrorResume(throwable -> Flux.just(Arrays.asList(1L, -1L)))
					.reduce(new ArrayList(), (longs, l) -> {
						longs.addAll(l);
						return longs;
					}).map(results -> {
						boolean allowed = results.get(0) == 1L;
						Long tokensLeft = results.get(1);

						Response response = new Response(allowed,
								getHeaders(routeConfig, tokensLeft));

						if (log.isDebugEnabled()) {
							log.debug("response: " + response);
						}
						return response;
					});
		}

上面博主截取了Spring網關限流部分的關鍵代碼，可以看到，最關鍵的地方在于，使用reids執行了一段lua腳本，然后通過返回值【0】是否等于1來判斷本次流量是否通過，返回值【1】為令牌桶中剩余的令牌數。就上面這段代碼沒有看到任何令牌桶算法的影子對吧，所有的精華實現都在lua腳本里面，這個腳本最初是由Paul Tarjan分享出來的，源碼地址戳我。腳本如下：

local tokens_key = KEYS[1]
local timestamp_key = KEYS[2]

local rate = tonumber(ARGV[1])
local capacity = tonumber(ARGV[2])
local now = tonumber(ARGV[3])
local requested = tonumber(ARGV[4])

local fill_time = capacity/rate
local ttl = math.floor(fill_time*2)

local last_tokens = tonumber(redis.call("get", tokens_key))
if last_tokens == nil then
  last_tokens = capacity
end

local last_refreshed = tonumber(redis.call("get", timestamp_key))
if last_refreshed == nil then
  last_refreshed = 0
end

local delta = math.max(0, now-last_refreshed)
local filled_tokens = math.min(capacity, last_tokens+(delta*rate))
local allowed = filled_tokens >= requested
local new_tokens = filled_tokens
local allowed_num = 0
if allowed then
  new_tokens = filled_tokens - requested
  allowed_num = 1
end

redis.call("setex", tokens_key, ttl, new_tokens)
redis.call("setex", timestamp_key, ttl, now)

return { allowed_num, new_tokens }

感謝各位的閱讀，以上就是“Spring Cloud Gateway中是如何實現限流功能的”的內容了，經過本文的學習后，相信大家對Spring Cloud Gateway中是如何實現限流功能的這一問題有了更深刻的體會，具體使用情況還需要大家實踐驗證。這里是億速云，小編將為大家推送更多相關知識點的文章，歡迎關注！