从构建分布式秒杀系统聊聊限流特技

Bertha 。 2022-05-21 23:53 252阅读 0赞

## 前言 ##

俗话说的好，冰冻三尺非一日之寒，滴水穿石非一日之功，罗马也不是一天就建成的。两周前秒杀案例初步成型，分享到了中国最大的同性交友网站-码云。同时也收到了不少小伙伴的建议和投诉。我从不认为分布式、集群、秒杀这些就应该是大厂的专利，在互联网的今天无论什么时候都要时刻武装自己，只有这样，也许你的春天就在明天。

在开发秒杀系统案例的过程中，前面主要分享了队列、缓存、锁和分布式锁以及静态化等等。缓存的目的是为了提升系统访问速度和增强系统的处理能力；分布式锁解决了集群下数据的安全一致性问题；静态化无疑是减轻了缓存以及DB层的压力。

## 限流 ##

然而再牛逼的机器，再优化的设计，对于特殊场景我们也是要特殊处理的。就拿秒杀来说，可能会有百万级别的用户进行抢购，而商品数量远远小于用户数量。如果这些请求都进入队列或者查询缓存，对于最终结果没有任何意义，徒增后台华丽的数据。对此，为了减少资源浪费，减轻后端压力，我们还需要对秒杀进行限流，只需保障部分用户服务正常即可。

就秒杀接口来说，当访问频率或者并发请求超过其承受范围的时候，这时候我们就要考虑限流来保证接口的可用性，以防止非预期的请求对系统压力过大而引起的系统瘫痪。通常的策略就是拒绝多余的访问，或者让多余的访问排队等待服务。

## 限流算法 ##

任何限流都不是漫无目的的，也不是一个开关就可以解决的问题，常用的限流算法有：令牌桶，漏桶。

#### 令牌桶 ####

令牌桶算法是网络流量整形（Traffic Shaping）和速率限制（Rate Limiting）中最常使用的一种算法。典型情况下，令牌桶算法用来控制发送到网络上的数据的数目，并允许突发数据的发送(百科)。

![109211-20180610221919796-154442752.png][]

在秒杀活动中，用户的请求速率是不固定的，这里我们假定为10r/s，令牌按照5个每秒的速率放入令牌桶，桶中最多存放20个令牌。仔细想想，是不是总有那么一部分请求被丢弃。

#### 漏桶 ####

漏桶算法的主要目的是控制数据注入到网络的速率，平滑网络上的突发流量。漏桶算法提供了一种机制，通过它，突发流量可以被整形以便为网络提供一个稳定的流量(百科)。

![109211-20180610221927195-244360320.png][]

令牌桶是无论你流入速率多大，我都按照既定的速率去处理，如果桶满则拒绝服务。

## 应用限流 ##

#### Tomcat ####

在Tomcat容器中，我们可以通过自定义线程池，配置最大连接数，请求处理队列等参数来达到限流的目的。

![109211-20180610222053036-833780397.png][]

Tomcat默认使用自带的连接池，这里我们也可以自定义实现，打开/conf/server.xml文件，在Connector之前配置一个线程池：

*  name：共享线程池的名字。这是Connector为了共享线程池要引用的名字，该名字必须唯一。默认值：None；
 *  namePrefix:在JVM上，每个运行线程都可以有一个name 字符串。这一属性为线程池中每个线程的name字符串设置了一个前缀，Tomcat将把线程号追加到这一前缀的后面。默认值：tomcat-exec-；
 *  maxThreads：该线程池可以容纳的最大线程数。默认值：200；
 *  maxIdleTime：在Tomcat关闭一个空闲线程之前，允许空闲线程持续的时间(以毫秒为单位)。只有当前活跃的线程数大于minSpareThread的值，才会关闭空闲线程。默认值：60000(一分钟)。
 *  minSpareThreads：Tomcat应该始终打开的最小不活跃线程数。默认值：25。

##### 配置Connector #####

*  executor：表示使用该参数值对应的线程池；
 *  minProcessors：服务器启动时创建的处理请求的线程数；
 *  maxProcessors：最大可以创建的处理请求的线程数；
 *  acceptCount：指定当所有可以使用的处理请求的线程数都被使用时，可以放到处理队列中的请求数，超过这个数的请求将不予处理。

### API限流 ###

秒杀活动中，接口的请求量会是平时的数百倍甚至数千倍，从而有可能导致接口不可用，并引发连锁反应导致整个系统崩溃，甚至有可能会影响到其它服务。

那么如何应对这种突然事件呢？这里我们采用开源工具包guava提供的限流工具类RateLimiter进行API限流，该类基于"令牌桶算法"，开箱即用。

自定义定义注解

/** * 自定义注解 限流 */ @Target({ElementType.PARAMETER, ElementType.METHOD}) @Retention(RetentionPolicy.RUNTIME) @Documented public @interface ServiceLimit { String description() default ""; }

自定义切面

/** * 限流 AOP */ @Component @Scope @Aspect public class LimitAspect { //每秒只发出100个令牌，此处是单进程服务的限流，内部采用令牌捅算法实现 private static RateLimiter rateLimiter = RateLimiter.create(100.0); //Service层切点 限流 @Pointcut("@annotation(com.itstyle.seckill.common.aop.ServiceLimit)") public void ServiceAspect() { } @Around("ServiceAspect()") public Object around(ProceedingJoinPoint joinPoint) { Boolean flag = rateLimiter.tryAcquire(); Object obj = null; try { if(flag){ obj = joinPoint.proceed(); } } catch (Throwable e) { e.printStackTrace(); } return obj; } }

业务实现：

@Override @ServiceLimit @Transactional public Result startSeckil(long seckillId, long userId) { //省略部分业务代码，详见秒杀源码 }

## 分布式限流 ##

### Nginx ###

如何使用Nginx实现基本的限流，比如单个IP限制每秒访问50次。通过Nginx限流模块，我们可以设置一旦并发连接数超过我们的设置，将返回503错误给客户端。

#### 配置nginx.conf ####

#统一在http域中进行配置
    #限制请求
    limit_req_zone $binary_remote_addr $uri zone=api_read:20m rate=50r/s;
    #按ip配置一个连接 zone
    limit_conn_zone $binary_remote_addr zone=perip_conn:10m;
    #按server配置一个连接 zone
    limit_conn_zone $server_name zone=perserver_conn:100m;
    server {
            listen       80;
            server_name  seckill.52itstyle.com;
            index index.jsp;
            location / {
                  #请求限流排队通过 burst默认是0
                  limit_req zone=api_read burst=5;
                  #连接数限制,每个IP并发请求为2
                  limit_conn perip_conn 2;
                  #服务所限制的连接数(即限制了该server并发连接数量)
                  limit_conn perserver_conn 1000;
                  #连接限速
                  limit_rate 100k;
                  proxy_pass      http://seckill;
            }
    }
    upstream seckill {
            fair;
            server  172.16.1.120:8080 weight=1  max_fails=2 fail_timeout=30s;
            server  172.16.1.130:8080 weight=1  max_fails=2 fail_timeout=30s;
    }

#### 配置说明 ####

imit\_conn\_zone

是针对每个IP定义一个存储session状态的容器。这个示例中定义了一个100m的容器，按照32bytes/session，可以处理3200000个session。

limit\_rate 300k;

对每个连接限速300k. 注意，这里是对连接限速，而不是对IP限速。如果一个IP允许两个并发连接，那么这个IP就是限速limit\_rate×2。

burst=5；

这相当于桶的大小，如果某个请求超过了系统处理速度，会被放入桶中，等待被处理。如果桶满了，那么抱歉，请求直接返回503，客户端得到一个服务器忙的响应。如果系统处理请求的速度比较慢，桶里的请求也不能一直待在里面，如果超过一定时间，也是会被直接退回，返回服务器忙的响应。

### OpenResty ###

![老罗+OpenResty][OpenResty]

> 背影有没有很熟悉，对这就是那个直呼理解万岁老罗，2015年老罗在锤子科技T2发布会上将门票收入捐赠给了 OpenResty，也相信老罗是个有情怀的胖子。

这里我们使用 OpenResty 开源的限流方案，测试案例使用OpenResty1.13.6.1最新版本，自带lua-resty-limit-traffic模块以及案例 ，实现起来更为方便。

#### 限制接口总并发数/请求数 ####

秒杀活动中，由于突发流量暴增，有可能会影响整个系统的稳定性从而造成崩溃，这时候我们就要限制秒杀接口的总并发数/请求数。

这里我们采用 lua-resty-limit-traffic中的resty.limit.count模块实现，由于文章篇幅具体代码参见[源码][Link 1]openresty/lua/limit\_count.lua。

#### 限制接口时间窗请求数 ####

秒杀场景下，有时候并都是人肉鼠标，比如12306的抢票软件，软件刷票可比人肉鼠标快多了。此时我们就要对客户端单位时间内的请求数进行限制，以至于刷票不是那么猖獗。当然了道高一尺魔高一丈，抢票软件总是会有办法绕开你的防线，从另一方面讲也促进了技术的进步。

这里我们采用 lua-resty-limit-traffic中的resty.limit.conn模块实现，具体代码参见[源码][Link 1]openresty/lua/limit\_conn.lua。

#### 平滑限制接口请求数 ####

之前的限流方式允许突发流量，也就是说瞬时流量都会被允许。突然流量如果不加以限制会影响整个系统的稳定性，因此在秒杀场景中需要对请求整形为平均速率处理，即20r/s。

这里我们采用 lua-resty-limit-traffic 中的resty.limit.req 模块实现漏桶限流和令牌桶限流。

其实漏桶和令牌桶根本的区别就是，如何处理超过请求速率的请求。漏桶会把请求放入队列中去等待均速处理，队列满则拒绝服务；令牌桶在桶容量允许的情况下直接处理这些突发请求。

##### 漏桶 #####

桶容量大于零，并且是延迟模式。如果桶没满，则进入请求队列以固定速率等待处理，否则请求被拒绝。

##### 令牌桶 #####

桶容量大于零，并且是非延迟模式。如果桶中存在令牌，则允许突发流量，否则请求被拒绝。

## 压测 ##

为了测试以上配置效果，我们采用AB压测，Linux下执行以下命令即可：

# 安装
    yum -y install httpd-tools
    # 查看ab版本
    ab -v
    # 查看帮助
    ab --help

测试命令：

ab -n 1000 -c 100 http://127.0.0.1/

测试结果：

Server Software:        openresty/1.13.6.1  #服务器软件
    Server Hostname:        127.0.0.1     #IP
    Server Port:            80            #请求端口号
    
    Document Path:          /             #文件路径
    Document Length:        12 bytes      #页面字节数
    
    Concurrency Level:      100           #请求的并发数
    Time taken for tests:   4.999 seconds #总访问时间
    Complete requests:      1000          #总请求树
    Failed requests:        0             #请求失败数量
    Write errors:           0
    Total transferred:      140000 bytes  #请求总数据大小
    HTML transferred:       12000 bytes   #html页面实际总字节数
    Requests per second:    200.06 [#/sec] (mean) #每秒多少请求，这个是非常重要的参数数值，服务器的吞吐量
    Time per request:       499.857 [ms] (mean) #用户平均请求等待时间 
    Time per request:       4.999 [ms] (mean, across all concurrent requests)  # 服务器平均处理时间，也就是服务器吞吐量的倒数 
    Transfer rate:          27.35 [Kbytes/sec] received #每秒获取的数据长度
    
    Connection Times (ms)
                  min  mean[+/-sd] median   max
    Connect:        0    0   0.8      0       4
    Processing:     5  474  89.1    500     501
    Waiting:        2  474  89.2    500     501
    Total:          9  475  88.4    500     501
    
    Percentage of the requests served within a certain time (ms)
      50%    500
      66%    500
      75%    500
      80%    500
      90%    501
      95%    501
      98%    501
      99%    501
     100%    501 (longest request)

源码：[从0到1构建分布式秒杀系统][Link 1]

## 总结 ##

以上限流方案，只是针对此次秒杀案例做一个简单的小结，大家也不要刻意区分那种方案的好坏，只要适合业务场景就是最好的。

我有一个微信公众号，经常会分享一些Java技术相关的干货；如果你喜欢我的分享，可以用微信搜索“Java团长”或者“javatuanzhang”关注。

[109211-20180610221919796-154442752.png]: /images/20220522/927525f197624084ba686959e796a731.png
[109211-20180610221927195-244360320.png]: /images/20220522/ba77e992b61e4b858a34bd6415504eea.png
[109211-20180610222053036-833780397.png]: /images/20220522/9dff7832c10a4e64835a69436a0cfd6a.png
[OpenResty]: https://blog.52itstyle.com/usr/uploads/2018/06/3824664882.jpg
[Link 1]: https://gitee.com/52itstyle/spring-boot-seckill