• 艾编教学笔记：高并发限流+分布式限流高并发限流技术揭秘

    内容概要：

    1、为什么要限流

    2、分布式限流解决方案

    3、Guava实现令牌限流和漏桶限流

    4、SpringBoot结合Redis实现分布式限流

    5、SpringCloud GateWay网关限流---微服务SprignCloud 6、Nginx限流

    为什么要限流

    目标

    学习在项目开发中为什么要使用限流技术，以及限流的作用。

    概述

    在分布式领域，我们难免会遇到并发量突增，对后端服务造成高压力，严重甚至会导致系统宕机。为避  免这种问题，我们通常会为接口添加限流、降级、熔断等能力，从而使接口更为健壮。Java领域常见的  开源组件有Netflix的hystrix，阿里系开源的sentinel等，都是蛮不错的限流熔断框架。

     

    图解

    在开发高并发系统时有三把利器用来保护系统：缓存、降级和限流。缓存的目的是提升系统访问速度和  增大系统能处理的容量，可谓是抗高并发流量的银弹；而降级是当服务出问题或者影响到核心流程的性  能则需要暂时屏蔽掉，待高峰或者问题解决后再打开；而有些场景并不能用缓存和降级来解决，比如稀  缺资源（秒杀、抢购）、写服务（如评论、下单）、频繁的复杂查询（评论的最后几页），因此需有一  种手段来限制这些场景的并发/请求量，即限流。

    解决一个问题：保护、保证系统一定可用。

    解决方案

    扩容

    增加物理服务的硬件和设备。

    缓存

    缓存比较好理解，在大型高并发系统中，如果没有缓存数据库将分分钟被爆，系统也会瞬间瘫痪。使用  缓存不单单能够提升系统访问速度、提高并发访问量，也是保护数据库、保护系统的有效方式。大型网  站一般主要是“读”，缓存的使用很容易被想到。在大型“写”系统中，缓存也常常扮演者非常重要的角

    色。比如累积一些数据批量写入，内存里面的缓存队列（生产消费），以及HBase写数据的机制等等也  都是通过缓存提升系统的吞吐量或者实现系统的保护措施。甚至消息中间件，你也可以认为是一种分布  式的数据缓存。

    降级

    服务降级是当服务器压力剧增的情况下，根据当前业务情况及流量对一些服务和页面有策略的降级，以  此释放服务器资源以保证核心任务的正常运行。降级往往会指定不同的级别，面临不同的异常等级执行  不同的处理。根据服务方式：可以拒接服务，可以延迟服务，也有时候可以随机服务。根据服务范围：  可以砍掉某个功能，也可以砍掉某些模块。总之服务降级需要根据不同的业务需求采用不同的降级策     略。主要的目的就是服务虽然有损但是总比没有好。

    限流

    限流可以认为服务降级的一种，限流就是限制系统的输入和输出流量已达到保护系统的目的。一般来说  系统的吞吐量是可以被测算的，为了保证系统的稳定运行，一旦达到的需要限制的阈值，就需要限制流  量并采取一些措施以完成限制流量的目的。比如：延迟处理，拒绝处理，或者部分拒绝处理等等。

    限流的目的

    限流的目的是通过对并发访问/请求进行限速或者一个时间窗口内的的请求进行限速来保护系统，一旦   达到限制速率则可以拒绝服务（定向到错误页或告知资源没有了）、排队或等待（比如秒杀、评论、下  单）、降级（返回兜底数据或默认数据，如商品详情页库存默认有货）。

    一般开发高并发系统常见的限流有：限制总并发数（比如数据库连接池、线程池）、限制瞬时并发数

    （如nginx的limit_conn模块，用来限制瞬时并发连接数）、限制时间窗口内的平均速率（如Guava的RateLimiter、nginx的limit_req模块，限制每秒的平均速率）；其他还有如限制远程接口调用速率、限  制MQ的消费速率。另外还可以根据网络连接数、网络流量、CPU或内存负载等来限流。

     

    先有缓存这个银弹，后有限流来应对618、双十一高并发流量，在处理高并发问题上可以说是如虎添      翼，不用担心瞬间流量导致系统挂掉或雪崩，最终做到有损服务而不是不服务；限流需要评估好，不可  乱用，否则会正常流量出现一些奇怪的问题而导致用户抱怨。

    保护、保证系统和网站的正常运行。

    使用场景

    秒杀、抢购，年底查询密集，评论查询。

    SpringBoot结合Redis实现分布式限流演进

    目标

    为什么使用分布式限流解决方案，整个过程是如何来的。

     

    步骤

    1：搭建springboot框架

    2：导入web依赖，和guava依赖，以及redis依赖

      
    <dependency>
<groupId>org.springframework.boot</groupId>
<artifactId>spring-boot-starter-data-redis</artifactId>
</dependency>
<dependency>
<groupId>org.springframework.boot</groupId>

<artifactId>spring-boot-starter-web</artifactId>
</dependency>
<dependency>
<groupId>org.springframework.boot</groupId>
<artifactId>spring-boot-starter-test</artifactId>
<scope>test</scope>
</dependency>

    3：最简单的限流讲解---计数器限流

    package com.itheima.limiting.web;
import org.springframework.web.bind.annotation.GetMapping;
import org.springframework.web.bind.annotation.RestController;
@RestController
public class OrderController {
// 抢购，抢购数量，也就限流的阈值
static long limit = 10;
// 计算器，代表请求的用户数量
private long count = 0;
@GetMapping("/makeorder")
public String makeOrder(){
long c = ++count;
if(c > limit){
return "抢购结束，下次在来! count = " + c;
}
return "恭喜，抢购成功，count = " + c;
}
}

    存在问题：

    1：当前count没有标记成为static。需要标记成static吗？答案是不需要，因为 @RestController 标记当前类是单例的, 所以在内存中count只有一份，不会出现所谓的多份问题。而是共用的一个计数器。

    2：往往在分布式集群的项目中，项目是部署多多台，是多个  jvm。每个jvm都又自己的计数器，这个时候就会引发高并发带来的线程安全问题。

    3：那可以使用volatile 吗？答案是不可以。因为volatile只保证成员变量在线程见的可见性，它不保证线程安全。

    4：如果线程不安全可以使用synchronized ，这种是没问题的，可以解决线程安全的问题。但是同时带

    @GetMapping("/makeorder")
public synchronized String makeOrder(){
long c = ++count;
if(c > limit){
return "抢购结束，下次在来! count = " + c; 6    }
        return    "恭喜，抢购成功，count = " + c; 8    }

    来的隐患就是：性能低下，这个是必然的，如果使用了synchronized关键字，就是上了锁，代码的执行 就编程了串行，一大推的阻塞，如果这个时候又1w的并发，这个时候处理都会造成大量的阻塞。而且    性能极低。在一般的开发中我们都会认为和代码是不适合的。也满足不了我们高并发的需要。那么进行  优化，如何解决呢？原子类。

    5：如果在分布式环境下呢？

     

    可以使用分布式缓存来解决这个问题：

    为什么不用Lock和synchronized，在单机环境下，是没有问题，但是往往在开发中，大部分情况下是集  群环境，这个适合每个电脑都是独立JVM环境，你是没有办法去控制别人jvm内存中的东西，所以我们    要计数器进行共享。

     

    为什么选择Redis呢？而不是memcache操作呢？

    答案很简单：Redis单线程。（基于linux的io模型来架构的，EPOLL 异步IO BIO NIO EPOLL ） jedis redission

     

     

     代码如下：

    引入依赖：

    <dependency>
<groupId>redis.clients</groupId>
<artifactId>jedis</artifactId>
<version>3.1.0</version>
</dependency>
    @GetMapping("makeorder2")
public String makeOrder2(String name){
// 从jedis上获取自增值
try(Jedis jedis = new Jedis("localhost",6379)){
long c = jedis.incr(name);
if(c > limit){
return "抢购结束，下次在来! count = " + c; 8    }
        return    "恭喜，抢购成功，count = " + c; 10    }
11    }

    测试：启动8080和8081两个端口：访问

     

    http://localhost:8081/makeorder2?name=lisi 和 http://localhost:8080/makeorder2?name=lisi 模 拟同一个用户在集群环境下的并发问是否共享计数器。答案很明显是可以的。

     

     

    限流接口的时间窗请求数--时间窗限流

     

     

    概述

    即一个时间窗口内的请求数，如需限制某个接口/服务每秒/每分钟/每天的请求数/调用量。

     

     

     

     

    如果实现呢？

    Guava---单机系统

    使用LoadingCache限流

     

    package com.itheima.limiting.web;
import com.google.common.cache.CacheBuilder;
import com.google.common.cache.CacheLoader;
import com.google.common.cache.LoadingCache;
import org.springframework.web.bind.annotation.GetMapping;
import org.springframework.web.bind.annotation.RestController;
import redis.clients.jedis.Jedis;
import java.util.Calendar;
import java.util.concurrent.TimeUnit;
import java.util.concurrent.atomic.AtomicLong;
@RestController
public class OrderGuavaController {
// 抢购，抢购数量，也就限流的阈值
static long limit = 5;
// 限时间窗请求数，限制5r/s
LoadingCache<Long,AtomicLong> loadingCache =
CacheBuilder.newBuilder().expireAfterAccess(2, TimeUnit.SECONDS)
.build(new CacheLoader<Long, AtomicLong>() {
@Override
public AtomicLong load(Long aLong) throws Exception {
return new AtomicLong(0);
}
});
@GetMapping("/makeorder3")
public String makeOrder() throws Exception{
// 当前秒
long currentTime = System.currentTimeMillis()/1000L;
//long c = atomicLong.incrementAndGet();
long c = loadingCache.get(currentTime).incrementAndGet();
if(c > limit){
return "抢购结束，下次在来! count = " + c;
}
return "恭喜，抢购成功，count = " + c;
}
}

     

    模拟代码：
    package com.itheima.limiting.limiter;
import java.util.HashMap;
import java.util.Map;
import java.util.concurrent.ConcurrentHashMap;
import java.util.concurrent.ConcurrentMap;
import java.util.concurrent.atomic.AtomicLong;
public class MyLimiter {
private ConcurrentMap<Long, AtomicLong> map = new ConcurrentHashMap<>
();
private long before;
public MyLimiter(long before){
super();
this.before = before;
}
public AtomicLong get(long key){
if(!this.map.containsKey(key)){
synchronized (map){
if(!this.map.containsKey(key)){
map.put(key,new AtomicLong(0L));
// 移除指定秒数的计数器
this.removeBeforeKey(key);
}
}
}
return this.map.get(key);
}
private void removeBeforeKey(long ckey){
for(Long key : this.map.keySet()){
// 把哪些超过时间的key，从map中移除出去。
if(key + before < ckey){
this.map.remove(key);
}
}
}
}
    分布式限流--Lua脚本
    目标
    使用lua脚本完成分布式限流
    步骤 
    package com.itheima.limiting.web;
import com.google.common.cache.CacheBuilder;
import com.google.common.cache.CacheLoader;
import com.google.common.cache.LoadingCache;
import com.itheima.limiting.limiter.MyLimiter;
import org.springframework.web.bind.annotation.GetMapping;
import org.springframework.web.bind.annotation.RestController;
import redis.clients.jedis.Jedis;
import java.util.concurrent.TimeUnit;
import java.util.concurrent.atomic.AtomicLong;
@RestController
public class OrderRedisController {
// 抢购，抢购数量，也就限流的阈值
static long limit = 5;
public String makeorder6(String name) throws Exception{
try (Jedis jedis = new Jedis("localhost",6379)){
long c = jedis.incr(name);
if(c > limit){
return (System.currentTimeMillis()/1000)+"抢购结束，下次在来!
count = " + c;
}else{
if(c==1){
// 设置过期时间
jedis.expire(name,1);
}
}
return (System.currentTimeMillis()/1000) + "恭喜，抢购成功，count
= " + c;
}
}
}
    Lua脚本
     
    local key = KEYS[1] --限流Key(一秒一个)
local limit = tonumber(ARGV[1]) --限流大小
local expire = ARGV[2] --过期时间
-- 获取当前计数器的值
local current = tonumber(redis.call('get',key) or "0")
-- 如果超过限制大小
if current + 1 > limit then
return 0
Redis处理类
测试用例
else
current = tonumber(redis.call('INCRBY',key,"1")) --请求数+1
if current == 1 then --如果是第一次访问需要设置过期时间
redis.call("expire",key,expire) --设置过期时间
end
end
return 1 --返回1代表不限流
    Redis处理类
     
    package com.itheima.limiting.limiter;
import com.google.common.io.Files;
import org.springframework.core.io.ClassPathResource;
import redis.clients.jedis.Jedis;
import java.nio.charset.Charset;
public class JedisLuaLimiter {
private String luascript;
private String key;
private String limit;
private String expire;
public JedisLuaLimiter(String key,String limit,String expire,String
scriptFile){
super();
this.key = key;
this.limit = limit;
this.expire = expire;
try{
this.luascript = Files.asCharSource(new
ClassPathResource(scriptFile).getFile(), Charset.defaultCharset()).read();
}catch(Exception ex){
ex.printStackTrace();
}
}
// 尝试获取
public boolean tryAcqure(){
Jedis jedis = new Jedis("localhost",6379);
return (Long)jedis.eval(this.luascript,1,key,limit,expire) == 1L;
}
}

    测试用例

    package com.itheima.limiting;
import com.itheima.limiting.web.OrderRedisController;
import org.junit.jupiter.api.Test;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.boot.test.context.SpringBootTest;

import java.util.concurrent.CountDownLatch;
import java.util.concurrent.CyclicBarrier;
import java.util.concurrent.TimeUnit;
@SpringBootTest
class LimitingApplicationTests {
@Autowired
private OrderRedisController orderRedisController;
@Test
void contextLoads() throws Exception {
// 倒计数锁存器
CountDownLatch countDownLatch = new CountDownLatch(50);
// 循环屏障
CyclicBarrier cyclicBarrier = new CyclicBarrier(50);
for (int i = 0; i < 50; i++) {
new Thread(()->{
try{
cyclicBarrier.await();
}catch(Exception ex){
ex.printStackTrace();
}
try {
System.out.println(Thread.currentThread().getName() +
"===" + orderRedisController.makeorder6("aicode111"));
}catch (Exception ex){
ex.printStackTrace();
}
countDownLatch.countDown();
}).start();
}
try{
countDownLatch.await();
}catch(Exception ex){
ex.printStackTrace();
}
TimeUnit.SECONDS.sleep(1);
System.out.println(Thread.currentThread().getName() + "===" +
orderRedisController.makeorder6("aicode111"));
}
}
    削峰填谷-平滑限流某个接口的请求数
     
     
    当消费端请求骤增时，可以为其配置排队等待的流控规则，以稳定的速度逐步处理这些请求，起到“削
    峰填谷”的效果，从而避免流量骤增造成系统负载过高。
     
     
    背景信息
     
     
    在实际应用中，收到的请求是没有规律的。例如：某应用的处理请求的能力是每秒 10 个。在某一秒，
    突然到来了 30 个请求，而接下来两秒，都没有请求到达。在这种情况下，如果直接拒绝 20 个请求，
    应用在接下来的两秒就会空闲。所以，需要把骤增的请求平均到一段时间内，让系统负载保持在请求处
    理水位之内，同时尽可能地处理更多请求。 
     

    上图中，红色的部分代表超出消息处理能力的部分。把红色部分的消息平均到之后的空闲时间去处理，  这样既可以保证系统负载处在一个稳定的水位，又可以尽可能地处理更多消息。通过配置流控规则，可  以达到消息匀速处理的效果。

    功能原理

    AHAS  流控降级的排队等待功能，可以把骤增的大量请求匀速分配，以固定的间隔时间让请求通过，起到“削峰填谷”的效果，从而避免流量骤增造成系统负载过高的情况。堆积的请求将会被排队处理，当请  求的预计排队时间超过最大超时时长时，AHAS 将拒绝这部分超时的请求。

    例如：配置匀速模式下请求 QPS 为 5，则每 200 ms 处理一条请求，多余的处理任务将排队；同时设置了超时时间为 5s，则预计排队时长超过 5s 的处理任务将被直接拒绝。具体操作步骤，参见新建流控规则。

    示意图如下：

     

     问题

    突发请求，流量整形，整形为匀速请求处理，（比如 5r/s 时间间隔200毫秒处理一个请求，平滑速率）.

    解决方案：令牌桶算法

     

    package com.itheima.limiting.web;
import com.google.common.util.concurrent.RateLimiter;
import com.itheima.limiting.limiter.JedisLuaLimiter;
import org.springframework.web.bind.annotation.GetMapping;
import org.springframework.web.bind.annotation.RestController;
@RestController
public class OrderGuavaRateLimitController {
// 平滑限流请求
RateLimiter rateLimiter = RateLimiter.create(4);
//@GetMapping("/makeorder7")
public String makeorder7() throws Exception{
if(!rateLimiter.tryAcquire()){
    return (System.currentTimeMillis()/1000)+"抢购结束，下次在来!
    " ;
    }
    return (System.currentTimeMillis()/1000) + "恭喜，抢购成功";
    }
    }

     测试代码

    package com.itheima.limiting;
import com.itheima.limiting.web.OrderGuavaRateLimitController;
import com.itheima.limiting.web.OrderRedisController;
import org.junit.jupiter.api.Test;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.boot.test.context.SpringBootTest;
import java.util.concurrent.CountDownLatch;
import java.util.concurrent.CyclicBarrier;
import java.util.concurrent.TimeUnit;
@SpringBootTest
class LimitingApplicationTests {
@Autowired
private OrderRedisController orderRedisController;
@Autowired
private OrderGuavaRateLimitController
orderGuavaRateLimitController;
@Test
void contextLoads() throws Exception {
// 倒计数锁存器
CountDownLatch countDownLatch = new CountDownLatch(50);
// 循环屏障
CyclicBarrier cyclicBarrier = new CyclicBarrier(50);
for (int i = 0; i < 50; i++) {
new Thread(()->{
try{
cyclicBarrier.await();
}catch(Exception ex){
ex.printStackTrace();
}
try {
//System.out.println(Thread.currentThread().getName() + "===" +
orderRedisController.makeorder6("aicode111"));
System.out.println(Thread.currentThread().getName()
+ "===" + orderGuavaRateLimitController.makeorder7());
}catch (Exception ex){
ex.printStackTrace();
}

自定义令牌桶算法
countDownLatch.countDown();
}).start();
}
try{
countDownLatch.await();
}catch(Exception ex){
ex.printStackTrace();
}
TimeUnit.SECONDS.sleep(1);
// System.out.println(Thread.currentThread().getName() + "===" +
orderRedisController.makeorder6("aicode111"));
System.out.println(Thread.currentThread().getName() + "===" +
orderGuavaRateLimitController.makeorder7());
}
}

     

    自定义令牌桶算法 
    package com.itheima.limiting.limiter;
import java.util.Timer;
import java.util.TimerTask;
import java.util.concurrent.Semaphore;
public class MyRateLimiter implements AutoCloseable{
// 定义信号量 并发协同工具
private Semaphore semaphore;
// 限制数量
private int limit;
// 定时器
private Timer timer;
public MyRateLimiter(int limit){
super();
this.limit = limit;
this.semaphore = new Semaphore(limit);
this.timer = new Timer();
// 放入令牌的时间间隔
long period = 1000L/limit;
// 通过定时器。定时放入令牌
timer.scheduleAtFixedRate(new TimerTask() {
@Override
public void run() {
if(semaphore.availablePermits() < limit){
semaphore.release();
漏桶算法
SpringBoot 结合Aop完成限流策略
原理
首先解释下为何采用Redis作为限流组件的核心。
通俗地讲，假设一个用户（用IP判断）每秒访问某服务接口的次数不能超过10次，那么我们可以在
Redis中创建一个键，并设置键的过期时间为60秒。
当一个用户对此服务接口发起一次访问就把键值加1，在单位时间（此处为1s）内当键值增加到10的时
候，就禁止访问服务接口。PS:在某种场景中添加访问时间间隔还是很有必要的。我们本次不考虑间隔
时间，只关注单位时间内的访问次数。
需求
}
}
},period,period);
}
public void acquire() throws InterruptedException{
this.semaphore.acquire();
}
public boolean tryAcquire(){
return this.semaphore.tryAcquire();
}
public int availablePermits(){
return this.semaphore.availablePermits();
}
@Override
public void close(){
System.out.println("自动来关闭了..............");
this.timer.cancel();
}
}

    1 @GetMapping("/makeorder")

    

    2 public synchronized String makeOrder(){
    

    

    3 long c = ++count;
    

    

    4 if(c > limit){
    

    

    5 return "抢购结束，下次在来! count = " + c; 6}
    

    

    7return"恭喜，抢购成功，count = " + c; 8}
    

     
    

    

    漏桶算法
    

     
    

    

    

    SpringBoot 结合Aop完成限流策略
    

    

     
    

     
    

    原理
    

    

    首先解释下为何采用Redis作为限流组件的核心。
    

    通俗地讲，假设一个用户（用IP判断）每秒访问某服务接口的次数不能超过10次，那么我们可以在
    

    Redis中创建一个键，并设置键的过期时间为60秒。
    

    当一个用户对此服务接口发起一次访问就把键值加1，在单位时间（此处为1s）内当键值增加到10的时  候，就禁止访问服务接口。PS:在某种场景中添加访问时间间隔还是很有必要的。我们本次不考虑间隔  时间，只关注单位时间内的访问次数。
    

    需求
    

    

    

    

    原理已经讲过了，说下需求。
    

    1. 基于Redis的incr及过期机制开发
    

    1. Redis整合
    

    由于我们是基于Redis进行的限流操作，因此需要整合Redis的类库，上面已经讲到，我们是基于
    

    Springboot进行的开发，因此这里可以直接整合RedisTemplate。
    

    1.1 坐标引入
    

     
    

    这里我们引入spring-boot-starter-redis的依赖。
    

    正式开发
    

    

    到这里，我们正式开始手写限流组件的进程。
    

    1. 工程定义
    

    项目基于maven构建，主要依赖Spring-boot-starter，我们主要在springboot上进行开发，因此自定义  的开发包可以直接依赖下面这个坐标，方便进行包管理。版本号自行选择稳定版。
    

    

    <dependency>
<groupId>org.springframework.boot</groupId>
<artifactId>spring-boot-starter</artifactId>
<version>1.4.2.RELEASE</version>
</dependency>
    

    

     2、Redis整合
    

    由于我们是基于Redis进行的限流操作，因此需要整合Redis的类库，上面已经讲到，我们是基于
    

    Springboot进行的开发，因此这里可以直接整合RedisTemplate。
    

    1.1 坐标引入
    

    这里我们引入spring-boot-starter-redis的依赖。
    

    

    

    

    

    

    

    

    <dependency>
<groupId>org.springframework.boot</groupId>
<artifactId>spring-boot-starter-redis</artifactId>
<version>1.4.2.RELEASE</version>
</dependency>
    

    

    2.2 注入CacheManager及RedisTemplate
    

     
    

    新建一个Redis的配置类，命名为RedisCacheConfifig，使用javaconfifig形式注入CacheManager及
    

    RedisTemplate。为了操作方便，我们采用了Jackson进行序列化。代码如下 
    

    

    

    @Configuration
@EnableCaching
public class RedisCacheConfig {
private static final Logger LOGGER =
LoggerFactory.getLogger(RedisCacheConfig.class);
@Bean
public CacheManager cacheManager(RedisTemplate<?, ?> redisTemplate)
{
CacheManager cacheManager = new
RedisCacheManager(redisTemplate);
if (LOGGER.isDebugEnabled()) {
LOGGER.debug("Springboot Redis cacheManager 加载完成");
}
return cacheManager;
}
@Bean
public RedisTemplate<String, Object>
redisTemplate(RedisConnectionFactory factory) {
RedisTemplate<String, Object> template = new RedisTemplate<>();
template.setConnectionFactory(factory);
//使用Jackson2JsonRedisSerializer来序列化和反序列化redis的value值
（默认使用JDK的序列化方式）
Jackson2JsonRedisSerializer serializer = new
Jackson2JsonRedisSerializer(Object.class);
ObjectMapper mapper = new ObjectMapper();
mapper.setVisibility(PropertyAccessor.ALL,
JsonAutoDetect.Visibility.ANY);
mapper.enableDefaultTyping(ObjectMapper.DefaultTyping.NON_FINAL);
serializer.setObjectMapper(mapper);
template.setValueSerializer(serializer);
//使用StringRedisSerializer来序列化和反序列化redis的key值
template.setKeySerializer(new StringRedisSerializer());
template.afterPropertiesSet();
LOGGER.info("Springboot RedisTemplate 加载完成");
return template;
}
}
    

    

    注意 要使用 @Confifiguration 标注此类为一个配置类，当然你可以使用 @Component， 但是不推
    

    荐，原因在于 @Component 注解虽然也可以当作配置类，但是并不会为其生成CGLIB代理Class，而
    

    使用@Confifiguration，CGLIB会为其生成代理类，进行性能的提升。
    

     
    

    2.3 调用方application.propertie需要增加Redis配置
    

     
    

    我们的包开发完毕之后，调用方的application.properties需要进行相关配置如下： 
    

    

    

    #单机模式redis
spring.redis.host=127.0.0.1
spring.redis.port=6379
spring.redis.pool.maxActive=8
spring.redis.pool.maxWait=-1
spring.redis.pool.maxIdle=8
spring.redis.pool.minIdle=0
spring.redis.timeout=10000
spring.redis.password=
    

    

    如果有密码的话，配置password即可。
    

    这里为单机配置，如果需要支持哨兵集群，则配置如下，Java代码不需要改动，只需要变动配置即可。
    

    注意 两种配置不能共存！ 
    

     
    

    

    

    #哨兵集群模式
# database name
spring.redis.database=0
# server password 密码，如果没有设置可不配
spring.redis.password=
# pool settings ...池配置
spring.redis.pool.max-idle=8
spring.redis.pool.min-idle=0
spring.redis.pool.max-active=8
spring.redis.pool.max-wait=-1
# name of Redis server 哨兵监听的Redis server的名称
spring.redis.sentinel.master=mymaster
# comma-separated list of host:port pairs 哨兵的配置列表
spring.redis.sentinel.nodes=127.0.0.1:26379,127.0.0.1:26479,127.0.0.1:26579
    

    

    3. 定义注解
    

    为了调用方便，我们定义一个名为RateLimiter 的注解，内容如下 
    

    

    

    /**
* @author snowalker
* @version 1.0
* @date 2018/10/27 1:25
* @className RateLimiter
* @desc 限流注解
*/
@Target(ElementType.METHOD)
@Retention(RetentionPolicy.RUNTIME)
@Documented
public @interface RateLimiter {
/**
* 限流key
* @return
*/
String key() default "rate:limiter";
/**
* 单位时间限制通过请求数
* @return
*/long limit() default 10;
/**
* 过期时间，单位秒
* @return
*/
long expire() default 1;
}
    

    

    该注解明确只用于方法，主要有三个属性。
    

    1. key--表示限流模块名，指定该值用于区分不同应用，不同场景，推荐格式为：应用名:模块名:ip:接
    

    口名:方法名
    

    2. limit--表示单位时间允许通过的请求数
    

    3. expire--incr的值的过期时间，业务中表示限流的单位时间。
    

    4. 解析注解
    

    定义好注解后，需要开发注解使用的切面，这里我们直接使用aspectj进行切面的开发。先看代码 
    

    

    

    @Aspect
@Component
public class RateLimterHandler {
private static final Logger LOGGER =
LoggerFactory.getLogger(RateLimterHandler.class);
@Autowired
RedisTemplate redisTemplate;
private DefaultRedisScript<Long> getRedisScript;
@PostConstruct
public void init() {
getRedisScript = new DefaultRedisScript<>();
getRedisScript.setResultType(Long.class);
getRedisScript.setScriptSource(new ResourceScriptSource(new
ClassPathResource("rateLimter.lua")));
LOGGER.info("RateLimterHandler[分布式限流处理器]脚本加载完成");
}
    

    

    这里是注入了RedisTemplate，使用其API进行Lua脚本的调用。
    

    init() 方法在应用启动时会初始化DefaultRedisScript，并加载Lua脚本，方便进行调用。
    

    PS: Lua脚本放置在classpath下，通过ClassPathResource进行加载。 
    

    

    

    @Pointcut("@annotation(com.snowalker.shield.ratelimiter.core.annotation.RateL
imiter)")
public void rateLimiter() {}

    

    

    这里我们定义了一个切点，表示只要注解了 @RateLimiter 的方法，均可以触发限流操作。 
    

    

    

    1 @Around("@annotation(rateLimiter)")
这段代码的逻辑为，获取 @RateLimiter 注解配置的属性：key、limit、expire，并通过
redisTemplate.execute(RedisScript script, List keys, Object... args) 方法传递给Lua脚本进行限
流相关操作，逻辑很清晰。
这里我们定义如果脚本返回状态为0则为触发限流，1表示正常请求。
5. Lua脚本
public Object around(ProceedingJoinPoint proceedingJoinPoint,
RateLimiter rateLimiter) throws Throwable {
if (LOGGER.isDebugEnabled()) {
LOGGER.debug("RateLimterHandler[分布式限流处理器]开始执行限流操
作");
}
Signature signature = proceedingJoinPoint.getSignature();
if (!(signature instanceof MethodSignature)) {
throw new IllegalArgumentException("the Annotation
@RateLimter must used on method!");
}
/**
* 获取注解参数
*/
// 限流模块key
String limitKey = rateLimiter.key();
Preconditions.checkNotNull(limitKey);
// 限流阈值
long limitTimes = rateLimiter.limit();
// 限流超时时间
long expireTime = rateLimiter.expire();
if (LOGGER.isDebugEnabled()) {
LOGGER.debug("RateLimterHandler[分布式限流处理器]参数值为-
limitTimes={},limitTimeout={}", limitTimes, expireTime);
}
/**
* 执行Lua脚本
*/
List<String> keyList = new ArrayList();
// 设置key值为注解中的值
keyList.add(limitKey);
/**
* 调用脚本并执行
*/
Long result = (Long) redisTemplate.execute(getRedisScript,
keyList, expireTime, limitTimes);
if (result == 0) {
String msg = "由于超过单位时间=" + expireTime + "-允许的请求次数
=" + limitTimes + "[触发限流]";
LOGGER.debug(msg);
return "false";
}
if (LOGGER.isDebugEnabled()) {
LOGGER.debug("RateLimterHandler[分布式限流处理器]限流执行结果-
result={},请求[正常]响应", result);
}
return proceedingJoinPoint.proceed();
}
}
    

    

    这段代码的逻辑为，获取 @RateLimiter 注解配置的属性：key、limit、expire，并通过
    

    redisTemplate.execute(RedisScript script, List keys, Object... args) 方法传递给Lua脚本进行限
    

    流相关操作，逻辑很清晰。
    

    这里我们定义如果脚本返回状态为0则为触发限流，1表示正常请求。
    

    5. Lua脚本 
    

    这里是我们整个限流操作的核心，通过执行一个Lua脚本进行限流的操作。脚本内容如下 
    

    

    

    --获取KEY
local key1 = KEYS[1]
local val = redis.call('incr', key1)
local ttl = redis.call('ttl', key1)
--获取ARGV内的参数并打印
local expire = ARGV[1]
local times = ARGV[2]
redis.log(redis.LOG_DEBUG,tostring(times))
redis.log(redis.LOG_DEBUG,tostring(expire))
redis.log(redis.LOG_NOTICE, "incr "..key1.." "..val);
if val == 1 then
redis.call('expire', key1, tonumber(expire))
else
if ttl == -1 then
redis.call('expire', key1, tonumber(expire))
end
end
if val > tonumber(times) then
return 0
end
return 1
    

    

    逻辑很通俗，我简单介绍下。
    

    1. 首先脚本获取Java代码中传递而来的要限流的模块的key，不同的模块key值一定不能相同，否则会
    

    覆盖！
    

    2. redis.call('incr', key1)对传入的key做incr操作，如果key首次生成，设置超时时间ARGV[1]；（初
    

    始值为1）
    

    3. ttl是为防止某些key在未设置超时时间并长时间已经存在的情况下做的保护的判断；
    

    4. 每次请求都会做+1操作，当限流的值val大于我们注解的阈值，则返回0表示已经超过请求限制，
    

    触发限流。否则为正常请求。
    

    当过期后，又是新的一轮循环，整个过程是一个原子性的操作，能够保证单位时间不会超过我们预设的
    

    请求阈值。
    

    到这里我们便可以在项目中进行测试。
    

    测试
    

    demo地址
    

    这里我贴一下核心代码，我们定义一个接口，并注解 @RateLimiter(key = "ratedemo:1.0.0", limit
    

    = 5, expire = 100) 表示模块ratedemo:sendPayment:1.0.0 在100s内允许通过5个请求，这里的参数设
    

    置是为了方便看结果。实际中，我们通常会设置1s内允许通过的次数。 
    

     
    

    

    

    

    @Controller
public class TestController {
private static final Logger LOGGER =
LoggerFactory.getLogger(TestController.class);
@ResponseBody
@RequestMapping("ratelimiter")
@RateLimiter(key = "ratedemo:1.0.0", limit = 5, expire = 100)
public String sendPayment(HttpServletRequest request) throws
Exception {
return "正常请求";
}
}
    

    

    我们通过RestClient请求接口，日志返回如下： 
    

     
    

    

    

    2018-10-28 00:00:00.602 DEBUG 17364 --- [nio-8888-exec-1]
c.s.s.r.core.handler.RateLimterHandler :
RateLimterHandler[分布式限流处理器]开始执行限流操作
2018-10-28 00:00:00.688 DEBUG 17364 --- [nio-8888-exec-1]
c.s.s.r.core.handler.RateLimterHandler :
RateLimterHandler[分布式限流处理器]限流执行结果-result=1,请求[正常]响应
2018-10-28 00:00:00.860 DEBUG 17364 --- [nio-8888-exec-3]
c.s.s.r.core.handler.RateLimterHandler :
RateLimterHandler[分布式限流处理器]开始执行限流操作
2018-10-28 00:00:01.183 DEBUG 17364 --- [nio-8888-exec-4]
c.s.s.r.core.handler.RateLimterHandler :
RateLimterHandler[分布式限流处理器]开始执行限流操作
2018-10-28 00:00:01.520 DEBUG 17364 --- [nio-8888-exec-3]
c.s.s.r.core.handler.RateLimterHandler :
RateLimterHandler[分布式限流处理器]限流执行结果-result=1,请求[正常]响应
2018-10-28 00:00:01.521 DEBUG 17364 --- [nio-8888-exec-4]
c.s.s.r.core.handler.RateLimterHandler :
RateLimterHandler[分布式限流处理器]限流执行结果-result=1,请求[正常]响应
2018-10-28 00:00:01.557 DEBUG 17364 --- [nio-8888-exec-5]
c.s.s.r.core.handler.RateLimterHandler :
RateLimterHandler[分布式限流处理器]开始执行限流操作
2018-10-28 00:00:01.558 DEBUG 17364 --- [nio-8888-exec-5]
c.s.s.r.core.handler.RateLimterHandler :
RateLimterHandler[分布式限流处理器]限流执行结果-result=1,请求[正常]响应
2018-10-28 00:00:01.774 DEBUG 17364 --- [nio-8888-exec-7]
c.s.s.r.core.handler.RateLimterHandler :
RateLimterHandler[分布式限流处理器]开始执行限流操作
2018-10-28 00:00:02.111 DEBUG 17364 --- [nio-8888-exec-8]
c.s.s.r.core.handler.RateLimterHandler :
RateLimterHandler[分布式限流处理器]开始
2018-10-28 00:00:02.169 DEBUG 17364 --- [nio-8888-exec-7]
c.s.s.r.core.handler.RateLimterHandler :
RateLimterHandler[分布式限流处理器]限流执行结果-result=1,请求[正常]响应
2018-10-28 00:00:02.169 DEBUG 17364 --- [nio-8888-exec-8]
c.s.s.r.core.handler.RateLimterHandler :
由于超过单位时间=100-允许的请求次数=5[触发限流]

2018-10-28 00:00:02.276 DEBUG 17364 --- [io-8888-exec-10]
c.s.s.r.core.handler.RateLimterHandler :
RateLimterHandler[分布式限流处理器]开始执行限流操作
2018-10-28 00:00:02.276 DEBUG 17364 --- [io-8888-exec-10]
c.s.s.r.core.handler.RateLimterHandler :
RateLimterHandler[分布式限流处理器]参数值为-limitTimes=5,limitTimeout=100
2018-10-28 00:00:02.278 DEBUG 17364 --- [io-8888-exec-10]
c.s.s.r.core.handler.RateLimterHandler :
由于超过单位时间=100-允许的请求次数=5[触发限流]
2018-10-28 00:00:02.445 DEBUG 17364 --- [nio-8888-exec-2]
c.s.s.r.core.handler.RateLimterHandler :
RateLimterHandler[分布式限流处理器]开始执行限流操作
2018-10-28 00:00:02.445 DEBUG 17364 --- [nio-8888-exec-2]
c.s.s.r.core.handler.RateLimterHandler :
RateLimterHandler[分布式限流处理器]参数值为-limitTimes=5,limitTimeout=100
2018-10-28 00:00:02.446 DEBUG 17364 --- [nio-8888-exec-2]
c.s.s.r.core.handler.RateLimterHandler :
由于超过单位时间=100-允许的请求次数=5[触发限流]
2018-10-28 00:00:02.628 DEBUG 17364 --- [nio-8888-exec-4]
c.s.s.r.core.handler.RateLimterHandler :
RateLimterHandler[分布式限流处理器]开始执行限流操作
2018-10-28 00:00:02.628 DEBUG 17364 --- [nio-8888-exec-4]
c.s.s.r.core.handler.RateLimterHandler :
RateLimterHandler[分布式限流处理器]参数值为-limitTimes=5,limitTimeout=100
2018-10-28 00:00:02.629 DEBUG 17364 --- [nio-8888-exec-4]
c.s.s.r.core.handler.RateLimterHandler :
由于超过单位时间=100-允许的请求次数=5[触发限流]
    

    

    根据日志能够看到，正常请求5次后，返回限流触发，说明我们的逻辑生效，对前端而言也是可以看到
    

    false标记，表明我们的Lua脚本限流逻辑是正确的，这里具体返回什么标记需要调用方进行明确的定
    

    义。
    

    总结
    

    我们通过Redis的incr及expire功能特性，开发定义了一套基于注解的分布式限流操作，核心逻辑基于
    

    Lua保证了原子性。达到了很好的限流的目的，生产上，可以基于该特点进行定制自己的限流组件，当
    

    然你可以参考本文的代码，相信你写的一定比我的demo更好！
    

    在实际应用时也不要太纠结算法问题，因为一些限流算法实现是一样的只是描述不一样；具体使用哪种
    

    限流技术还是要根据实际场景来选择，不要一味去找最佳模式，白猫黑猫能解决问题的就是好猫。
    

    因在实际工作中遇到过许多人来问如何进行限流，因此本文会详细介绍各种限流手段。那么接下来我们
    

    从限流算法、应用级限流、分布式限流、接入层限流来详细学习下限流技术手段。
    

    限流就好比保险丝，根据你制定的标准，达到了就拉闸。
    

    5、Hystrix或Gateway网关限流 
    

    6、Nginx限流 
    

    



    算法思想是：
    

    令牌以固定速率产生，并缓存到令牌桶中；
    

    令牌桶放满时，多余的令牌被丢弃；
    

    请求要消耗等比例的令牌才能被处理；
    

    令牌不够时，请求被缓存。
    

    漏桶算法
    

    



    算法思想是：
    

    水（请求）从上方倒入水桶，从水桶下方流出（被处理）；
    

    来不及流出的水存在水桶中（缓冲），以固定速率流出；
    

    水桶满后水溢出（丢弃）。
    

    这个算法的核心是：缓存请求、匀速处理、多余的请求直接丢弃。
    

    相比漏桶算法，令牌桶算法不同之处在于它不但有一只“桶”，还有个队列，这个桶是用来存放令牌
    

    的，队列才是用来存放请求的。
    

    从作用上来说，漏桶和令牌桶算法最明显的区别就是是否允许突发流量(burst)的处理，漏桶算法能够强
    

    行限制数据的实时传输（处理）速率，对突发流量不做额外处理；而令牌桶算法能够在限制数据的平均
    

    传输速率的同时允许某种程度的突发传输。
    

    Nginx按请求速率限速模块使用的是漏桶算法，即能够强行保证请求的实时处理速度不会超过设置的阈
    

    值。
    

    Nginx官方版本限制IP的连接和并发分别有两个模块：
    

    limit_req_zone 用来限制单位时间内的请求数，即速率限制,采用的漏桶算法 "leaky bucket"。
    

    limit_req_conn 用来限制同一时间连接数，即并发限制。
    

    limit_req_zone 参数配置
    

    

    

    Syntax: limit_req zone=name [burst=number] [nodelay];
Default: —
Context: http, server, location
limit_req_zone $binary_remote_addr zone=one:10m rate=1r/s;
    

    


    

    

    第一个参数：$binary_remote_addr 表示通过remote_addr这个标识来做限制，“binary_”的目的
是缩写内存占用量，是限制同一客户端ip地址。
第二个参数：zone=one:10m表示生成一个大小为10M，名字为one的内存区域，用来存储访问的
频次信息。
第三个参数：rate=1r/s表示允许相同标识的客户端的访问频次，这里限制的是每秒1次，还可以有
比如30r/m的。


    

    

     limit_req zone=one burst=5 nodelay;
    

    

    第一个参数：zone=one 设置使用哪个配置区域来做限制，与上面limit_req_zone 里的name对
    

    应。
    

    第二个参数：burst=5，重点说明一下这个配置，burst爆发的意思，这个配置的意思是设置一个
    

    大小为5的缓冲区当有大量请求（爆发）过来时，超过了访问频次限制的请求可以先放到这个缓冲
    

    区内。
    

    第三个参数：nodelay，如果设置，超过访问频次而且缓冲区也满了的时候就会直接返回503，如
    

    果没有设置，则所有请求会等待排队。
    

    例子： 
    

    

    http {
limit_req_zone $binary_remote_addr zone=one:10m rate=1r/s;
server {
location /search/ {
limit_req zone=one burst=5 nodelay;
}
}
    

    


    下面配置可以限制特定UA（比如搜索引擎）的访问： 
    

    

    

    

    

    limit_req_zone $anti_spider zone=one:10m rate=10r/s;
limit_req zone=one burst=100 nodelay;
if ($http_user_agent ~* "googlebot|bingbot|Feedfetcher-Google") {
set $anti_spider $http_user_agent;
}

    

     
    

    

    

    其他参数

    Syntax: limit_req_log_level info | notice | warn | error;
Default:
limit_req_log_level error;
Context: http, server, location
    

    

    当服务器由于limit被限速或缓存时，配置写入日志。延迟的记录比拒绝的记录低一个级别。例子：
    

    limit_req_log_level notice 延迟的的基本是info。 
    

     
    

    

    

    Syntax: limit_req_status code;
Default:
limit_req_status 503;
Context: http, server, location
    

    

    设置拒绝请求的返回值。值只能设置 400 到 599 之间。
    

    ngx_http_limit_conn_module 参数配置
    

    这个模块用来限制单个IP的请求数。并非所有的连接都被计数。只有在服务器处理了请求并且已经读取
    

    了整个请求头时，连接才被计数。 
    

     
    

    

    

    Syntax: limit_conn zone number;
Default: —
Context: http, server, location
limit_conn_zone $binary_remote_addr zone=addr:10m;
server {
location /download/ {
limit_conn addr 1;
}
    

    

    一次只允许每个IP地址一个连接。 
    

    

    

    limit_conn_zone $binary_remote_addr zone=perip:10m;
limit_conn_zone $server_name zone=perserver:10m;
server {
...
limit_conn perip 10;
limit_conn perserver 100;
}
    

    

    可以配置多个limit_conn指令。例如，以上配置将限制每个客户端IP连接到服务器的数量，同时限制连
    

    接到虚拟服务器的总数。 
    

    

    

    Syntax: limit_conn_zone key zone=name:size;
Default: —
Context: http
limit_conn_zone $binary_remote_addr zone=addr:10m;
    

    

    在这里，客户端IP地址作为关键。请注意，不是 $ remote_addr ，而是使用 $ binary_remote_addr
    

    变量。 $ remote_addr 变量的大小可以从7到15个字节不等。存储的状态在32位平台上占用32或64字
    

    节的内存，在64位平台上总是占用64字节。对于IPv4地址， $ binary_remote_addr 变量的大小始终
    

    为4个字节，对于IPv6地址则为16个字节。存储状态在32位平台上始终占用32或64个字节，在64位平台
    

    上占用64个字节。一个兆字节的区域可以保持大约32000个32字节的状态或大约16000个64字节的状
    

    态。如果区域存储耗尽，服务器会将错误返回给所有其他请求。 
    

     
    

    

    

    Syntax: limit_conn_log_level info | notice | warn | error;
Default:
limit_conn_log_level error;
Context: http, server, location
    

    

    当服务器限制连接数时，设置所需的日志记录级别。
    

    

    

    Syntax: limit_conn_status code;
Default:
limit_conn_status 503;
Context: http, server, location

    

    

    　　
    

    设置拒绝请求的返回值。
    

     
    

    

    实战
    

    实例一 限制访问速率 
    

    

    

    limit_req_zone $binary_remote_addr zone=mylimit:10m rate=2r/s;
server {
location / {
limit_req zone=mylimit;
}
}
    

    

    上述规则限制了每个IP访问的速度为2r/s，并将该规则作用于根目录。如果单个IP在非常短的时间内并
    

    发发送多个请求，结果会怎样呢？
    

    



    

    我们使用单个IP在10ms内发并发送了6个请求，只有1个成功，剩下的5个都被拒绝。我们设置的速度是
    

    2r/s，为什么只有1个成功呢，是不是Nginx限制错了？当然不是，是因为Nginx的限流统计是基于毫秒
    

    的，我们设置的速度是2r/s，转换一下就是500ms内单个IP只允许通过1个请求，从501ms开始才允许
    

    通过第二个请求。
    

    实例二 burst缓存处理
    

    我们看到，我们短时间内发送了大量请求，Nginx按照毫秒级精度统计，超出限制的请求直接拒绝。这
    

    在实际场景中未免过于苛刻，真实网络环境中请求到来不是匀速的，很可能有请求“突发”的情况，也就
    

    是“一股子一股子”的。Nginx考虑到了这种情况，可以通过burst关键字开启对突发请求的缓存处理，而
    

    不是直接拒绝。
    

    来看我们的配置： 
    

    

    

    limit_req_zone $binary_remote_addr zone=mylimit:10m rate=2r/s;
server {
location / {
limit_req zone=mylimit burst=4;
}
}
    

    

    我们加入了burst=4，意思是每个key(此处是每个IP)最多允许4个突发请求的到来。如果单个IP在10ms
    

    内发送6个请求，结果会怎样呢？
    

    相比实例一成功数增加了4个，这个我们设置的burst数目是一致的。具体处理流程是：1个请求被立即
    

    处理，4个请求被放到burst队列里，另外一个请求被拒绝。通过burst参数，我们使得Nginx限流具备了
    

    缓存处理突发流量的能力。
    

    但是请注意：burst的作用是让多余的请求可以先放到队列里，慢慢处理。如果不加nodelay参数，队列
    

    里的请求不会立即处理，而是按照rate设置的速度，以毫秒级精确的速度慢慢处理。
    

    实例三 nodelay降低排队时间
    

    实例二中我们看到，通过设置burst参数，我们可以允许Nginx缓存处理一定程度的突发，多余的请求可
    

    以先放到队列里，慢慢处理，这起到了平滑流量的作用。但是如果队列设置的比较大，请求排队的时间
    

    就会比较长，用户角度看来就是RT变长了，这对用户很不友好。有什么解决办法呢？nodelay参数允许
    

    请求在排队的时候就立即被处理，也就是说只要请求能够进入burst队列，就会立即被后台worker处
    

    理，请注意，这意味着burst设置了nodelay时，系统瞬间的QPS可能会超过rate设置的阈值。nodelay
    

    参数要跟burst一起使用才有作用。
    

     
    

    延续实例二的配置，我们加入nodelay选项： 
    

     
    

    

    

    limit_req_zone $binary_remote_addr zone=mylimit:10m rate=2r/s;
server {
location / {
limit_req zone=mylimit;
}
}

limit_req_zone $binary_remote_addr zone=mylimit:10m rate=2r/s;
server {
location / {
limit_req zone=mylimit burst=4;
}
}
    

    

    单个IP 10ms内并发发送6个请求，结果如下： 
    

    



    跟实例二相比，请求成功率没变化，但是总体耗时变短了。这怎么解释呢？实例二中，有4个请求被放
    

    到burst队列当中，工作进程每隔500ms(rate=2r/s)取一个请求进行处理，最后一个请求要排队2s才会
    

    被处理；实例三中，请求放入队列跟实例二是一样的，但不同的是，队列中的请求同时具有了被处理的
    

    资格，所以实例三中的5个请求可以说是同时开始被处理的，花费时间自然变短了。
    

    但是请注意，虽然设置burst和nodelay能够降低突发请求的处理时间，但是长期来看并不会提高吞吐量
    

    的上限，长期吞吐量的上限是由rate决定的，因为nodelay只能保证burst的请求被立即处理，但Nginx
    

    会限制队列元素释放的速度，就像是限制了令牌桶中令牌产生的速度。
    

    看到这里你可能会问，加入了nodelay参数之后的限速算法，到底算是哪一个“桶”，是漏桶算法还是令
    

    牌桶算法？当然还算是漏桶算法。考虑一种情况，令牌桶算法的token为耗尽时会怎么做呢？由于它有
    

    一个请求队列，所以会把接下来的请求缓存下来，缓存多少受限于队列大小。但此时缓存这些请求还有
    

    意义吗？如果server已经过载，缓存队列越来越长，RT越来越高，即使过了很久请求被处理了，对用户
    

    来说也没什么价值了。所以当token不够用时，最明智的做法就是直接拒绝用户的请求，这就成了漏桶
    

    算法。
    

     
    

    示例四 自定义返回值 
    

     
    

    

    

    limit_req_zone $binary_remote_addr zone=mylimit:10m rate=2r/s;
server {
location / {
limit_req zone=mylimit burst=4 nodelay;
limit_req_status 598;
}
}
    

    

    



    

    

    

    

    

    

    

    

    

    

    

    

    

    

    

    

    

    

    

    

    

    
    
          
    • 

          
  • 

            相关阅读:
    
            
              wordpress取文章时间
                
    一个链接引发的血案---------服务器 IO及网络流量暴涨解决历程
                
    wordpres 自定义comment样式
                
    HTML中head里的内容经浏览器解析后全到body里了
                
    mir9-lua——《热血沙城》45度ARPG手游-Lua移植版
                
    MoonWarriors-lua——《雷电战机》游戏-Lua移植版
                
    《QQ欢乐斗地主》山寨版
                
    最好的ie版本检测方式
                
    css 超出部分显示省略号
                
    分享一个jquery插件,弥补一下hover事件的小小不足
                
                    
          
    • 
          
  • 
            原文地址：https://www.cnblogs.com/icodingedu/p/12657374.html
          
    • 

        

      



      
      

        

        

      

    

  


  

  
Copyright © 2020-2023 
  润新知