限流算法在分布式领域是一个常常被提起的话题,当系统的处理能力有限时,如何阻止计划外的请求继续对系统施压,这是一个须要重视的问题。算法
除了控制流量,限流还有一个应用目的是用于控制用户行为,避免垃圾请求。好比在UGC 社区,用户的发帖、回复、点赞等行为都要严格受控,通常要严格限定某行为在规定时间内容许的次数,超过了次数那就是非法行为。对非法行为,业务必须规定适当的惩处策略。缓存
首先咱们来看一个常见 的简单的限流策略。系统要限定用户的某个行为在指定的时间里只能容许发生 N 次,如何使用 Redis 的数据结构来实现这个限流的功能?数据结构
这个限流需求中存在一个滑动时间窗口,想一想 zset 数据结构的 score 值,是否是能够经过 score 来圈出这个时间窗口来。并且咱们只须要保留这个时间窗口,窗口以外的数据均可以砍掉。那这个 zset 的 value 填什么比较合适呢?它只须要保证惟一性便可,用 uuid 会比较浪费空间,那就改用毫秒时间戳吧。分布式
如图所示,用一个 zset 结构记录用户的行为历史,每个行为都会做为 zset 中的一个key 保存下来。同一个用户同一种行为用一个 zset 记录。性能
为节省内存,咱们只须要保留时间窗口内的行为记录,同时若是用户是冷用户,滑动时间窗口内的行为是空记录,那么这个 zset 就能够从内存中移除,再也不占用空间。ui
经过统计滑动窗口内的行为数量与阈值 max_count 进行比较就能够得出当前的行为是否容许。用代码表示以下:code
/** * @Auther: majx2 * @Date: 2019-3-22 14:21 * @Description: */ public class SimpleRateLimiter { private Jedis jedis = RedisDS.create().getJedis(); public boolean isActionAllowed(String userId, String actionKey, int period, int maxCount) { String key = String.format("hist:%s:%s", userId, actionKey); long nowTs = System.currentTimeMillis(); Pipeline pipe = jedis.pipelined(); pipe.multi(); pipe.zadd(key, nowTs, "" + nowTs); // 移除有序集中,指定score区间内的全部成员 pipe.zremrangeByScore(key, 0, nowTs - period * 1000); Response<Long> count = pipe.zcard(key); pipe.expire(key, period + 1); pipe.exec(); pipe.close(); return count.get() <= maxCount; } public static void main(String[] args) throws InterruptedException { final SimpleRateLimiter limiter = new SimpleRateLimiter(); for(int i=0;i<20;i++) { System.out.println(limiter.isActionAllowed("majx2", "reply", 60, 5)); } } }
总体思路就是:每个行为到来时,都维护一次时间窗口。将时间窗口外的记录所有清理掉,只保留窗口内的记录。zset 集合中只有 score 值很是重要,value 值没有特别的意义,只须要保证它是惟一的就能够了。orm
由于这几个连续的 Redis 操做都是针对同一个 key 的,使用 pipeline 能够显著提高Redis 存取效率。但这种方案也有缺点,由于它要记录时间窗口内全部的行为记录,若是这个量很大,好比限定 60s 内操做不得超过 100w 次这样的参数,它是不适合作这样的限流的,由于会消耗大量的存储空间。中间件
下一节咱们将引入高级限流算法——漏斗限流。ip
本文基于《Redis深度历险:核心原理和应用实践》一文的JAVA实践。更多文章请参考:高性能缓存中间件Redis应用实战(JAVA)