Go錯誤和異常
限流
限流是對某一時間視窗內的請求數進行限制，保持系統的可用性和穩定性，防止因流量暴增而導致的系統執行緩慢或宕機。常用的限流演算法有令牌桶和和漏桶，而Google開源專案Guava中的RateLimiter使用的就是令牌桶控制演算法。
在開發高併發系統時有三把利器用來保護系統：快取、降級和限流
- 快取：快取的目的是提升系統訪問速度和增大系統處理容量
- 降級：降級是當伺服器壓力劇增的情況下，根據當前業務情況及流量對一些服務和頁面有策略的降級，以此釋放伺服器資源以保證核心任務的正常執行
- 限流：限流的目的是通過對併發訪問/請求進行限速，或者對一個時間視窗內的請求進行限速來保護系統，一旦達到限制速率則可以拒絕服務、排隊或等待、降級等處理
我們經常在調別人的介面的時候會發現有限制，比如微信公眾平臺介面、百度API Store、聚合API等等這樣的，對方會限制每天最多調多少次或者每分鐘最多調多少次
我們自己在開發系統的時候也需要考慮到這些，比如我們公司在上傳商品的時候就做了限流，因為使用者每一次上傳商品，我們需要將商品資料同到到美團、餓了麼、京東、百度、自營等第三方平臺，這個工作量是巨大，頻繁操作會拖慢系統，故做限流。
以上都是題外話，接下來我們重點看一下令牌桶演算法
令牌桶演算法
下面是從網上找的兩張圖來描述令牌桶演算法：
RateLimiter
https://github.com/google/guava
RateLimiter的程式碼不長，註釋加程式碼432行，看一下RateLimiter怎麼用
1 package com.cjs.example;
2
3 import com.google.common.util.concurrent.RateLimiter;
4 import org.springframework.web.bind.annotation.RequestMapping;
5 import org.springframework.web.bind.annotation.RestController;
6
7 import java.text.SimpleDateFormat;
8 import java.util.Date;
9
10 @RestController
11 public class HelloController {
12
13 private static final SimpleDateFormat sdf = new SimpleDateFormat("yyyy-MM-dd HH:mm:ss.SSS");
14
15 private static final RateLimiter rateLimiter = RateLimiter.create(2);
16
17 /**
18 * tryAcquire嘗試獲取permit，預設超時時間是0，意思是拿不到就立即返回false
19 */
20 @RequestMapping("/sayHello")
21 public String sayHello() {
22 if (rateLimiter.tryAcquire()) { // 一次拿1個
23 System.out.println(sdf.format(new Date()));
24 try {
25 Thread.sleep(500);
26 } catch (InterruptedException e) {
27 e.printStackTrace();
28 }
29 }else {
30 System.out.println("limit");
31 }
32 return "hello";
33 }
34
35 /**
36 * acquire拿不到就等待，拿到為止
37 */
38 @RequestMapping("/sayHi")
39 public String sayHi() {
40 rateLimiter.acquire(5); // 一次拿5個
41 System.out.println(sdf.format(new Date()));
42 return "hi";
43 }
44
45 }關於RateLimiter：
- A rate limiter。每個acquire()方法如果必要的話會阻塞直到一個permit可用，然後消費它。獲得permit以後不需要釋放。
- RateLimiter在併發環境下使用是安全的：它將限制所有執行緒呼叫的總速率。注意，它不保證公平呼叫。
- RateLimiter在併發環境下使用是安全的：它將限制所有執行緒呼叫的總速率。注意，它不保證公平呼叫。Rate limiter（直譯為：速度限制器）經常被用來限制一些物理或者邏輯資源的訪問速率。這和java.util.concurrent.Semaphore正好形成對照。
- 一個RateLimiter主要定義了發放permits的速率。如果沒有額外的配置，permits將以固定的速度分配，單位是每秒多少permits。預設情況下，Permits將會被穩定的平緩的發放。
- 可以配置一個RateLimiter有一個預熱期，在此期間permits的發放速度每秒穩步增長直到到達穩定的速率
基本用法：
final RateLimiter rateLimiter = RateLimiter.create(2.0); // rate is "2 permits per second"
void submitTasks(List<Runnable> tasks, Executor executor) {
for (Runnable task : tasks) {
rateLimiter.acquire(); // may wait
executor.execute(task);
}
}
實現
SmoothBursty以穩定的速度生成permit
SmoothWarmingUp是漸進式的生成，最終達到最大值趨於穩定
原始碼片段解讀：
public abstract class RateLimiter {
/**
* 用給定的吞吐量（“permits per second”）建立一個RateLimiter。
* 通常是QPS
*/
public static RateLimiter create(double permitsPerSecond) {
return create(permitsPerSecond, SleepingStopwatch.createFromSystemTimer());
}
static RateLimiter create(double permitsPerSecond, SleepingStopwatch stopwatch) {
RateLimiter rateLimiter = new SmoothBursty(stopwatch, 1.0 /* maxBurstSeconds */);
rateLimiter.setRate(permitsPerSecond);
return rateLimiter;
}
/**
* 用給定的吞吐量(QPS)和一個預熱期建立一個RateLimiter
*/
public static RateLimiter create(double permitsPerSecond, long warmupPeriod, TimeUnit unit) {
checkArgument(warmupPeriod >= 0, "warmupPeriod must not be negative: %s", warmupPeriod);
return create(permitsPerSecond, warmupPeriod, unit, 3.0, SleepingStopwatch.createFromSystemTimer());
}
static RateLimiter create(
double permitsPerSecond,
long warmupPeriod,
TimeUnit unit,
double coldFactor,
SleepingStopwatch stopwatch) {
RateLimiter rateLimiter = new SmoothWarmingUp(stopwatch, warmupPeriod, unit, coldFactor);
rateLimiter.setRate(permitsPerSecond);
return rateLimiter;
}
private final SleepingStopwatch stopwatch;
// 鎖
private volatile Object mutexDoNotUseDirectly;
private Object mutex() {
Object mutex = mutexDoNotUseDirectly;
if (mutex == null) {
synchronized (this) {
mutex = mutexDoNotUseDirectly;
if (mutex == null) {
mutexDoNotUseDirectly = mutex = new Object();
}
}
}
return mutex;
}
/**
* 從RateLimiter中獲取一個permit，阻塞直到請求可以獲得為止
* @return 休眠的時間，單位是秒，如果沒有被限制則是0.0
*/
public double acquire() {
return acquire(1);
}
/**
* 從RateLimiter中獲取指定數量的permits，阻塞直到請求可以獲得為止
*/
public double acquire(int permits) {
long microsToWait = reserve(permits);
stopwatch.sleepMicrosUninterruptibly(microsToWait);
return 1.0 * microsToWait / SECONDS.toMicros(1L);
}
/**
* 預定給定數量的permits以備將來使用
* 直到這些預定數量的permits可以被消費則返回逝去的微秒數
*/
final long reserve(int permits) {
checkPermits(permits);
synchronized (mutex()) {
return reserveAndGetWaitLength(permits, stopwatch.readMicros());
}
}
private static void checkPermits(int permits) {
checkArgument(permits > 0, "Requested permits (%s) must be positive", permits);
}
final long reserveAndGetWaitLength(int permits, long nowMicros) {
long momentAvailable = reserveEarliestAvailable(permits, nowMicros);
return max(momentAvailable - nowMicros, 0);
}
}
abstract class SmoothRateLimiter extends RateLimiter {
/** The currently stored permits. */
double storedPermits;
/** The maximum number of stored permits. */
double maxPermits;
/**
* The interval between two unit requests, at our stable rate. E.g., a stable rate of 5 permits
* per second has a stable interval of 200ms.
*/
double stableIntervalMicros;
/**
* The time when the next request (no matter its size) will be granted. After granting a request,
* this is pushed further in the future. Large requests push this further than small requests.
*/
private long nextFreeTicketMicros = 0L; // could be either in the past or future
final long reserveEarliestAvailable(int requiredPermits, long nowMicros) {
resync(nowMicros);
long returnValue = nextFreeTicketMicros;
double storedPermitsToSpend = min(requiredPermits, this.storedPermits); // 本次可以獲取到的permit數量
double freshPermits = requiredPermits - storedPermitsToSpend; // 差值，如果儲存的permit大於本次需要的permit數量則此處是0，否則是一個正數
long waitMicros =
storedPermitsToWaitTime(this.storedPermits, storedPermitsToSpend)
+ (long) (freshPermits * stableIntervalMicros); // 計算需要等待的時間（微秒）
this.nextFreeTicketMicros = LongMath.saturatedAdd(nextFreeTicketMicros, waitMicros);
this.storedPermits -= storedPermitsToSpend; // 減去本次消費的permit數
return returnValue;
}
void resync(long nowMicros) {
// if nextFreeTicket is in the past, resync to now
if (nowMicros > nextFreeTicketMicros) { // 表示當前可以獲得permit
double newPermits = (nowMicros - nextFreeTicketMicros) / coolDownIntervalMicros(); // 計算這段時間可以生成多少個permit
storedPermits = min(maxPermits, storedPermits + newPermits); // 如果超過maxPermit，則取maxPermit，否則取儲存的permit+新生成的permit
nextFreeTicketMicros = nowMicros; // 設定下一次可以獲得permit的時間點為當前時間
}
}
}
RateLimiter實現的令牌桶演算法，不僅可以應對正常流量的限速，而且可以處理突發暴增的請求，實現平滑限流。
通過程式碼，我們可以看到它可以預消費，怎麼講呢
nextFreeTicketMicros表示下一次請求獲得permits的最早時間。每次授權一個請求以後，這個值會向後推移（PS：想象一下時間軸）即向未來推移。因此，大的請求會比小的請求推得更。這裡的大小指的是獲取permit的數量。這個應該很好理解，因為上一次請求獲取的permit數越多，那麼下一次再獲取授權時更待的時候會更長，反之，如果上一次獲取的少，那麼時間向後推移的就少，下一次獲得許可的時間更短。可見，都是有代價的。正所謂：要浪漫就要付出代價。
還要注意到一點，就是獲取令牌和處理請求是兩個動作，而且，並不是每一次都獲取一個，也不要想當然的認為一個請求獲取一個permit（或者叫令牌），可以再看看前面那幅圖
Stopwatch
一個以納秒為單位度量流逝時間的物件。它是一個相對時間，而不是絕對時間。
Stopwatch stopwatch = Stopwatch.createStarted();
System.out.println("hahah");
stopwatch.stop();
Duration duration = stopwatch.elapsed();
System.out.println(stopwatch);
Semaphore（訊號量）
A counting semaphore. Conceptually, a semaphore maintains a set of permits. Each acquire() blocks if necessary until a permit is available, and then takes it. Each release() adds a permit, potentially releasing a blocking acquirer. However, no actual permit objects are used; the Semaphore just keeps a count of the number available and acts accordingly.
一個訊號量維護了一系列permits。
每次呼叫acquire()方法獲取permit，如果必要的話會阻塞直到有一個permit可用為止。
呼叫release()方法則會釋放自己持有的permit，即用完了再還回去。
訊號量限制的是併發訪問臨界資源的執行緒數。
令牌桶演算法 VS 漏桶演算法
漏桶
漏桶的出水速度是恆定的，那麼意味著如果瞬時大流量的話，將有大部分請求被丟棄掉（也就是所謂的溢位）。
令牌桶
生成令牌的速度是恆定的，而請求去拿令牌是沒有速度限制的。這意味，面對瞬時大流量，該演算法可以在短時間內請求拿到大量令牌，而且拿令牌的過程並不是消耗很大的事情。
最後，不論是對於令牌桶拿不到令牌被拒絕，還是漏桶的水滿了溢位，都是為了保證大部分流量的正常使用，而犧牲掉了少部分流量，這是合理的，如果因為極少部分流量需要保證的話，那麼就可能導致系統達到極限而掛掉，得不償失。
小定律：排隊理論
https://en.wikipedia.org/wiki/Little%27s_law
the long-term average number L of customers in a stationary system is equal to the long-term average effective arrival rate λ multiplied by the average time W that a customer spends in the system. Expressed algebraically the law is：
在一個固定系統中，顧客的長期平均數量L等於顧客的長期平均到達速率λ乘以顧客在系統中平均花費的時間W。用公式表示為：
雖然這看起來很容易，但這是一個非常顯著的舉世矚目的結果，因為這種關係“不受到達過程的分佈，服務分佈，服務順序，或其他任何因素的影響”。這個結果適用於任何系統，特別是適用於系統內的系統。唯一的要求是系統必須是穩定的非搶佔式的。
例子
例1：找響應時間
假設有一個應用程式沒有簡單的方法來度量響應時間。如果系統的平均數量和吞吐量是已知的，那麼平均響應時間就是：
mean response time = mean number in system / mean throughput
平均響應時間 = 系統的平均數量 / 平均吞吐量.
例2：顧客在店裡
想象一下，一家小商店只有一個櫃檯和一個可供瀏覽的區域，每次只能有一個人在櫃檯，並且沒有人不買東西就離開。
所以這個系統大致是：進入 --> 瀏覽 --> 櫃檯結賬 --> 離開
在一個穩定的系統中，人們進入商店的速度就是他們到達商店的速度（我們叫做到達速度），它們離開的速度叫做離開速度。
相比之下，到達速度超過離開速度代表是一個不穩定的系統，這就會造成等待的顧客數量將逐漸增加到無窮大。
前面的小定律告訴我們，商店的平均顧客數量L等於有效的到達速度λ乘以顧客在商店的平均停留時間W。用公式表示為：
假設，顧客以每小時10個的速度到達，並且平均停留時間是0.5小時。那麼這就意味著，任意時間商店的平均顧客數量是5
現在假設商店正在考慮做更多的廣告，把到達率提高到每小時20。商店必須準備好容納平均10人，或者必須將每個顧客在商店中的時間減少到0.25小時。商店可以通過更快地結帳或者增加更多的櫃檯來達到後者的目的。
我們可以把前面的小定律應用到商店系統中。例如，考慮櫃檯和在櫃檯前排的隊。假設平均有2個人在櫃檯前排隊，我們知道顧客到達速度是每小時10，所以顧客平均必須停留時間為0.2小時。
最後
這是單機（單程序）的限流，是JVM級別的的限流，所有的令牌生成都是在記憶體中，在分散式環境下不能直接這麼用。
如果我們能把permit放到Redis中就可以在分散式環境中用了。
轉自：https://www.cnblogs.com/cjsblog/p/9379516.html
往事如煙,餘生有我.