前言
在實際項目中，曾經遭遇過線上5W+QPS的峰值，也在壓測狀態下經歷過10W+QPS的大流量請求，本篇博客的話題主要就是自己對高併發流量控制的一點思考。
應對大流量的一些思路
首先，我們來說一下什麼是大流量？
大流量，我們很可能會冒出：TPS（每秒事務量），QPS（每秒請求量），1W+，5W+，10W+，100W+...。其實並沒有一個絕對的數字，如果這個量造成了系統的壓力，影響了系統的性能，那麼這個量就可以稱之為大流量了。
其次，應對大流量的一些常見手段是什麼？
緩存：說白了，就是讓數據儘早進入緩存，離程序近一點，不要大量頻繁的訪問DB。
降級：如果不是核心鏈路，那麼就把這個服務降級掉。打個比喻，現在的APP都講究千人千面，拿到數據後，做個性化排序展示，如果在大流量下，這個排序就可以降級掉！
限流：大家都知道，北京地鐵早高峰，地鐵站都會做一件事情，就是限流了！想法很直接，就是想在一定時間內把請求限制在一定範圍內，保證系統不被沖垮，同時儘可能提升系統的吞吐量。
注意到，有些時候，緩存和降級是解決不了問題的，比如，電商的雙十一，用戶的購買，下單等行為，是涉及到大量寫操作，而且是核心鏈路，無法降級的，這個時候，限流就比較重要了。
那麼接下來，我們重點說一下，限流。
限流的常用方式
限流的常用處理手段有：計數器、滑動窗口、漏桶、令牌。
計數器
計數器是一種比較簡單的限流算法，用途比較廣泛，在接口層面，很多地方使用這種方式限流。在一段時間內，進行計數，與閥值進行比較，到了時間臨界點，將計數器清0。
這裡需要注意的是，存在一個時間臨界點的問題。舉個栗子，在12:01:00到12:01:58這段時間內沒有用戶請求，然後在12:01:59這一瞬時發出100個請求，OK，然後在12:02:00這一瞬時又發出了100個請求。這裡你應該能感受到，在這個臨界點可能會承受惡意用戶的大量請求，甚至超出系統預期的承受。
滑動窗口
由於計數器存在臨界點缺陷，後來出現了滑動窗口算法來解決。
滑動窗口的意思是說把固定時間片，進行劃分，並且隨著時間的流逝，進行移動，這樣就巧妙的避開了計數器的臨界點問題。也就是說這些固定數量的可以移動的格子，將會進行計數判斷閥值，因此格子的數量影響著滑動窗口算法的精度。
漏桶
雖然滑動窗口有效避免了時間臨界點的問題，但是依然有時間片的概念，而漏桶算法在這方面比滑動窗口而言，更加先進。
有一個固定的桶，進水的速率是不確定的，但是出水的速率是恆定的，當水滿的時候是會溢出的。
令牌桶
注意到，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（也就是所謂的溢出）。為了解決這個問題，令牌桶進行了算法改進。
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。（有一點生產令牌，消費令牌的意味）
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出，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。
限流神器：Guava RateLimiter
Guava不僅僅在集合、緩存、異步回調等方面功能強大，而且還給我們封裝好了限流的API！
Guava RateLimiter基於令牌桶算法，我們只需要告訴RateLimiter系統限制的QPS是多少，那麼RateLimiter將以這個速度往桶裡面放入令牌，然後請求的時候，通過tryAcquire()方法向RateLimiter獲取許可（令牌）。
分佈式場景下的限流
上面所說的限流的一些方式，都是針對單機而言的，其實大部分的場景，單機的限流已經足夠了。分佈式下限流的手段常常需要多種技術相結合，比如Nginx+Lua，Redis+Lua等去做。本文主要討論的是單機的限流，這裡就不在詳細介紹分佈式場景下的限流了。
一句話，讓系統的流量，先到隊列中排隊、限流，不要讓流量直接打到系統上。
閱讀更多 互聯網Java架構 的文章
