高并发利器-guava分流与缓存

SAnBlog

发布于 2020-07-21 09:46:03

1.5K0

发布于 2020-07-21 09:46:03

文章被收录于专栏：SAnBlog

guava依赖

 <dependency>
    <groupId>com.google.guava</groupId>
    <artifactId>guava</artifactId>
    <version>23.6-jre</version>
 </dependency>

guava cache

高并发三件套之一，缓存

场景：

有个场景，接口请求获取数据频繁，但数据改动量小，一般情况是先去redis取，没有则从数据库取，再放入redis，返回？为了加快系统的响应速度，我们可以在内存加一层，先查询内存缓存。没有则查询数据库/redis，再加入内存。

是不是觉得挺麻烦的，这时候就用到guava cache了，guava封装看以上流程，只需直接调用get即可

GuavaCache提供了三种基本的缓存回收方式：

基于容量回收、定时回收和基于引用回收。

定时回收有两种：按照写入时间，最早写入的最先回收；按照访问时间，最早访问的最早回收。

它可以监控加载/命中情况。

 LoadingCache<String, Integer> cache = CacheBuilder.newBuilder()
         //最多存放十个数据
         .maximumSize(10)
         //缓存10秒，10秒之后进行回收
         .expireAfterWrite(10, TimeUnit.SECONDS)
         //移除时触发
         .removalListener(removalNotification -> {
             System.out.println("移除："+removalNotification.getKey());
         })
         .recordStats()//开启，记录状态数据功能
         //当key的值不存在时触发
         .build(new CacheLoader<String, Integer>() {
             //数据加载，也可以是查询操作，如从redis/db
             @Override
             public Integer load(String key) throws Exception {
                 System.out.println("没有缓存，开始加载新缓存");
                 //这里可以对数据库 或者redis进行查询并加入缓存。
                 return -1;
             }
         });

测试

 //查询缓存，未命中，调用load方法，这里可以单独对一个key进行load操作。
 //如果cache对象是公用缓存，可以在不同业务时对load进行重写获取最新缓存
 System.out.println(cache.get("key2",() -> -1));
 //put数据，更新缓存
 cache.put("key2", 2);
 //查询得到最新的数据
 System.out.println(cache.get("key2"));
 System.out.println("size:" + cache.size());
 //插入十个数据
 for (int i = 3; i < 13; i++) {
     cache.put("key" + i, i);
 }
 //超过最大容量，删除最早插入的数据
 System.out.println("size:" + cache.size());
 System.out.println(cache.getIfPresent("key2"));
 //等待5秒
 Thread.sleep(5000);
 //此时key已经失效，但是size没有更新
 System.out.println("size :" + cache.size());
 //获取key2，发现已经失效，然后刷新缓存，遍历数据，去掉失效的所有数据
 System.out.println(cache.getIfPresent("key2"));

结果

Guava RateLimiter

高并发三件套之二，限流

场景：1.

在日常生活中，我们肯定收到过不少不少这样的短信，“京东最新优惠卷…”，“天猫送您…”。这种类型的短信是属于推广性质的短信。这种短信一般群发量会到千万级别。然而，要完成这些短信发送，我们是需要调用服务商的接口来完成的。倘若一次发送的量在200万条，而我们的服务商接口每秒能处理的短信发送量有限，只能达到200条每秒。那么这个时候就会产生问题了，我们如何能控制好程序发送短信时的速度昵？于是限流器就得用上了。

提供服务接口的人或多或少遇到这样的问题，业务负载能力有限，为了防止过多请求涌入造成系统崩溃，如何进行流量控制？

流量控制策略有:分流，降级，限流等。这里我们讨论限流策略，他的作用是限制请求访问频率，换取系统高可用，是比较保守方便的策略。

3.常用的限流算法由：漏桶算法和令牌桶算法。

一、漏桶算法漏桶作为计量工具（The Leaky Bucket Algorithm as a Meter）时，可以用于流量整形（Traffic Shaping）和流量控制（TrafficPolicing），漏桶算法的描述如下：

一个固定容量的漏桶，按照常量固定速率流出水滴；如果桶是空的，则不需流出水滴；可以以任意速率流入水滴到漏桶；如果流入水滴超出了桶的容量，则流入的水滴溢出了（被丢弃），而漏桶容量是不变的。漏桶(Leaky Bucket)算法思路很简单,水(请求)先进入到漏桶里,漏桶以一定的速度出水(接口有响应速率),当水流入速度过大会直接溢出(访问频率超过接口响应速率),然后就拒绝请求,可以看出漏桶算法能强行限制数据的传输速率.示意图如下:

可见这里有两个变量,一个是桶的大小,支持流量突发增多时可以存多少的水(burst),另一个是水桶漏洞的大小(rate)。

因为漏桶的漏出速率是固定的参数,所以,即使网络中不存在资源冲突(没有发生拥塞),漏桶算法也不能使流突发(burst)到端口速率.因此,漏桶算法对于存在突发特性的流量来说缺乏效率.

二、令牌桶算法令牌桶算法是一个存放固定容量令牌的桶，按照固定速率往桶里添加令牌。令牌桶算法的描述如下：

假设限制2r/s，则按照500毫秒的固定速率往桶中添加令牌；桶中最多存放b个令牌，当桶满时，新添加的令牌被丢弃或拒绝；当一个n个字节大小的数据包到达，将从桶中删除n个令牌，接着数据包被发送到网络上；如果桶中的令牌不足n个，则不会删除令牌，且该数据包将被限流（要么丢弃，要么缓冲区等待）。令牌桶算法(Token Bucket)和 Leaky Bucket 效果一样但方向相反的算法,更加容易理解.随着时间流逝,系统会按恒定1/QPS时间间隔(如果QPS=100,则间隔是10ms)往桶里加入Token(想象和漏洞漏水相反,有个水龙头在不断的加水),如果桶已经满了就不再加了.新请求来临时,会各自拿走一个Token,如果没有Token可拿了就阻塞或者拒绝服务

令牌桶的另外一个好处是可以方便的改变速度. 一旦需要提高速率,则按需提高放入桶中的令牌的速率. 一般会定时(比如100毫秒)往桶中增加一定数量的令牌, 有些变种算法则实时的计算应该增加的令牌的数量.

 /**
  * 定义公共的限流map，不同业务处理的QPS不同。
  */
 public static ConcurrentHashMap<String, RateLimiter> resourceRateLimiter = new ConcurrentHashMap<>();
 
 //初始化限流工具RateLimiter
 static {
     //订单限制QPS50（令牌）
     createResourceRateLimiter("order", 50);
     //其他限制10
     createResourceRateLimiter("common", 10);
 }
 
 
 public static void createResourceRateLimiter(String resource, double qps) {
     if (resourceRateLimiter.contains(resource)) {
         resourceRateLimiter.get(resource).setRate(qps);
     } else {
         //每秒产生多少令牌
         RateLimiter rateLimiter = RateLimiter.create(qps);
         resourceRateLimiter.putIfAbsent(resource, rateLimiter);
     }
 
 }

test

 /**
  * 模拟并发
   多线程并发获取许可，并发数量为500，且每个线程只获取尝试等待2s/3s
  * @param args
  */
 public static void main(String[] args) {
     for (int i = 0; i < 500; i++) {
         new Thread(() -> {
             //每秒生成50个令牌,尝试等待2s,如果获得令牌指令，则执行业务逻辑
             if (resourceRateLimiter.get("order").tryAcquire(2, TimeUnit.MICROSECONDS)) {
                 System.out.println("order执行业务逻辑");
             } else {
                 System.out.println("order限流");
             }
         }).start();
 
         new Thread(() -> {
             //每秒生成10个令牌,尝试等待3s,如果获得令牌指令，则执行业务逻辑
             if (resourceRateLimiter.get("common").tryAcquire(3, TimeUnit.MICROSECONDS)) {
                 System.out.println("common执行业务逻辑");
             } else {
                 System.out.println("common限流");
             }
         }).start();
     }
 }