社区微信群开通啦，扫一扫抢先加入社区官方微信群
社区微信群
前面的章节中，我们介绍了在Hystrix中，限流可以通过熔断来实现，通过某个阀值来对异常流量进行降级处理，除了异常流量我们可以通过服务降级之外，我们还可以使用一些其他的限流方式来保护我们的系统免受“系统雪崩”。这一节，我们来介绍一下Spring Cloud Zuul的限流。
说到限流算法，这里列举几个比较简单也是常见的算法：
计数器算法
计数器算范比较简单和粗暴，一般我们会限制1s之内能通过的请求数，比如限流为100qps，算法的实现思路就是从第一个请求进来开始计时，在接下去的1s内，每来一个请求，就把计数加1，如果累加的数字达到了100，那么后续的请求就会被全部拒绝。等到1s结束后，把计数恢复成0，重新开始计数。
具体的实现可以是这样的：对于每次服务调用，可以通过 AtomicLong.incrementAndGet()方法来给计数器加1并返回最新值，通过这个最新值和阈值进行比较。
这种实现方式，中间有一个最大的弊端是：如果我们在1s的前100ms中，已经通过了100个请求，那么在后面的900ms中，只能把剩下所有的请求都拒绝掉，这种现象被称为“突刺现象”。
漏桶（Leaky Bucket）算法
为了消除“突刺现象”，可以采用漏桶算法实现限流。漏桶的原型是一个底部有窟窿的桶，桶上方有一个注水孔，水不断的流入桶中，桶下方的窟窿会已一个相对恒定的速度漏水，在流入大于流出的情况下，桶在一定时间以后就会被注慢，这时多余的水就会溢出；在流入小于流出的情况下，漏桶不起任何作用。如图6-10：
如果觉得我的文章对您有用，请随意打赏。你的支持将鼓励我继续创作！
