sentinel的滑动窗口统计机制就是根据当前时间,获取对应的时间窗口,并更新该时间窗口中的各项统计指标(pass/block/rt等),这些指标被用来进行后续判断,比如限流、降级等;随着时间的推移,当前时间点对应的时间窗口是变化的,这时会涉及到时间窗口的初始化、复用等。可以说,sentinel上的功能所用到的数据几乎都是滑动窗口统计机制来维护和更新的。

 

sentinel 处理流程是基于slot链(ProcessorSlotChain)来完成的,比如限流、熔断等,其中重要的一个slot就是StatisticSlot,它是做各种数据统计的,而限流/熔断的数据判断来源就是StatisticSlot,StatisticSlot的各种数据统计都是基于滑动窗口来完成的,因此本文就重点分析StatisticSlot的滑动窗口统计机制。

 

sentinel 的slot链(ProcessorSlotChain)是责任链模式的体现,那SlotChain是在哪创建的呢?是在 CtSph.lookProcessChain()方法中创建的,并且该方法会根据当前请求的资源先去一个静态的HashMap中获取,如果获取不到才会创建,创建后会保存到HashMap中。这就意味着,同一个资源会全局共享一个SlotChain。默认生成ProcessorSlotChain逻辑为:

 1 // DefaultSlotChainBuilder
 2 public ProcessorSlotChain build() {
 3    ProcessorSlotChain chain = new DefaultProcessorSlotChain();
 4    chain.addLast(new NodeSelectorSlot());
 5    chain.addLast(new ClusterBuilderSlot());
 6    chain.addLast(new LogSlot());
 7    chain.addLast(new StatisticSlot());
 8    chain.addLast(new SystemSlot());
 9    chain.addLast(new AuthoritySlot());
10    chain.addLast(new FlowSlot());
11    chain.addLast(new DegradeSlot());
12 
13    return chain;
14 }

 

整个处理过程从第一个slot往后一直传递到最后一个的,当到达StatisticSlot时,开始统计各项指标,统计的结果又会被后续的Slot所采用,作为各种规则校验的依据。各种指标如下:

public enum MetricEvent {
   PASS, // Normal pass.
   BLOCK, // Normal block.
   EXCEPTION, // 异常统计
   SUCCESS,
   RT, // rt统计
   OCCUPIED_PASS
}

 

StatisticSlot.entry流程

处理流程走到StatisticSlot时,首先触发后续slot.entry方法,然后统计各项指标,后续slot中数据判断来源就是这里统计的各项指标。StatisticSlot.entry 逻辑如下:

 1 @Override
 2 public void entry(Context context, ResourceWrapper resourceWrapper, DefaultNodenode, int count, Object... args) throws Throwable {
 3    try {
 4        // 触发下一个Slot的entry方法
 5        fireEntry(context, resourceWrapper, node, count, args);
 6        // 如果能通过SlotChain中后面的Slot的entry方法,说明没有被限流或降级
 7        // 统计信息
 8        node.increaseThreadNum();
 9        node.addPassRequest();
10        // 省略部分代码
11   } catch (BlockException e) {
12        context.getCurEntry().setError(e);
13        // Add block count.
14        node.increaseBlockedQps();
15        // 省略部分代码
16        throw e;
17   } catch (Throwable e) {
18        context.getCurEntry().setError(e);
19        // Should not happen
20        node.increaseExceptionQps();
21        // 省略部分代码
22        throw e;
23   }
24 }

由以上代码可知,StatisticSlot主要就做了3件事:

  1. 触发后续slot的entry方法,进行规则校验

  2. 校验通过则更新node实时指标数据

  3. 校验不通过则更新node异常指标数据

注意:由于后续的fireEntry操作和更新本次统计信息是两个操作,不是原子的,会造成限流不准的小问题,比如设置的FlowRule count为20,并发情况下可能稍大于20,不过针对大部分场景来说,这点偏差是可以容忍的,毕竟我们要的是限流效果,而不是必须精确的限流操作。

 

更新node实时指标数据

我们可以看到 node.addPassRequest() 这段代码是在fireEntry执行之后执行的,这意味着,当前请求通过了sentinel的流控等规则,此时需要将当次请求记录下来,也就是执行 node.addPassRequest() 这行代码,具体的代码如下所示:

1 // DefaultNode
2 public void addPassRequest() {
3    super.addPassRequest();
4    this.clusterNode.addPassRequest();
5 }

这里的node是一个 DefaultNode 实例,这里特别补充一个 DefaultNode 和 ClusterNode 的区别:

  • DefaultNode:保存着某个resource在某个context中的实时指标,每个DefaultNode都指向一个ClusterNode。

  • ClusterNode:保存着某个resource在所有的context中实时指标的总和,同样的resource会共享同一个ClusterNode,不管他在哪个context中。

 

上面代码不管是 DefaultNode 还是 ClusterNode ,走的都是StatisticNode 对象的 addPassRequest 方法:

1 private transient volatile Metric rollingCounterInSecond = new ArrayMetric(2, 1000);
2 private transient Metric rollingCounterInMinute = new ArrayMetric(60, 60 * 1000);
3 
4 public void addPassRequest(int count) {
5    rollingCounterInSecond.addPass(count); // 对每秒指标统计
6    rollingCounterInMinute.addPass(count); // 每分钟指标统计
7 }

 

每一个通过的指标(pass)都是调用Metric 的接口进行操作的,并且是通过 ArrayMetric 这种实现类,代码如下:

public ArrayMetric(int windowLength, int interval) {
   this.data = new WindowLeapArray(windowLength, interval);
}

public void addPass(int count) {
   // 获取当前时间窗口
   WindowWrap<MetricBucket> wrap = data.currentWindow();
   wrap.value().addPass(count);
}

 

首先通过 currentWindow() 获取当前时间窗口,然后更新当前时间窗口对应的统计指标,以下代码重点关注几个判断逻辑:

 1 // LeapArray
 2 public WindowWrap<T> currentWindow() {
 3    return currentWindow(TimeUtil.currentTimeMillis());
 4 }
 5 // TimeUtil
 6 public static long currentTimeMillis() {
 7    // currentTimeMillis是由一个tick线程每个1ms更新一次,具体逻辑在TimeUtil类中
 8    return currentTimeMillis;
 9 }
10 // LeapArray
11 public WindowWrap<T> currentWindow(long timeMillis) {
12    // 计算当前时间点落在滑动窗口的下标
13    int idx = calculateTimeIdx(timeMillis);
14    // Calculate current bucket start time.
15    long windowStart = calculateWindowStart(timeMillis);
16 
17    // 获取当前时间点对应的windowWrap,array为AtomicReferenceArray
18    while (true) {
19        WindowWrap<T> old = array.get(idx);
20        if (old == null) {
21            // 1.为空表示当前时间窗口为初始化过,创建WindowWrap并cas设置到array中
22            WindowWrap<T> window = new WindowWrap<T>(windowLengthInMs,windowStart, newEmptyBucket());
23            if (array.compareAndSet(idx, null, window)) {
24                return window;
25           } else {
26                Thread.yield();
27           }
28       } else if (windowStart == old.windowStart()) {
29            // 2.获取的时间窗口正好对应当前时间,直接返回
30            return old;
31       } else if (windowStart > old.windowStart()) {
32            // 3.获取的时间窗口为老的,进行reset操作复用
33            if (updateLock.tryLock()) {
34                try {
35                    return resetWindowTo(old, windowStart);
36               } finally {
37                    updateLock.unlock();
38               }
39           } else {
40                Thread.yield();
41           }
42       } else if (windowStart < old.windowStart()) {
43            // 4.时间回拨了,正常情况下不会走到这里
44            return new WindowWrap<T>(windowLengthInMs, windowStart,newEmptyBucket());
45       }
46   }
47 }

 

获取当前时间窗口对应的WindowWrap之后,就可以进行更新操作了。

// wrap.value().addPass(count);
public void addPass(int n) {
   add(MetricEvent.PASS, n);
}
// MetricBucket
public MetricBucket add(MetricEvent event, long n) {
   // 对应MetricEvent枚举中值
   counters[event.ordinal()].add(n);
   return this;
}

到这里为止,整个指标统计流程就完成了,下面重点看下滑动窗口机制。

 

滑动窗口机制

时间窗口是用WindowWrap对象表示的,其属性如下:

private final long windowLengthInMs;  // 时间窗口的长度
private long windowStart; // 时间窗口开始时间
private T value; // MetricBucket对象,保存各个指标数据

 

sentinel时间基准由tick线程来做,每1ms更新一次时间基准,逻辑如下:

currentTimeMillis = System.currentTimeMillis();
Thread daemon = new Thread(new Runnable() {
   @Override
   public void run() {
       while (true) {
           currentTimeMillis = System.currentTimeMillis();
           try {
               TimeUnit.MILLISECONDS.sleep(1);
          } catch (Throwable e) {
          }
      }
  }
});
daemon.setDaemon(true);
daemon.setName("sentinel-time-tick-thread");
daemon.start();

 

sentinel默认有每秒和每分钟的滑动窗口,对应的LeapArray类型,它们的初始化逻辑是:

protected int windowLengthInMs; // 单个滑动窗口时间值
protected int sampleCount; // 滑动窗口个数
protected int intervalInMs; // 周期值(相当于所有滑动窗口时间值之和)

public LeapArray(int sampleCount, int intervalInMs) {
   this.windowLengthInMs = intervalInMs / sampleCount;
   this.intervalInMs = intervalInMs;
   this.sampleCount = sampleCount;

   this.array = new AtomicReferenceArray<WindowWrap<T>>(sampleCount);
}

针对每秒滑动窗口,windowLengthInMs=500,sampleCount=2,intervalInMs=1000,针对每分钟滑动窗口,windowLengthInMs=1000,sampleCount=60,intervalInMs=60000,对应代码:

private transient volatile Metric rollingCounterInSecond = new ArrayMetric(2, 1000);
private transient Metric rollingCounterInMinute = new ArrayMetric(60, 60 * 1000);

currentTimeMillis时间基准(tick线程)每1ms更新一次,通过currentWindow(timeMillis)方法获取当前时间点对应的WindowWrap对象,然后更新对应的各种指标,用于做限流、降级时使用。注意,当前时间基准对应的事件窗口初始化时lazy模式,并且会复用的。

 

Sentinel 底层采用高性能的滑动窗口数据结构 LeapArray 来统计实时的秒级指标数据,可以很好地支撑写多于读的高并发场景。最后以一张图结束吧:

 

 

 往期精选 

觉得文章不错,对你有所启发和帮助,希望能转发给更多的小伙伴。如果有问题,请关注下面公众号,发送问题给我,多谢。
欢迎小伙伴 关注【TopCoder】阅读更多精彩好文。