一文带你通过Sentinel源码，读懂微服务限流底层原理！
前言
限流是保障服务高可用的方式之一，尤其是在微服务架构中，对接口或资源进行限流可以有效地保障服务的可用性和稳定性。
之前的项目中使用的限流措施主要是Guava的RateLimiter。RateLimiter是基于令牌桶流控算法，使用非常简单，但是功能相对比较少。
而现在，我们有了一种新的选择，阿里提供的 Sentinel。
Sentinel 是阿里巴巴提供的一种限流、熔断中间件，与RateLimiter相比，Sentinel提供了丰富的限流、熔断功能。它支持控制台配置限流、熔断规则，支持集群限流，并可以将相应服务调用情况可视化。
目前已经有很多项目接入了Sentinel，而本文主要是对Sentinel的限流功能做一次详细的分析，至于Sentinel的其他能力，则不作深究。
一、总体流程
先来了解一下总体流程：
上面的图是官网的图，从设计模式上来看，典型的的责任链模式。外部请求进来后，要经过责任链上各个节点的处理，而Sentinel的限流、熔断就是通过责任链上的这些节点实现的。
微服务学习笔记共享地址：Spring核心170多页学习笔记
从限流算法来看，Sentinel使用滑动窗口算法来进行限流。要想深入了解原理，还是得从源码上入手，下面，直接进入Sentinel的源码阅读。
二、源码阅读
1. 源码阅读入口及总体流程
读源码先得找到源码入口。我们经常使用@SentinelResource来标记一个方法，可以将这个被@SentinelResource标记的方法看成是一个Sentinel资源。因此，我们以找到其切面，看看切面拦截后所做的工作，就可以明确Sentinel的工作原理了。直接看注解@SentinelResource的切面代码（SentinelResourceAspect）。
可以清晰的看到Sentinel的行为方式。进入SentinelResource切面后，会执行SphU.entry方法，在这个方法中会对被拦截方法做限流和熔断的逻辑处理。
如果触发熔断和限流，会抛出BlockException，我们可以指定blockHandler方法来处理BlockException。而对于业务上的异常，我们也可以配置fallback方法来处理被拦截方法调用产生的异常。
所以，Sentinel熔断限流的处理主要是在SphU.entry方法中，其主要处理逻辑见下图源码。
可见，在SphU.entry方法中，Sentinel实现限流、熔断等功能的流程可以总结如下：
- 获取Sentinel上下文（Context）；
- 获取资源对应的责任链；
- 生成资源调用凭证（Entry）；
- 执行责任链中各个节点。
接下来，围绕这几个方面，对Sentinel的服务机制做一个系统的阐述。
2. 获取Sentinel上下文（Context）
Context，顾名思义，就是Sentinel熔断限流执行的上下文，包含资源调用的节点和Entry信息。
来看看Context的特征：
Context是线程持有的，利用ThreadLocal与当前线程绑定。
Context包含的内容
这里就引出了Sentinel的三个比较重要的概念：Conetxt，Node，Entry。这三个类是Sentinel的核心类，提供了资源调用路径、资源调用统计等信息。
Context
Context是当前线程所持有的Sentinel上下文。
进入Sentinel的逻辑时，会首先获取当前线程的Context，如果没有则新建。当任务执行完毕后，会清除当前线程的context。Context 代表调用链路上下文，贯穿一次调用链路中的所有 Entry。
Context 维持着入口节点（entranceNode）、本次调用链路的 当前节点（curNode）、调用来源（origin）等信息。Context 名称即为调用链路入口名称。
Node
Node是对一个@SentinelResource标记的资源的统计包装。
Context中记录本当前线程资源调用的入口节点。
我们可以通过入口节点的childList，可以追溯资源的调用情况。而每个节点都对应一个@SentinelResource标记的资源及其统计数据，例如：passQps，blockQps，rt等数据。
Entry
Entry是Sentinel中用来表示是否通过限流的一个凭证，如果能正常返回，则说明你可以访问被Sentinel保护的后方服务，否则Sentinel会抛出一个BlockException。
另外，它保存了本次执行entry()方法的一些基本信息，包括资源的Context、Node、对应的责任链等信息，后续完成资源调用后，还需要更具获得的这个Entry去执行一些善后操作，包括退出Entry对应的责任链，完成节点的一些统计信息更新，清除当前线程的Context信息等。
3. 获取@SentinelResource标记资源对应的责任链
资源对应的责任链是限流逻辑具体执行的地方，采用的是典型的责任链模式。
先来看看默认的的责任链的组成：
默认的责任链中的处理节点包括NodeSelectorSlot、ClusterBuilderSlot、StatisticSlot、FlowSlot、DegradeSlot等。调用链（ProcessorSlotChain）和其中包含的所有Slot都实现了ProcessorSlot接口，采用责任链的模式执行各个节点的处理逻辑，并调用下一个节点。
每个节点都有自己的作用，后面将会看到这些节点具体是干什么的。
此外，相同资源（@SentinelResource标记的方法）对应的责任链是一致的。也就是说，每个资源对应一条单独的责任链，可以看下源码中资源责任链的获取逻辑：先从缓存获取，没有则新建。
4. 生成调用凭证Entry
生成的Entry是CtEntry。其构造参数包括资源包装（ResourceWrapper）、资源对应的责任链以及当前线程的Context。
可以看到，新建CtEntry记录了当前资源的责任链和Context，同时更新Context，将Context的当前Entry设置为自己。可以看到，CtEntry是一个双向链表，构建了Sentinel资源的调用链路。
5. 责任链的执行
接下来就进入了责任链的执行。责任链和其中的Slot都实现了ProcessorSlot，责任链的entry方法会依次执行责任链各个slot，所以下面就进入了责任链中的各个Slot。为了突出重点，这次本文只研究与限流功能有关的Slot。
5.1 NodeSelectorSlot -- 获取当前资源对应Node，构建节点调用树
此节点负责获取或者构建当前资源对应的Node，这个Node被用于后续资源调用的统计及限流和熔断条件的判断。同时，NodeSelectorSlot还会完成调用链路构建。来看源码：
熟悉的代码风格。我们知道一个资源对应一个责任链。每个调用链中都有NodeSelectorSlot。NodeSelectSlot中的node缓存map是非静态变量，所以map只对当前这个资源共用，不同的资源对应的NodeSelectSlot及Node的缓存都是不一样的，资源和Node缓存map的关系可见下图。
所以NodeSelectorSlot的的作用是：
- 在资源对应的调用链执行时，获取当前context对应的Node，这个Node代表着这个资源的调用情况。
- 将获取到的node设为当前node，添加到之前的node后面，形成树状的调用路径。（通过Context中的当前Entry进行）
- 触发下一个Slot的执行。
这里有个很有趣的问题，就是我们在责任链的NodeSelectorSlot中获取资源对应的Node时，为什么用的是Context的name，而不是SentinelResource的name呢？
首先，我们知道一个资源对应一条责任链。但是进入一个资源调用的Context却可能是不同的。如果使用资源名来作为key，获取对应的Node，那么通过不同context进来的调用方法获取到的Node就都是同一个了。所以通过这种方式，可以将相同resource对应的node按Context区分开。
举个例子，Sentinel功能的实现不仅仅可以通过@SentinelResource注解方法来实现，也可以通过引入相关依赖（sentinel-dubbo-adapter），利用Dubbo的Filter机制直接对DUBBO接口进行保护。我们来比较@SentinelResource和Dubbo方式生成Context的区别：
@SentinelResource
生成的context的name是：sentinel_default_context。所有资源对应的Context都是这个值。
Dubbo Filter方式
生成的context的name是Dubbo的接口限定名或者方法限定名。
如果出现嵌套在Dubbo Filter方式下面的其他SentinelResource的资源调用，那么这些资源调用的就会就会出现不同的Context。
所以有这样一种情况，不同的dubbo接口进来，这些dubbo接口都调用了同一个@SentinelResource标记的方法，那么这个方法对应的SentinelReource的在执行时对应的Context就是不同的。
另一个问题是，既然资源按Context分出了不同的node，那我们想看资源总数统计是怎么办呢？这就涉及到ClusterNode了。详细可见ClusterBuilderSlot。
5.2 ClusterBuilderSlot -- 聚合相同资源不同Context的Node
此节点负责聚合相同资源不同Context对应的Node，以供后续限流判断使用。
可以看到，ClusterNode的获取是以资源名为key。ClusterNode将会成为当前node的一个属性，主要目的是为了聚合同一个资源不同Context情况下的多个node。默认的限流条件判断就是依据ClusterNode中的统计信息来进行的。
5.3 StatisticSlot -- 资源调用统计
此节点主要负责资源调用的统计信息的计算和更新。与前面以及后面的slot不同，StatisticSlot的执行时先触发下一个slot的执行，等下面的slot执行完才会执行自己的逻辑。
这也很好理解，作为统计组件，总要等熔断或者限流处理完之后才能做统计吧。下面看一下具体的统计过程。
上面这张图已经很清晰的描述了StatisticSlot的数据统计的过程。可以注意一下无异常和阻塞异常的情况，主要是更新线程数、通过请求数量和阻塞请求数量。不管是DefaultNode，还是ClusterNode，都继承自StatisticNode。所以Node的数据更新要来到StatisticNode。
参考Sentinel数据统计框图，描述了Node统计数据更新的大体流程如下：
我们从
StatisticNode.addPassRequest()方法入手，以passQps为例，探究StatisticNode是如何更新通过请求的QPS计数的。
从源码可见，计数变量rollingCounterInSecond和rollingCounterInMinute都是Metric，两个变量的时间维度分别是秒和分钟。rollingCounterInSecond和rollingCounterInMinute用的是Metric的实现类ArrayMetric。
从ArrayMetric追溯下去：
统计信息都是保存到ArrayMetric的data，也就是LeapArray
LeapArray是时间窗口数组。基本信息包括：时间窗口长度（ms，windowLengthInMs），取样数（也就是时间窗口的数量，sampleCount），时间间隔（ms，intervalInMs），以及时间窗口数组（array）。时间窗口长度、取样数及时间间隔有下面的关系：
windowLengthInMs = intervalInMs / sampleCount
代码中rollingCounterInSecond使用的intervalInMs 是1000（ms），也就是1s，sampleCount=2。所以，窗口时长就是windowLengthInMs = 500ms。rollingCounterInMinute使用的intervalInMs 是60 * 1000（ms），也就是60s。sampleCount=60，所以，windowLengthInMs = 1000ms，也就是1s。
时间窗口数组（array）是类型是AtomicReferenceArray，可见这是一个原子操作的的数组引用。数组元素类型是WindowWrap
回到
StatisticNode.addPassRequest方法，
以
rollingCounterInSecond.addPass(count)为例，探究Sentinel如何进行滑动窗口计数的。
5.3.1 获取当前时间窗口
（1）取当前时间戳对应的数组下标
long timeId = time / windowLength
int idx = (int)(timeId % array.length());
time为当前时间，windowLength为时间窗口长度，rollingCounterInSecond的时间窗口长度是500ms。array 是单位时间内时间窗口的数量，rollingCounterInSecond的单位时间（1s）时间窗口数是2。timeId是当前时间对时间窗口的整除。time每增加一个windowLength的长度，timeId就会增加1，时间窗口就会往前滑动一个。
（2）计算窗口开始时间
窗口开始时间 = 当前时间（ms）-当前时间（ms）%时间窗口长度（ms）
获取的窗口开始时间均为时间窗口的整数倍。
（3）获取时间窗口
首先，根据数组下标从LeapArray的数组中获取时间窗口。
- 如果获取到的时间窗口自为空，则新建时间窗口（CAS）。
- 如果获取到的时间窗口非空，且时间窗口的开始时间等于我们计算的开始时间，说明当前时间正好在这个时间窗口里，直接返回该时间窗口。
- 如果获取到的时间窗口非空，且时间窗口的开始时间小于我们计算的开始时间，说明时间窗口已经过期（距离上次获取时间窗口已经过去比较久的场景），需要更新时间窗口（加锁操作），将时间窗口的开始时间设为计算出来的开始时间，将时间窗口里的计数器重置为0。
- 如果获取到的时间窗口非空，且时间窗口的开始时间大于我们计算的开始时间，创建新的时间窗口。这个一般不会走进这个分支，因为说明当前时间已经落后于时间窗口了，获取到的时间窗口是将来的时间，那就没有意义了。
5.3.2 对时间窗口的计数器进行累加
时间窗口计数器是一个LongAdder数组，这个数组用于存放通过请求数、异常请求数、阻塞请求数等数据。如下图：
其中，通过计数、阻塞计数、异常计数为执行StatisticSlot的entry方法时更新。成功计数及响应时间是执行StatisticSlot的exit方法时更新。其实就是分别在被拦截方法执行前和执行后进行相应计数的更新。当然，addPass就是在计数数组的第一个元素上进行累加。
计数数组元素类型是LongAdder。LongAdder是JDK8添加到JUC中的。它是一个线程安全的、比Atomic*系工具性能更好的"计数器"。
5.4 FlowSlot -- 限流判断
FlowSlot是进行限流条件判断的节点。之前在StatisticSlot对相关资源调用做的统计，在FlowSlot限流判断时将会得到使用。
直接来到限流操作的核心逻辑–限流规则检查器（FlowRuleChecker）：
主要的流程包括：
- 获取资源对应的限流规则
- 根据限流规则检查是否被限流
如果被限流，则抛出限流异常FlowException。FlowException继承自BlockException。
那么FlowSlot检查是否限流的过程是怎么样的？
默认情况下，限流使用的节点是当前节点的cluster node。主要分析的限流方式是QPS限流。来看一下限流的关键代码（DefaultController）：
- 获取节点的当前qps计数；
- 判断获取新的计数后是否超过阈值
- 超过阈值单返回false，表示被限流，后面会抛出FlowException。否则返回true，不被限流。
可以看到限流判断非常简单，只需要对qps计数进行检查就可以了。这归功于StatisticSlot做的数据统计。
5.5 责任链小结
通过上面的讲解，再来看下面这张图，是不是很清晰了？
( 引用于Sentinel官网)
NodeSelectorSlot用于获取资源对应的Node，并构建Node调用树，将SentinelSource的调用链路以Node Tree的形式组起来。ClusterBuilderSlot为当前Node创建对应的ClusterNode，聚合相同资源对应的不同Context的Node，后续的限流依据就是这个ClusterNode。
ClusterNode继承自StatisticNode，记录着相应资源处理的一些统计数据。StatisticSlot用于更新资源调用的相关计数，用于后续的限流判断使用。FlowSlot根据资源对应Node的调用计数，判断是否进行限流。至此，Sentinel的责任链执行逻辑就完整了。
6. Sentienl 的收尾工作
无论执行成功还是失败，或者是阻塞，都会执行Entry.exit()方法，来看一下这个方法。
- 判断要退出的entry是否是当前context的当前entry；
- 如果要退出的entry不是当前context的当前entry，则不退出此entry，而是退出context的的当前entry及其所有父entry，并抛出异常；
- 如果要退出的entry是当前context的当前entry（这种是正常情况），先退出当前entry对应的责任链的所有slot。在这一步，StatisticSlot会更新node的success计数和RT计数；
- 将context的当前entry置为被退出的entry的父entry；
- 如果被退出entry的父entry为空，且context为默认context，自动退出默认context（清除ThreadLocal）。
- 清除被退出entry的context引用
7. 总结
通过阅读Sentinel的源码，可以很清晰的理解Sentinel的限流过程了，而对上面的源码阅读，总结如下：
- 三大组件Context、Entry、Node，是Sentinel的核心组件，各类信息及资源调用情况都由这三大类持有；
- 采用责任链模式完成Sentinel的信息统计、熔断、限流等操作；
- 责任链中NodeSelectSlot负责选择当前资源对应的Node，同时构建node调用树；
- 责任链中ClusterBuilderSlot负责构建当前Node对应的ClusterNode，用于聚合同一资源对应不同Context的Node；
- 责任链中的StatisticSlot用于统计当前资源的调用情况，更新Node与其对用的ClusterNode的各种统计数据；
- 责任链中的FlowSlot根据当前Node对应的ClusterNode（默认）的统计信息进行限流；
- 资源调用统计数据（例如PassQps）使用滑动时间窗口进行统计；
- 所有工作执行完毕后，执行退出流程，补充一些统计数据，清理Context。
本文源自：vivo互联网技术
