Sentinel基本使用与源码分析

系列文章目录和关于我

一丶什么是Sentinel

Sentinel官网

Sentinel 是面向分布式、多语言异构化服务架构的流量治理组件，主要以流量为切入点，从流量路由、流量控制、流量整形、熔断降级、系统自适应过载保护、热点流量防护等多个维度来帮助开发者保障微服务的稳定性。

流量整形：限制流出某一网络的某一连接的流量与突发，使这类报文以比较均匀的速度向外发送。流量整形通常使用缓冲区和令牌桶来完成，当报文的发送速度过快时，首先在缓冲区进行缓存，在令牌桶的控制下再均匀地发送这些被缓冲的报文

二丶主要功能

1.流量控制

任意时间到来的请求往往是随机不可控的，而系统的处理能力是有限的。我们需要根据系统的处理能力对流量进行控制

流量控制有以下几个角度:

• 资源的调用关系，例如资源的调用链路，资源和资源之间的关系；
• 运行指标，例如 QPS、线程池、系统负载等；
• 控制的效果，例如直接限流、冷启动、排队等。

2.熔断降级

当调用链路中某个资源出现不稳定，例如，表现为 timeout，异常比例升高的时候，则对这个资源的调用进行限制，并让请求快速失败，避免影响到其它的资源，最终产生雪崩的效果。

为何发生雪崩:如下图中服务D奄奄一息，其他服务对它具备依赖,对服务D发起调用的时候常常超时，RT很大，导致服务G线程都block在调用服务D的这一步中，导致服务G也奄奄一息，久而久之其他服务都处于不可服务的状态。

3.系统负载保护

当系统负载较高的时候，如果还持续让请求进入，可能会导致系统崩溃，无法响应。Sentinel 提供了对应的保护机制，让系统的入口流量和系统的负载达到一个平衡，保证系统在能力范围之内处理最多的请求。

三丶基本使用

1.sentinel依赖引入

<dependency>
    <groupId>com.alibaba.csp</groupId>
    <artifactId>sentinel-core</artifactId>
    <version>版本号</version>
</dependency>

2.初始化限流规则

 private static void initFlowQpsRule() {
        //限流规则列表
        List<FlowRule> rules = new ArrayList<FlowRule>();
        //第一个规则
        FlowRule rule1 = new FlowRule();
        //rule1针对什么资源（资源：指你要对什么限流，一般是方法名称）
        rule1.setResource(KEY);
        // 设置限流阈值为20
        rule1.setCount(20);
        //限流策略：
        // 0：线程数（那么就是20个线程并发访问的时候限流）
        //1：qps：每秒访问资源的数量，超过20进行限流
        rule1.setGrade(RuleConstant.FLOW_GRADE_QPS);
        //将受来源限制的应用程序名称
        rule1.setLimitApp("default");
        rules.add(rule1);
        FlowRuleManager.loadRules(rules);
    }

3.限流使用

Entry entry = null;
try {
    entry= SphU.entry("资源名称");
    //执行正常业务逻辑
} catch (BlockException e) {
    //执行被限流后的业务逻辑
} finally {
    if (entry != null) {
        entry.close();
    }
}

4.控制台设置限流规则

5.控制台设置降级规则

四丶基本原理

1.基本概念

• Entry

  在Sentinel中，所有的资源都对应一个资源名称以及一个 Entry。

  Entry负责记录当前调用的信息：

  • 创建时间：用于统计rt
  • 当前节点Node：当前上下文中资源的统计信息（Node是Sentinel中的一个接口，负责记录实时统计信息）。
  • 来源Node：调用来源方信息。

• Slot

  每一个 Entry 创建的时候，同时也会创建一系列功能插槽（slot chain）。这些插槽有不同的职责。

2.原理图

五丶源码学习

Sentinel不仅支持单机流控，还支持集群流控制，个人认为在流量分配均匀的情况下，单机流控完全够用了，并且集群流控需要额外的资源来进行集群服务器信息同步，感觉用处不是很大。

0.Sentinel SPI

一个框架需要考虑到扩展性，实现扩展性的一个很好的方式就是SPI（Service Provider Interface）SPI可与实现将装配的控制权移到程序之外，实现使用方和提供方的解耦。

Sentinel提供了SpiLoader方便进行SPI服务实现的加载，Sentinel中很多核心组件都依赖此类进行加载。常见使用如下

SpiLoader.of(xxx.class).loadInstanceListSorted()

0.1 of 方法创建SpiLoader实例

这种double check + synchronized实现线程安全的方式在Sentinel中非常常见。

0.2 SpiLoader对象加载服务提供者

SpiLoader会使用ClassLoader读取META-INF/services/服务提供者class全限定类名文件中的数据，并解析@Spi注解中的内容，决定是否单例，是否默认实现，以及顺序等内容，加载服务实现并返回结果。

1.FlowRuleManager 管理FlowRule

• FlowRule： 表示对资源采取何种流控手段。
• FlowRuleManager：提供FlowRule的存储，查询等功能。

FlowRuleManager内部使用map来存储管理资源和对应的流控规则(一个资源可存在多个流控规则)。

另外还提供PropertyListener来实现FlowRule变化后的回调。

2.SphU.entry 进行流控

2.1 Env 调用InitFunc#init

这里会使用Env中的static final单例CtSph对象进行流控规则，并且会进行InitFunc#init的调用

2.2 包装资源为StringResourceWrapper

ResourceWrapper是对资源的包装，存在两个实现，MethodResourceWrapper在调用SphU#entry(Method method)的时候使用到。

上面原理图中提到，Sentinel具备slot链条，在获取链条的时候，会根据ResourceWrapper从缓存map中获取，hash的规则是ResourceWrapper的名称，MethodResourceWrapper的名称是：方法定义类全限定名称:方法名称(参数类型全限定类名)。

2.3 entryWithPriority 进行流控

2.3.1 获取Context

Context保存当前调用元数据，首先会通过ContextUtil从ThreadLocal中获取，如果不存在会new一个，并且设置到ThreadLocal中，随着Entry#close方法的时候会进行资源释放。

构建Context的时候，会设置其中的Node（名称为sentinel_default_context的EntranceNode），

Node在Sentinel中用来生成树状结构，描述方法的调用

2.3.2 lookProcessChain构建Slot执行链条

slot链条式sentinel实现流量统计，和限流的核心，获取slot链条ProcessorSlot的代码如下

• 从缓存map中获取

• SPI获取SlotChainBuilder

  

  这里是一个扩展点，我们可与实现基于配置中心的chainBuilder，实现slot链条配置化

• DefaultSlotChainBuilder 构造ProcessorSlotChain

ProcessorSlotChain也是一个ProcessorSlot处理器插槽，内部使用net属性串联下一个AbstractLinkedProcessorSlot。

我们可扩展自己的ProcessorSlot，使用SPI机制轻松加入到ProcessorSlotChain中。

2.3.2 依次执行ProcessorSlot#entry

1.NodeSelectorSlot

NodeSelectorSlot 负责收集资源的路径，并将这些资源的调用路径，以树状结构存储起来，用于根据调用路径来限流降级

2.ClusterBuilderSlot

ClusterBuilderSlot会生成用于存储资源的统计信息以及调用者信息的ClusterNode，ClusterNode会负责存储该资源的 RT, QPS, thread count 等等，这些信息将用作为多维度限流，降级的依据。

3.StatisticSlot

用于记录、统计不同纬度的 runtime 指标监控信息

统计请求通过数量使用了StatisticNode#addPassRequest方法

最终都是使用ArrayMetric进行记录， ArrayMetric 内部使用OccupiableBucketLeapArray或者BucketLeapArray进行计数，具体如何记录在后续章节中分析。

4.AuthoritySlot

基于白名单黑名单逻辑的权限校验，默认情况是没有启用的。

5.SystemSlot

通过系统的状态，例如 load，cpu使用率等，来控制总的入口流量。qps使用的是滑动窗口算法进行统计，load，cpu使用率这些指标通过com.sun.management.OperatingSystemMXBean获取。

6.FlowSlot

根据预设的限流规则以及前面 slot 统计的状态，来进行流量控制。

可看到，每一个配置的FlowRule，都会调用canPassCheck检查，只要存在任何一个不满足要求，都会抛出FlowException

这里会根据FlowRule#setControlBehavior的不同选择不同的TrafficShapingController进行校验，也可以通过FlowRule#setRater直接指定的实现。

• DefaultController ：默认流量整形控制器,超过任何规则的阈值后，新的请求就会立即拒绝，拒绝方式为抛出FlowException

  

  这里代码逻辑较为简单，获取当前qps或者线程数，如果acquireCount加上当前qps大于count(阈值)那么返回false。

  另外可以看到Sentinel提供了预占能力。

  实现的难点在于怎么统计qps，统计线程数，这部分在后续章节中进行学习。

• ThrottlingController ：均速排队，严格控制请求通过的时间间隔，也即是让请求以均匀的速度通过，对应的是漏桶算法。下面是判断是否通过的代码：

  private boolean checkPassUsingCachedMs(int acquireCount, double maxCountPerStat) {
      //当前时间
      long currentTime = TimeUtil.currentTimeMillis();
      
      //statDurationMs = 1000ms 即1s（假设qps限制为20，maxCountPerStat=20）
      //1000ms * 1（请求数量）/ maxCountPerStat = 产生1个令牌所需要耗费的时间
      long costTime = Math.round(1.0d * statDurationMs * acquireCount / maxCountPerStat);
  
      // costTime + 上一个请求通过的时间 = 什么时间，此令牌可以产生
      long expectedTime = costTime + latestPassedTime.get();
  	
      //如果当前时间小于 满足令牌要求的时间（expectedTime）
      if (expectedTime <= currentTime) {
          // Contention may exist here, but it's okay.
          //设置最后通过请求的时间（latestPassedTime是AtomicLong）
          latestPassedTime.set(currentTime);
          return true;
      } else {
          // 计算等待的时间
          long waitTime = costTime + latestPassedTime.get() - TimeUtil.currentTimeMillis();
          //等待的时间超过了排队等待的阈值（默认情况下500ms）那么返回false
          if (waitTime > maxQueueingTimeMs) {
              return false;
          }
  		
          //上一次请求通过的时间，加上产生令牌需要的时间（addAndGet是自旋+cas操作）
          long oldTime = latestPassedTime.addAndGet(costTime);
          //等待时间
          waitTime = oldTime - TimeUtil.currentTimeMillis();
          //如果超过了等待阈值 那么cas减小时间，相当于回滚操作
          if (waitTime > maxQueueingTimeMs) {
              latestPassedTime.addAndGet(-costTime);
              return false;
          }
          // sleep当前线程进行等待
          if (waitTime > 0) {
              sleepMs(waitTime);
          }
          return true;
      }
  }
  

  其实这个代码也不是天衣无缝：

  这段代码也有很妙的地方：

  

• WarmUpRateLimiterController/WarmUpController: 预热/冷启动方式。当系统长期处理低水平的情况下，当流量突然增加时，直接把系统拉升到高水位可能瞬间把系统压垮。通过"冷启动"，让通过的流量缓慢增加，在一定时间内逐渐增加到阈值的上限，给系统一个预热的时间，避免冷系统被压垮。

  这部分源码设计到guava的预热算法，后续了解学习

7.DegradeSlot&DefaultCircuitBreakerSlot

二者都是熔断器插槽，并且短路原理一致，DegradeSlot在用户个资源指定DegradeRule（降级规则）的时候会根据DegradeRule构造出断路器CircuitBreaker，而DefaultCircuitBreakerSlot则是用户配置同一的短路规则，并没有给资源指定特定规则的时候，会使用默认规则生成CircuitBreaker。

DegradeRule分为三种：

• RuleConstant.DEGRADE_GRADE_RT

根据rt来进行熔断，对应ResponseTimeCircuitBreaker（响应时间断路器）

• RuleConstant.DEGRADE_GRADE_EXCEPTION_RATIO

根据异常比列进行熔断，对应ExceptionCircuitBreaker

• RuleConstant.DEGRADE_GRADE_EXCEPTION_COUNT

根据错误进行熔断，对应ExceptionCircuitBreaker

统计rt，错误次数，错误率都是基于LeapArray（滑动窗口算法）进行统计。

• 在DegradeSlot&DefaultCircuitBreakerSlot的entry方法（限流操作会调用到此方法）此方法会轮流调用CircuitBreaker#tryPass进行短路校验。

  这里都会使用AbstractCircuitBreaker#tryPass

  CircuitBreaker具备三种状态：

  • Open，断路器打开，此时会判断是否大于接口恢复时间，如果大于那么修改为半开，让一个请求先试试水，如果成功那么从半开修改为开。
  • Close：断路器关闭了，此时所有请求都可以通过。并且根据指标（rt，错误率，错误次数）来决定是否将断路器修改为开
  • Half open，半开状态，此时除了试水的线程可以通过，其他线程都会抛出DegradeException，试水线程会根据是否调用异常，来决定修改为开还是关

  

  可以看出断路器最重要的是维护这三种状态，并且状态的切换需要保证线程安全

  

  如果断路器处于Open，首先会通过retryTimeoutArrived方法判断当前时间是否大于恢复时间点，如果不是，说明短路了返回false，DegradeSlot会抛出DegradeException，阻止调用。如果大于恢复时间点，会调用fromOpenToHalfOpen 尝试cas open->half_open,并且注册回调，此回调会在 entry.close()的时候被触发。

  

• 在DegradeSlot&DefaultCircuitBreakerSlot的exit方法中，会触发circuitBreaker#onRequestComplete（如果执行顺利没有出现BlockException异常的话）

  这里会根据DegradeRule调用不同的CircuitBreaker

  • ExceptionCircuitBreaker

  • 从Entry当中拿到执行的错误，如果具备错误，那么更新滑动窗口中的错误数

    private void handleStateChangeWhenThresholdExceeded(Throwable error) {
        //当前是开，那么什么也不做，降级slot在开的状态会判断当前时间和恢复时间，实现降级效果，so，这里不需要做什么
        if (currentState.get() == State.OPEN) {
            return;
        }
        	
        //半开
        if (currentState.get() == State.HALF_OPEN) {
            // 半开但是执行过程中无异常，那么调整为close，说明被调用方法接口已经稳定了，可以修改为close
            if (error == null) {
                fromHalfOpenToClose();
            } else {
                //如果具备异常，那么修改为开，并且更新接口恢复时间，实现熔断
                fromHalfOpenToOpen(1.0d);
            }
            return;
        }
        
        //开状态，滑动窗口统计错误数，和总数
        List<SimpleErrorCounter> counters = stat.values();
        long errCount = 0;
        long totalCount = 0;
        //统计错误数，和总数
        for (SimpleErrorCounter counter : counters) {
            errCount += counter.errorCount.sum();
            totalCount += counter.totalCount.sum();
        }
        //小于 最小请求数（默认5）认为样本太少，直接啥也不做
        if (totalCount < minRequestAmount) {
            return;
        }
        //默认根据错误次数，curCount记录错误次数
        double curCount = errCount;
        //根据错误比例，curCount记录错误率
        if (strategy == DEGRADE_GRADE_EXCEPTION_RATIO) {
            // Use errorRatio
            curCount = errCount * 1.0d / totalCount;
        }
        //错误比例 or 错误率超过了阈值，那么调整为开，并且更新接口恢复时间，实现熔断
        if (curCount > threshold) {
            transformToOpen(curCount);
        }
    }
    

  • ResponseTimeCircuitBreaker

  和上面类似，只不过是根据rt来判断，而不是错误次数，错误率。同使用滑动窗口实现计数。

2.4 LeapArry是如何实现滑动窗口计数的

ArrayMetirc被StatisticSlot调用addPass方法

这里的data便是LeapArray的子类BucketLeapArray，或者OccupiableBucketLeapArray

2.4.1构造方法

从构造方法我们可以看出LeapArray的构成

可以看到数据的存储使用了AtomicReferenceArray，其中sampleCount = 2，intervalInMs = 1000，也就说默认只有两个窗口，时间跨度为1s。

2.4.2 获取当前时间对应的桶

这一段就是滑动窗口的精髓

public WindowWrap<T> currentWindow(long timeMillis) {
    if (timeMillis < 0) {
        return null;
    }
    //根据当前时间，计算当前时间位于窗口数组中的下标
    // 比如当前是 1600ms，窗口总大小为1000ms，一共两个格子，每一个格子大小为500ms
    //1600ms 落在（1600/500）% 2 = 1
    int idx = calculateTimeIdx(timeMillis);
    // 计算当前时间 对应的起始 => 1600 - 1600%500 = 1500
    // |0~500|500~1000|1000~1500|1500~2000| 1600位于1500~2000中所以起始为1500
    long windowStart = calculateWindowStart(timeMillis);

    while (true) {
        //获取当前时间对应的桶
        WindowWrap<T> old = array.get(idx);
        //如果桶为null
        if (old == null) {
            //创建新元素
            WindowWrap<T> window = new WindowWrap<T>(windowLengthInMs, windowStart, newEmptyBucket(timeMillis));
            //cas 设置到数组中
            if (array.compareAndSet(idx, null, window)) {
                return window;
            } else {
                //如果cas失败，说明在另外一个线程也是这个index，让当前线程yield放弃cpu
                Thread.yield();
            }
        } else if (windowStart == old.windowStart()) {
            //旧桶的start和当前桶一样：意味着是同一秒
            //比如600ms也是位于下标1，但是start 是500，就和当前1600ms的start 1500不同 意味着不是同一秒
            return old;
        } else if (windowStart > old.windowStart()) {
           //比如600ms也是位于下标1，但是start 是500，
            // 就和当前1600ms的start 1500，1500>500，意味着当前这个桶已经过期了
            //上锁
            if (updateLock.tryLock()) {
                try {
                    //设置windowStart 并且清空旧桶
                    return resetWindowTo(old, windowStart);
                } finally {
                    updateLock.unlock();
                }
            } else {
                //上锁失败，那么
                Thread.yield();
            }
        } else if (windowStart < old.windowStart()) {
            //当前start小于旧桶start
            //这种情况不应该发生，因为时间时越来越来大的
            //除非当前线程 一值分配不到时间片？
            return new WindowWrap<T>(windowLengthInMs, windowStart, newEmptyBucket(timeMillis));
        }
    }
}

这里有一个变量windowStart，就如同一个版本，标志了元素是否过期（旧元素windowStart小于当前windowStart说明旧元素过期），是否位于一个桶（windowStart相同说明位于同一个下标，比如1600，和1700，windowStart都是1500）

2.4.3 改变桶记录的值

上面看了是如何拿到当前时间对应下标的桶的，那么桶中记录的数据是如何变更的？

可以看到这里使用了LongAdder进行计数，因为一个桶可能存在多个线程并发更新，使用LongAdder实现热点数据分离，也减少缓存伪共享带来的开销。（JUC源码学习笔记4——原子类源码分析，CAS，Volatile内存屏障，缓存伪共享与UnSafe相关方法）

2.4.4 如何获取当前qps

上面我们直到了，通过的请求，根据时间对应了ArrayMetric滑动窗口数组中的一个元素，这个元素是MetricBucket类型，内部有一个LongAdder的数组，来记录pass，block（通过的请求，被拦截的请求）的数目，那么怎么根据这些数据获取当前qps昵？FlowSlot根据qps限流得使用这个数据呀！

我们看一下这里的pass方法

再看下values方法，入参就是当前时间，这个当前时间timeMills用来排除过期元素

拿通过次数自然是使用了LongAdder#sum方法，但是LongAdder#sum不具备瞬时一致性，也就说可能遍历到n位置，但是其他线程更改n-1位置，n-1的变化不会体现在sum的总和中。

这里有一段代码我觉得有点秒（个人理解，一点拙见不一定对）

就是这里统计pass会先执行data.currentWindow()，把当前时间对应的滑动窗口元素进行初始化。

比如执行data.currentWindow()当前时间点是1001ms，对应桶为null，那么这一步会初始化1001ms对应的桶元素。

后续values遍历的时间是1003ms，这时候就可以拿到1001ms初始化桶的引用返回，后续加入存在另外一个线程在1004ms进行更新，当前线程执行pass累加的时候就又更大概率统计到

为什么我说更大概率，因为如果不初始化的化，1004ms另外一个线程去初始化会new一个桶元素，这个过程是更耗时的，当前线程values遍历可能就没办法拿到1004ms这个线程初始化的桶了（有道理，但是不多doge）。

六丶总结

• 学到了啥：

  • 学习到了SPI和责任链，这两大解耦+扩展利器。学习到了自旋+CAS的操作。
    • SPI由一方制定规范，比如SpringBoot的spring.factories，另一方进行扩展，实现服务使用方和提供方的解耦合，以及修改SPI文件内容进行扩展！
    • 责任链简直无处不在，在众多框架中，平时工作也常常使用到，使用责任链，责任单一，并且通过改变链条实现扩展！
  • 对熔断有了更深刻的理解，特别Open状态根据恢复时间判断+cas修改为半开，让一个线程试试水的操作，我大受震撼！
  • 了解到Sentinel还有除了针对单个资源进行限流，还有系统负载限流的功能，这个有点厉害，我一开始还想这个该咋实现，看了SystemSlot，发现自己还是太狭隘了。

• 不足：

  • 对Sentinel的Node理解不够，文档上说Sentine支持调用链路关系进行限流，这个功能挺牛的，但是我并没有详细阅读这部分源码。

  • 对预热的实现没有深入理解，主要是Guava的预热模型，让二阳的我有点晕了，后续结合guava中的限流进行学习。