SpringCloud Alibaba Sentinel 与 SpringCloud Gateway 的限流有什么差别？(三种限流算法原理分析)
目录
一、Sentinel 与 Gateway 的限流有什么差别？
1.1、前置知识 - 四种常见的限流算法
1.1.1、Tips
1.1.2、计数器算法
1）固定窗口计数器算法
2）滑动窗口计数器算法
1.1.3、令牌桶算法
1.1.4、漏桶算法
1.2、解决问题
一、Sentinel 与 Gateway 的限流有什么差别？
1.1、前置知识 - 四种常见的限流算法
1.1.1、Tips
限流，就是指对服务器请求量做限制，避免因为突发的请求量过多，导致服务器宕机.
比如，我们的服务器只能抗住每秒 1000 的请求量，但此时突然有 10000 的请求量来了，那么就需要把你这么大的请求量拦下来，按照服务能够承载的流量去放行，起到一个流控的效果.
如何实现呢，就来看看这主流的三种限流算法~
1.1.2、计数器算法
计数器算法又包括两种算法，如下：
1）固定窗口计数器算法
a）首先，他会将时间划分成多个窗口（时间窗口也被称为 interval），然后呢每一个窗口都会维护一个计数器，一旦有一个请求在这个窗口出现，计数器就会加一.
b）随着这一时刻突然增多，那么这个计数器就会越来越大，所以限流就是在设置这个计数器的阈值，数量超过阈值的请求就会被丢弃.
例如，窗口大小是 1000ms，阈值是3. 那么如果这 1000 ms 内的请求来了 4 个，那么超过阈值的那一个请求就会被丢弃.
这种算法会有一点缺陷：
例如，窗口大小是 1000ms，阈值是3. 我在 4000ms ~ 4500ms 之间一个请求都没有，然后在 4500ms ~ 5000ms 之间来了三个请求，你看，这是没问题的吧...
接着在 5000ms ~ 5500ms 之间又来了三个请求，并且 5500ms ~ 6000ms 之间也没有请求来，那么这一看，我这个窗口里也没超过呀.
但是！仔细思考一下，4500ms ~ 5500ms 之间不也是 1s 么，等于说你这 1s 放行了 6 个请求，如果你系统的最大 qps 是 3（每秒最多处理 3 个），岂不是就搞崩了.
如下图：
那么为了解决上述问题，就有了滑动窗口计数器算法~
2）滑动窗口计数器算法
a）滑动窗口计数算法中，不光有窗口，还会把窗口划分成更小的时区，例如窗口大小是 1000ms，分区比如是 2，那么就会把 1s 按照两个区间来划分，每个小的区间大小就是 500ms，这个区间就是用来统计请求个数的
b）真正的窗口呢，我们还是按照 1s 来统计（qps 的意义就是每秒请求量）.
c）窗口也是会移动的，移动的方式由当前时间来决定窗口的范围，就是用当前请求到达的时间 减 时间窗口（interval）之后的第一个时区算起.
例如，时间窗口大小是 1000ms，分区是 500ms，qps 是 3. 假设有三个请求，分别是 900ms、 1250ms、1300 ms，此时计算窗口大小就是 1300ms ~ 1300ms - 1000ms 的下一个时区，也就是 500 ~ 1500ms，一共有三个请求. 如果400ms 又来了一个请求，是不是按照滑动窗口的计算方式就超出了，因此就会抛弃掉.
但是如果按照固定窗口大小计算，就有可能正好在 500 ~ 1500ms 这个区间也是一秒，因此就会放行通过，那这就相当于多放行了一个请求！
那么滑动窗口就一定没问题么？
不一定哦，假设 1600ms 这个时候又来了一个请求，就要出问题了！乍一看，窗口区间是 1600ms ~ 1600ms - 1000ms 的下一个时区，也就是 1600ms ~ 1000ms，只放行了三个请求.
但是仔细看一下，1600ms 和 900ms 的这个请求之间差多少秒？是不是 700ms，也就是说，这700ms 的时间，连续放行了 4 个请求！
因此，滑动窗口知识解决了固定窗口的小问题，而如果几个请求之在窗口之间挨的很近，依然会出问题. 这个时候，你就可以把这个时区再继续分的更细一点，就能解决了. 例如 时区大小是 250ms，那么窗口区间就是 1600ms ~ 750ms，而此时一看窗口里面有 4 个请求，就会把最后来的请求给抛弃了~
如下图：
1.1.3、令牌桶算法
a）令牌桶算法就说，有一个桶，这个桶里会以固定的速率去生成令牌（这个速率实际上就是 qps）.
b）当这个桶满了以后，就会把多余的令牌丢弃.
c）每一个请求来的时候都会去申请一个令牌，如果桶中没有令牌，请求就会被丢弃.
例如，qps 是5，也就是生成 令牌的速率是每秒 5 个，而此时桶中有 5 个令牌，但是忽然有 6 个请求同时到来，那么多出来的请求就会被丢掉.
令牌桶算法的缺陷：
思考这样一个问题，假设桶的容量是 5，每秒生成 5 个令牌，但非常神奇的是，第一秒的时候一个请求都没有来，而第二秒突然来了 10 个请求，那么首先会先去桶里把存的 5 个令牌拿走，这 5 个请求瞬间就过去了，而第二秒的时候又要生成 5 个令牌，剩下的 5 个令牌是不是也能过去.
这就超过阈值了...
他的缺陷同时也是一个好处：
如果我们设置令牌的速度不是我们服务器的上限，而是一个平均值，偶尔超出也不会把服务压垮，那么令牌桶就可以很好的处理突发的请求情况（请求带有波动性的）.
例如服务器的最大并发能力是 6，我设置 qps 为 3（令牌生成速度），如果说第一秒没有请求来，那么第二秒的时候来了 6 个请求，此时就可以桶里有 6 个令牌，就都能都放行处理了，不会造成请求的丢失.
令牌桶的真正底层实现：
虽然我们讲他是利用一个桶，每秒钟生成多少令牌，但是代码真正的实现可不是这样，因为你还要弄个定时器去生成，很麻烦.
令牌桶的代码实现思路是这样的：
- 这个桶的话实际上里面并不会生成令牌，而是记录上一个请求来的时间，另外还记录了当前还有几个令牌了.
- 只要记录了这两样东西，那么当请求来了以后，我只需要计算这个请求和上一个请求之间的时间差，如果时间差在小于令牌在这段时间生成的数量，就可以放行通过
例如我每秒生成 5 个令牌，那么假设来了两个请求，我就可以计算以下他两的时间差，比如说是 0.2 秒，那么当前的令牌个数就可以认为是 0.2 * 5 = 1，因此此时只有一个令牌，只能处理一个请求，处理不了这第二个.
1.1.4、漏桶算法
a）漏桶算法呢也有一个桶，只不过不是用来存令牌的，而是用来存请求的.
b）当请求来了，就会把它当成一滴水放到桶里面去，然后漏桶就会以固定的速率向漏出请求.
c）如果桶满了，多余的请求就会被丢弃.
这就像是有一个桶，但是桶下面开了一个小口，当你往桶里倒水的时候，水就会以固定的速率从这个固定大小的小口流出.
漏桶算法的优势：
- 应对突发的请求：假如漏桶的处理速度是每 3s 一个请求，但是如果突发来了 10 个请求，没关系，我在桶里先存起来，后面慢慢处理就可以.
- 流量永远是平滑的：不管你每秒是来了 10 个还是 100 个请求，只要我桶够大，那么放出去的速度永远都是固定的，也就是说他处理请求的速度一直是一条直线.
- 对比令牌桶：对于令牌桶来说，如果请求忽高忽低，这个时候令牌桶就没办法保证平滑，他有可能会出现忽高忽低的情况，因为前一秒令牌没有用完可以累计，在下一秒就有可能出现一次性被消耗完的情况.
漏桶算法的实现原理：
a）漏桶算法的请求实际上就是遵循先进先出，那么用的容器肯定就是队列.
b）当请求来的时候，这些请求就会按照时间间隔依次执行.
c）并且会有一个预期等待时间，实际上就是桶的大小. 当新的请求到来时，就会将桶中所有请求的等待时间加起来，然后再加上新的请求，如果大于预期等待时间，这个新的请求就会被抛弃.
例如，桶的预期等待时间是 2000ms（桶的大小），qps 是 5（每秒通过 5 个请求），也就相当于 200ms 处理一个请求.
突然某一时刻同时来了很多请求，那么第一个请求进来时，可以立即被执行，因此等待时间就是 0ms，第二请求就需要排队了，就是 200ms 的时候会被执行，往后以此类推. 当队列中所有请求的等待时间加起来等于 2000ms 的时候（预期等待时间），此时再来的请求就会被拒绝.
1.2、解决问题
明白上述的四种算法，回答这个问题就游刃有余了~
这个时候你就可以说，那么首先呢常见的有 3 种限流算法，分别是 计数器算法、令牌桶算法、漏桶算法. Gateway 采用的是基于 Redis 实现的令牌桶算法（key value 就是一个桶）.
而 Sentinel 内部实现的比较复杂：
- 默认限流模式是基于滑动时间窗口算法
- 排队等待的限流模式则基于漏桶算法：因为漏桶算法本身就是一种排队嘛，请求来了，如果前面还有请求没被执行，就排队，并且按照固定的频率去执行.
- 而热点参数限流则是基于令牌桶算法：热点参数的特点就是针对每个一个参数单独去统计，那么你可以看作是一个接口，比如查询商品，将来商品的参数可能就是成千上万，如果采用滑动窗口的方式，那就需要进行时间分区，并每个分区种都有一个计数器来统计，那么对内存的消耗是非常大的. 如果使用令牌桶，就只需要记住这个参数对应的令牌即可（上一个请求来的时间）.
