Guava 是Google 開源的 Java 類庫，提供了一個工具類 RateLimiter。我們先來看看 RateLimiter的使用，讓你對限流有個感官的印象。假設我們有一個執行緒池，它每秒只能處理兩個任務，如果提交的任務過快，可能導致系統不穩定，這個時候就需要用到限流。
在下面的示例程式碼中，我們建立了一個流速為 2 個請求 / 秒的限流器，這裡的流速該怎麼理解呢？直觀地看，2 個請求 / 秒指的是每秒最多允許 2 個請求透過限流器，其實在Guava中，流速還有更深一層的意思：是一種勻速的概念，2 個請求 / 秒等價於 1 個請求/500 毫秒。
在向執行緒池提交任務之前，呼叫 acquire() 方法就能起到限流的作用。透過示例程式碼的執行結果，任務提交到執行緒池的時間間隔基本上穩定在 500 毫秒。
/* 限流器流速：2 個請求 / 秒 2 RateLimiter limiter = */RateLimiter.create( 2.0 );/* 執行任務的執行緒池 */ExecutorService es = Executors .newFixedThreadPool( 1 );/* 記錄上一次執行時間 */prev = System.nanoTime();/* 測試執行 20 次 */for ( int i = 0; i < 20; i++ ){ /* 限流器限流 */ limiter.acquire(); /* 提交任務非同步執行 */ es.execute( () - > { long cur = System.nanoTime(); /* 列印時間間隔：毫秒 */ System.out.println( (cur - prev) / 1000_000 ); prev = cur; } );}輸出結果 ：...500499499500499經典限流演算法：令牌桶演算法
Guava 的限流器使用上還是很簡單的，那它是如何實現的呢？Guava 採用的是令牌桶演算法，其核心是要想透過限流器，必須拿到令牌。也就是說，只要我們能夠限制發放令牌的速率，那麼就能控制流速了。令牌桶演算法的詳細描述如下：
令牌以固定的速率新增到令牌桶中，假設限流的速率是 r/ 秒，則令牌每 1/r 秒會新增一個；假設令牌桶的容量是 b ，如果令牌桶已滿，則新的令牌會被丟棄；請求能夠透過限流器的前提是令牌桶中有令牌。這個演算法中，限流的速率 r 還是比較容易理解的，但令牌桶的容量 b 該怎麼理解呢？b 其實是 burst 的簡寫，意義是限流器允許的最大突發流量。比如 b=10，而且令牌桶中的令牌已滿，此時限流器允許 10 個請求同時透過限流器，當然只是突發流量而已，這 10 個請求會帶走 10 個令牌，所以後續的流量只能按照速率 r 透過限流器。
令牌桶這個演算法，如何用 Java 實現呢？很可能你的直覺會告訴你生產者 - 消費者模式：一個生產者執行緒定時向阻塞佇列中新增令牌，而試圖透過限流器的執行緒則作為消費者執行緒，只有從阻塞佇列中獲取到令牌，才允許透過限流器。
這個演算法看上去非常完美，而且實現起來非常簡單，如果併發量不大，這個實現並沒有什麼問題。可實際情況卻是使用限流的場景大部分都是高併發場景，而且系統壓力已經臨近極限了，此時這個實現就有問題了。問題就出在定時器上，在高併發場景下，當系統壓力已經臨近極限的時候，定時器的精度誤差會非常大，同時定時器本身會建立排程執行緒，也會對系統的效能產生影響。
那還有什麼好的實現方式呢？當然有，Guava 的實現就沒有使用定時器，下面我們就來看看它是如何實現的。
Guava 如何實現令牌桶演算法
Guava 實現令牌桶演算法，用了一個很簡單的辦法，其關鍵是記錄並動態計算下一令牌發放的時間。下面我們以一個最簡單的場景來介紹該演算法的執行過程。假設令牌桶的容量為b=1，限流速率 r = 1 個請求 / 秒，如下圖所示，如果當前令牌桶中沒有令牌，下一個令牌的發放時間是在第 3 秒，而在第 2 秒的時候有一個執行緒 T1 請求令牌，此時該如何處理呢？
執行緒 T1 請求令牌示意圖
對於這個請求令牌的執行緒而言，很顯然需要等待 1 秒，因為 1 秒以後（第 3 秒）它就能拿到令牌了。此時需要注意的是，下一個令牌發放的時間也要增加 1 秒，為什麼呢？因為第3 秒發放的令牌已經被執行緒 T1 預佔了。處理之後如下圖所示。
執行緒 T1 請求結束示意圖
假設 T1 在預佔了第 3 秒的令牌之後，馬上又有一個執行緒 T2 請求令牌，如下圖所示。
執行緒 T2 請求令牌示意圖
很顯然，由於下一個令牌產生的時間是第 4 秒，所以執行緒 T2 要等待兩秒的時間，才能獲取到令牌，同時由於 T2 預佔了第 4 秒的令牌，所以下一令牌產生時間還要增加 1 秒，完全處理之後，如下圖所示。
執行緒 T2 請求結束示意圖
上面執行緒 T1、T2 都是在下一令牌產生時間之前請求令牌，如果執行緒在下一令牌產生時間之後請求令牌會如何呢？假設線上程 T1 請求令牌之後的 5 秒，也就是第 7 秒，執行緒 T3 請求令牌，如下圖所示。
執行緒 T3 請求令牌示意圖
由於在第 5 秒已經產生了一個令牌，所以此時執行緒 T3 可以直接拿到令牌，而無需等待。在第 7 秒，實際上限流器能夠產生 3 個令牌，第 5、6、7 秒各產生一個令牌。由於我們假設令牌桶的容量是 1，所以第 6、7 秒產生的令牌就丟棄了，其實等價地你也可以認為是保留的第 7 秒的令牌，丟棄的第 5、6 秒的令牌，也就是說第 7 秒的令牌被執行緒 T3 佔有了，於是下一令牌的的產生時間應該是第 8 秒，如下圖所示。
執行緒 T3 請求結束示意圖
透過上面簡要地分析，你會發現，我們只需要記錄一個下一令牌產生的時間，並動態更新它，就能夠輕鬆完成限流功能。我們可以將上面的這個演算法程式碼化，示例程式碼如下所示，依然假設令牌桶的容量是 1。關鍵是reserve() 方法，這個方法會為請求令牌的執行緒預分配令牌，同時返回該執行緒能夠獲取令牌的時間。其實現邏輯就是上面提到的：如果執行緒請求令牌的時間在下一令牌產生時間之後，那麼該執行緒立刻就能夠獲取令牌；反之，如果請求時間在下一令牌產生時間之前，那麼該執行緒是在下一令牌產生的時間獲取令牌。由於此時下一令牌已經被該執行緒預佔，所以下一令牌產生的時間需要加上 1 秒。
class SimpleLimiter { /* 下一令牌產生時間 */ long next = System.nanoTime(); /* 發放令牌間隔：納秒 */ long interval = 1000_000_000; /* 預佔令牌，返回能夠獲取令牌的時間 */ synchronized long reserve( long now ) { /* * 請求時間在下一令牌產生時間之後 * 重新計算下一令牌產生時間 */ if ( now > next ) { /* 將下一令牌產生時間重置為當前時間 */ next = now; } /* 能夠獲取令牌的時間 */ long at = next; /* 設定下一令牌產生時間 */ next += interval; /* 返回執行緒需要等待的時間 */ return(Math.max( at, 0L ) ); } /* 申請令牌 */ void acquire() { /* 申請令牌時的時間 */ long now = System.nanoTime(); /* 預佔令牌 */ long at = reserve( now ); long waitTime = max( at - now, 0 ); /* 按照條件等待 */ if ( waitTime > 0 ) { try { TimeUnit.NANOSECONDS .sleep( waitTime ); }catch ( InterruptedException e ) { e.printStackTrace(); } } }}如果令牌桶的容量大於 1，又該如何處理呢？按照令牌桶演算法，令牌要首先從令牌桶中出，所以我們需要按需計算令牌桶中的數量，當有執行緒請求令牌時，先從令牌桶中出。具體的程式碼實現如下所示。我們增加了一個resync() 方法，在這個方法中，如果執行緒請求令牌的時間在下一令牌產生時間之後，會重新計算令牌桶中的令牌數，新產生的令牌的計算公式是：(now-next)/interval，你可對照上面的示意圖來理解。reserve() 方法中，則增加了先從令牌桶中出令牌的邏輯，不過需要注意的是，如果令牌是從令牌桶中出的，那麼 next 就無需增加一個 interval 了。
class SimpleLimiter { /* 當前令牌桶中的令牌數量 */ long storedPermits = 0; /* 令牌桶的容量 */ long maxPermits = 3; /* 下一令牌產生時間 */ long next = System.nanoTime(); /* 發放令牌間隔：納秒 */ long interval = 1000_000_000; /* * 請求時間在下一令牌產生時間之後, 則 * 1. 重新計算令牌桶中的令牌數 * 2. 將下一個令牌發放時間重置為當前時間 */ void resync( long now ) { if ( now > next ) { /* 新產生的令牌數 */ long newPermits = (now - next) / interval; /* 新令牌增加到令牌桶 */ storedPermits = min( maxPermits, storedPermits + newPermits ); /* 將下一個令牌發放時間重置為當前時間 */ next = now; } } /* 預佔令牌，返回能夠獲取令牌的時間 */ synchronized long reserve( long now ) { resync( now ); /* 能夠獲取令牌的時間 */ long at = next; /* 令牌桶中能提供的令牌 */ long fb = min( 1, storedPermits ); /* 令牌淨需求：首先減掉令牌桶中的令牌 */ long nr = 1 - fb; /* 重新計算下一令牌產生時間 */ next = next + nr * interval; /* 重新計算令牌桶中的令牌 */ this.storedPermits -= fb; return(at); } /* 申請令牌 */ void acquire() { /* 申請令牌時的時間 */ long now = System.nanoTime(); /* 預佔令牌 */ long at = reserve( now ); long waitTime = max( at - now, 0 ); /* 按照條件等待 */ if ( waitTime > 0 ) { try { TimeUnit.NANOSECONDS .sleep( waitTime ); }catch ( InterruptedException e ) { e.printStackTrace(); } } }}總結
經典的限流演算法有兩個，一個是令牌桶演算法（Token Bucket），另一個是漏桶演算法（Leaky Bucket）。令牌桶演算法是定時向令牌桶傳送令牌，請求能夠從令牌桶中拿到令牌，然後才能透過限流器；而漏桶演算法裡，請求就像水一樣注入漏桶，漏桶會按照一定的速率自動將水漏掉，只有漏桶裡還能注入水的時候，請求才能透過限流器。令牌桶演算法和漏桶演算法很像一個硬幣的正反面，所以你可以參考令牌桶演算法的實現來實現漏桶演算法。
上面我們介紹了 Guava 是如何實現令牌桶演算法的，我們的示例程式碼是對 GuavaRateLimiter 的簡化，Guava RateLimiter 擴充套件了標準的令牌桶演算法，比如還能支援預熱功能。對於按需載入的快取來說，預熱後快取能支援 5 萬 TPS 的併發，但是在預熱前 5 萬TPS 的併發直接就把快取擊垮了，所以如果需要給該快取限流，限流器也需要支援預熱功能，在初始階段，限制的流速 r 很小，但是動態增長的。預熱功能的實現非常複雜，Guava構建了一個積分函式來解決這個問題，如果你感興趣，可以繼續深入研究。