作者：binbin0325
背景介绍
随着微服务的流行，服务和服务之间的稳定性变得越来越重要。在 2020 年，Sentinel 社区推出 Sentinel Go 版本，朝着云原生方向演进。Sentinel Go 是一个流量治理组件，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。
无论是流量控制还是熔断降级，实现的核心思想都是通过统计一段时间内的指标数据（请求数/错误数等），然后根据预选设定的阈值判断是否应该进行流量管控
那么如何存储并统计这一段时间内的指标数据则是核心关键，本文将揭秘 Sentienl-Go 是如何实现的毫秒级指标数据存储与统计。
固定窗口
在正式介绍之前，先简单介绍一下固定窗口的算法（也叫计数器算法）是实现流量控制比较简单的一种方式。其他常见的还有很多例如滑动时间窗口算法，漏桶算法，令牌桶算法等等。
固定窗口算法一般是通过原子操作将请求在统计周期内进行累加，然后当请求数大于阈值时进行限流。
实现代码：
var ( counter int64 //计数 intervalMs int64 = 1000 //窗口长度(1S) threshold int64 = 2 //限流阈值 startTime = time.Now().UnixMilli() //窗口开始时间 ) func main() { for i := 0; i < 10; i++ { if tryAcquire() { fmt.Println("成功请求", time.Now().Unix()) } } } func tryAcquire() bool { if time.Now().UnixMilli()-atomic.LoadInt64(&startTime) > intervalMs { atomic.StoreInt64(&startTime, time.Now().UnixMilli()) atomic.StoreInt64(&counter, 0) } return atomic.AddInt64(&counter, 1) <= threshold }
固定窗口的限流在实现上看起来比较简单容易，但是也有一些问题，最典型的就是“边界”问题。
如下图：统计周期为 1S，限流阈值是 2 的情况下，假设 4 次请求恰好“跨越”了固定的时间窗口，如红色的 1SS 时间窗口所示会有四次请求，明显不符合限流的预期。
滑动时间窗口
在滑动时间窗口算法中可以解决固定窗口算法的边界问题，在滑动窗口算法中通常有两个比较重要的概念
- 统计周期：例如想限制 5S 的请求数不能超过 100 次，那么 5S 就是统计周期
- 窗口(格子)的大小：一个周期内会有多个窗口(格子)进行指标（例如请求数）的统计，长度相等的统计周期，格子的数量越多，统计的越精确
如下所示：统计周期为 1S，每个周期内分为两个格子，每个格子的长度是 500ms。
在滑动窗口中统计周期以及窗口的大小，需要根据业务情况进行设定。
统计周期一致，窗口大小不一致：窗口越大统计精准度越低，但并发性能好，越小：统计精准度越高，并发性能随之降低；
统计周期不一致，窗口大小一致：周期越长抗流量脉冲情况越好。
统计结构
下面将详细介绍 Sentinel-Go 是如何使用滑动时间窗口高效的存储和统计指标数据的。
窗口结构
在滑动时间窗口中时间很重要。每个窗口（BocketWrap）的组成是由一个开始时间和一个抽象的统计结构：
type BucketWrap struct { // BucketStart represents start timestamp of this statistic bucket wrapper. BucketStart uint64 // Value represents the actual data structure of the metrics (e.g. MetricBucket). Value atomic.Value }
开始时间：当前格子的的起始时间
统计结构：存储指标数据，原子操作并发安全
如下图：统计周期 1S，每个窗口的长度是 200ms。
指标数据：
- pass: 表示到来的数量，即此刻通过 Sentinel-Go 规则的流量数量
- block: 表示被拦截的流量数量
- complete: 表示完成的流量数量，包含正常结束和异常结束的情况
- error: 表示错误的流量数量（熔断场景使用）
- rt：单次请求的 request time
- total：暂时无用
原子时间轮
如上：整个统计周期内有多个时间窗口，在 Sentinel-Go 中统计周期是由 slice 实现的，每个元素对应一个窗口。
在上面介绍了为了解决边界问题，滑动时间窗口统计的过程需要向右滑动。随时时间的推移，无限的向右滑动，势必会让 slice 持续的扩张，导致 slice 的容量“无限”增长。
为了解决这个问题，在 Sentinel-Go 中实现了一个时间轮的概念，通过固定 slice 长度将过期的时间窗口重置，节省空间。
如下：原子时间轮数据结构
type AtomicBucketWrapArray struct { // The base address for real data array base unsafe.Pointer // 窗口数组首元素地址 // The length of slice(array), it can not be modified. length int // 窗口数组的长度 data []*BucketWrap //窗口数组 }
- 初始化
1: 根据当前时间计算出当前时间对应的窗口的 startime，并得到当前窗口对应的位置
// 计算开始时间 func calculateStartTime(now uint64, bucketLengthInMs uint32) uint64 { return now - (now % uint64(bucketLengthInMs)) } // 窗口下标位置 idx := int((now / uint64(bucketLengthInMs)) % uint64(len))
2：初始化窗口数据结构（BucketWrap）
for i := idx; i <= len-1; i++ { ww := &BucketWrap{ BucketStart: startTime, Value: atomic.Value{}, } ww.Value.Store(generator.NewEmptyBucket()) ret.data[i] = ww startTime += uint64(bucketLengthInMs) } for i := 0; i < idx; i++ { ww := &BucketWrap{ BucketStart: startTime, Value: atomic.Value{}, } ww.Value.Store(generator.NewEmptyBucket()) ret.data[i] = ww startTime += uint64(bucketLengthInMs) }
3：将窗口数组首元素地址设置到原子时间轮
// calculate base address for real data array sliHeader := (*util.SliceHeader)(unsafe.Pointer(&ret.data)) ret.base = unsafe.Pointer((**BucketWrap)(unsafe.Pointer(sliHeader.Data)))
如果对unsafe.Pointer和slice熟悉的同学，对于这段代码不难理解。这里通过unsafe.Pointer 将底层 slice 首元素（第一个窗口）地址设置到原子时间轮中。这么做的原因主要是实现对时间轮中的元素（窗口）进行原子无锁的读取和更新。
- 窗口获取&窗口替换
如何在并发安全的情况下读取窗口和对窗口进行替换（时间轮涉及到对窗口更新操作）代码如下：
// 获取对应窗口 func (aa *AtomicBucketWrapArray) get(idx int) *BucketWrap { // aa.elementOffset(idx) return the secondary pointer of BucketWrap, which is the pointer to the aa.data[idx] // then convert to (*unsafe.Pointer) if offset, ok := aa.elementOffset(idx); ok { return (*BucketWrap)(atomic.LoadPointer((*unsafe.Pointer)(offset))) } return nil } // 替换对应窗口 func (aa *AtomicBucketWrapArray) compareAndSet(idx int, except, update *BucketWrap) bool { // aa.elementOffset(idx) return the secondary pointer of BucketWrap, which is the pointer to the aa.data[idx] // then convert to (*unsafe.Pointer) // update secondary pointer if offset, ok := aa.elementOffset(idx); ok { return atomic.CompareAndSwapPointer((*unsafe.Pointer)(offset), unsafe.Pointer(except), unsafe.Pointer(update)) } return false } // 获取对应窗口的地址 func (aa *AtomicBucketWrapArray) elementOffset(idx int) (unsafe.Pointer, bool) { if idx >= aa.length || idx < 0 { logging.Error(errors.New("array index out of bounds"), "array index out of bounds in AtomicBucketWrapArray.elementOffset()", "idx", idx, "arrayLength", aa.length) return nil, false } basePtr := aa.base return unsafe.Pointer(uintptr(basePtr) + uintptr(idx)*unsafe.Sizeof(basePtr)), true }
获取窗口：
- 在 get func 中接收根据当前时间计算出的窗口对应下标位置
- 根据下标位置在 elementOffset func 中，首先将底层的 slice 首元素地址转换成 uintptr，然后将窗口对应下标*对应的指针字节大小即可以得到对应窗口元素的地址
- 将对应窗口地址转换成时间窗口（*BucketWarp）即可
窗口更新：
和获取窗口一样，获取到对应下标位置的窗口地址，然后利用 atomic.CompareAndSwapPointer 进行 cas 更新，将新的窗口指针地址更新到底层数组中。
滑动窗口
在原子时间轮中提供了对窗口读取以及更新的操作。那么在什么时机触发更新以及如何滑动？
- 滑动
所谓滑动就是根据当前时间找到整个统计周期的所有窗口中的数据。例如在限流场景下，我们需要获取统计周期内的所有 pass 的流量，从而来判断当前流量是否应该被限流。
核心代码：
// 根据当前时间获取周期内的所有窗口 func (m *SlidingWindowMetric) getSatisfiedBuckets(now uint64) []*BucketWrap { start, end := m.getBucketStartRange(now) satisfiedBuckets := m.real.ValuesConditional(now, func(ws uint64) bool { return ws >= start && ws <= end }) return satisfiedBuckets } // 根据当前时间获取整个周期对应的窗口的开始时间和结束时间 func (m *SlidingWindowMetric) getBucketStartRange(timeMs uint64) (start, end uint64) { curBucketStartTime := calculateStartTime(timeMs, m.real.BucketLengthInMs()) end = curBucketStartTime start = end - uint64(m.intervalInMs) + uint64(m.real.BucketLengthInMs()) return } // 匹配符合条件的窗口 func (la *LeapArray) ValuesConditional(now uint64, predicate base.TimePredicate) []*BucketWrap { if now <= 0 { return make([]*BucketWrap, 0) } ret := make([]*BucketWrap, 0, la.array.length) for i := 0; i < la.array.length; i++ { ww := la.array.get(i) if ww == nil || la.isBucketDeprecated(now, ww) || !predicate(atomic.LoadUint64(&ww.BucketStart)) { continue } ret = append(ret, ww) } return ret }
如下图所示：统计周期=1000ms（跨两个格子），now=1300 时 计算出 start=500,end=1000
那么在计算周期内的 pass 数量时，会根据如下条件遍历格子，也就会找到开始时间是 500 和 1000 的两个格子，那么统计的时候 1000 的这个格子中的数据自然也会被统计到。（当前时间 1300，在 1000 的这个格子中）
satisfiedBuckets := m.real.ValuesConditional(now, func(ws uint64) bool { return ws >= start && ws <= end })
- 更新
每次流量经过时都会进行相应的指标存储，在存储时会先获取对应的窗口，然后会根据窗口的开始时间进行对比，如果过期则进行窗口重置。
如下图：根据窗口开始时间匹配发现 0 号窗口已过期。
如下图：重置窗口的开始时间和统计指标。
核心代码：
func (la *LeapArray) currentBucketOfTime(now uint64, bg BucketGenerator) (*BucketWrap, error) { // 计算当前时间对应的窗口下标 idx := la.calculateTimeIdx(now) // 计算当前时间对应的窗口的开始时间 bucketStart := calculateStartTime(now, la.bucketLengthInMs) for { // 获取旧窗口 old := la.array.get(idx) // 如果旧窗口==nil则初始化(正常不会执行这部分代码) if old == nil { newWrap := &BucketWrap{ BucketStart: bucketStart, Value: atomic.Value{}, } newWrap.Value.Store(bg.NewEmptyBucket()) if la.array.compareAndSet(idx, nil, newWrap) { return newWrap, nil } else { runtime.Gosched() } // 如果本次计算的开始时间等于旧窗口的开始时间，则认为窗口没有过期，直接返回 } else if bucketStart == atomic.LoadUint64(&old.BucketStart) { return old, nil // 如果本次计算的开始时间大于旧窗口的开始时间，则认为窗口过期尝试重置 } else if bucketStart > atomic.LoadUint64(&old.BucketStart) { if la.updateLock.TryLock() { old = bg.ResetBucketTo(old, bucketStart) la.updateLock.Unlock() return old, nil } else { runtime.Gosched() } ...... } }
总结
通过上面的介绍可以了解到在 Sentienl-Go 中实现底层指标的统计代码量并不多，本质是通过“时间轮”进行指标的数据统计和存储，在时间轮中借鉴 slice 的底层实现利用 unsafe.Pointer 和 atomic 配合对时间轮进行无锁的原子操作，极大的提升了性能。
Sentinel-GO 整体的数据结构图：
作者介绍：
张斌斌（Github账号：binbin0325，公众号：柠檬汁Code），Sentinel-Golang Committer 、ChaosBlade Committer 、 Nacos PMC 、Apache Dubbo-Go Committer。目前主要关注于混沌工程、中间件以及云原生方向。
文章参考：
《golang unsafe.Pointer 使用原则以及 uintptr 隐藏的坑》
