作為應對高并發的手段之一，限流并不是一個新鮮的話題了。從Guava的Ratelimiter到Hystrix，以及Sentinel都可作為限流的工具。

自適應限流

一般的限流常常需要指定一個固定值(qps)作為限流開關的閾值，這個值一是靠經驗判斷，二是靠通過大量的測試數據得出。但這個閾值，在流量激增、系統自動伸縮或者某某commit了一段有毒代碼后就有可能變得不那么合適了。并且一般業務方也不太能夠正確評估自己的容量，去設置一個合適的限流閾值。

而此時自適應限流就是解決這樣的問題的，限流閾值不需要手動指定，也不需要去預估系統的容量，并且閾值能夠隨著系統相關指標變化而變化。

自適應限流算法借鑒了TCP擁塞算法，根據各種指標預估限流的閾值，并且不斷調整。大致獲得的效果如下:

從圖上可以看到，首先以一個降低的初始并發值發送請求，同時通過增大限流窗口來探測系統更高的并發性。而一旦延遲增加到一定程度了，又會退回到較小的限流窗口。循環往復持續探測并發極限，從而產生類似鋸齒狀的時間關系函數。

TCP Vegas

vegas是一種主動調整cwnd的擁塞控制算法，主要是設置兩個閾值alpha 和 beta，然后通過計算目標速率和實際速率的差diff，再比較差diff與alpha和beta的關系，對cwnd進行調節。偽代碼如下： 

diff = cwnd*(1-baseRTT/RTT)  
if (diff < alpha)  
set: cwndcwnd = cwnd + 1   
else if (diff >= beta)  
set: cwndcwnd = cwnd - 1  
else  
set: cwndcwnd = cwnd 

其中baseRTT指的是測量的最小往返時間，RTT指的是當前測量的往返時間，cwnd指的是當前的TCP窗口大小。通常在tcp中alpha會被設置成2-3，beta會被設置成4-6。這樣子，cwnd就保持在了一個平衡的狀態。

netflix-concuurency-limits

concuurency-limits是netflix推出的自適應限流組件，借鑒了TCP相關擁塞控制算法，主要是根據請求延時，及其直接影響到的排隊長度來進行限流窗口的動態調整。

alpha , beta & threshold

vegas算法實現在了VegasLimit類中。先看一下初始化相關代碼: 

private int initialLimit = 20;  
        private int maxConcurrency = 1000;  
        private MetricRegistry registry = EmptyMetricRegistry.INSTANCE;  
        private double smoothing = 1.0;         
        private Function<Integer, Integer> alphaFunc = (limit) -> 3 * LOG10.apply(limit.intValue());  
        private Function<Integer, Integer> betaFunc = (limit) -> 6 * LOG10.apply(limit.intValue());  
        private Function<Integer, Integer> thresholdFunc = (limit) -> LOG10.apply(limit.intValue());  
        private Function<Double, Double> increaseFunc = (limit) -> limit + LOG10.apply(limit.intValue());  
        private Function<Double, Double> decreaseFunc = (limit) -> limit - LOG10.apply(limit.intValue()); 

這里首先定義了一個初始化值initialLimit為20，以及極大值maxConcurrency1000。其次是三個閾值函數alphaFunc，betaFunc以及thresholdFunc。最后是兩個增減函數increaseFunc和decreaseFunc。

函數都是基于當前的并發值limit做運算的。

alphaFunc可類比vegas算法中的alpha，此處的實現是3*log limit。limit值從初始20增加到極大1000時候，相應的alpha從3.9增加到了9。

betaFunc則可類比為vegas算法中的beta，此處的實現是6*log limit。limit值從初始20增加到極大1000時候，相應的alpha從7.8增加到了18。

thresholdFunc算是新增的一個函數，表示一個較為初始的閾值，小于這個值的時候limit會采取激進一些的增量算法。這里的實現是1倍的log limit。mit值從初始20增加到極大1000時候，相應的alpha從1.3增加到了3。

這三個函數值可以認為確定了動態調整函數的四個區間范圍。當變量queueSize = limit × (1 − RTTnoLoad/RTTactual)落到這四個區間的時候應用不同的調整函數。

變量queueSize

其中變量為queueSize，計算方法即為limit × (1 − RTTnoLoad/RTTactual)，為什么這么計算其實稍加領悟一下即可。

我們把系統處理請求的過程想象為一個水管，到來的請求是往這個水管灌水，當系統處理順暢的時候，請求不需要排隊，直接從水管中穿過，這個請求的RT是最短的，即RTTnoLoad；

反之，當請求堆積的時候，那么處理請求的時間則會變為：排隊時間+最短處理時間，即RTTactual = inQueueTime + RTTnoLoad。而顯然排隊的隊列長度為

總排隊時間/每個請求的處理時間及queueSize = (limit * inQueueTime) / (inQueueTime + RTTnoLoad) = limit × (1 − RTTnoLoad/RTTactual)。

再舉個栗子，因為假設當前延時即為最佳延時，那么自然是不用排隊的，即queueSize=0。而假設當前延時為最佳延時的一倍的時候，可以認為處理能力折半，100個流量進來會有一半即50個請求在排隊，及queueSize= 100 * (1 − 1/2)=50。

動態調整函數

調整函數中最重要的即增函數與減函數。從初始化的代碼中得知，增函數increaseFunc實現為limit+log limit，減函數decreaseFunc實現為limit-log limit，相對來說增減都是比較保守的。

看一下應用動態調整函數的相關代碼： 

private int updateEstimatedLimit(long rtt, int inflight, boolean didDrop) {  
        final int queueSize = (int) Math.ceil(estimatedLimit * (1 - (double)rtt_noload / rtt));  
        double newLimit;  
        // Treat any drop (i.e timeout) as needing to reduce the limit  
        // 發現錯誤直接應用減函數decreaseFunc  
        if (didDrop) {  
            newLimit = decreaseFunc.apply(estimatedLimit);  
        // Prevent upward drift if not close to the limit  
        } else if (inflight * 2 < estimatedLimit) {  
            return (int)estimatedLimit;  
        } else {  
            int alpha = alphaFunc.apply((int)estimatedLimit);  
            int beta = betaFunc.apply((int)estimatedLimit);  
            int threshold = this.thresholdFunc.apply((int)estimatedLimit);  
            // Aggressive increase when no queuing  
            if (queueSize <= threshold) {  
                newLimit = estimatedLimit + beta;  
            // Increase the limit if queue is still manageable  
            } else if (queueSize < alpha) {  
                newLimit = increaseFunc.apply(estimatedLimit);  
            // Detecting latency so decrease  
            } else if (queueSize > beta) {  
                newLimit = decreaseFunc.apply(estimatedLimit);  
            // We're within he sweet spot so nothing to do  
            } else {  
                return (int)estimatedLimit;  
            }  
        }  
        newLimit = Math.max(1, Math.min(maxLimit, newLimit));  
        newLimit = (1 - smoothing) * estimatedLimit + smoothing * newLimit;  
        if ((int)newLimit != (int)estimatedLimit && LOG.isDebugEnabled()) {  
            LOG.debug("New limit={} minRtt={} ms winRtt={} ms queueSize={}",  
                    (int)newLimit,  
                    TimeUnit.NANOSECONDS.toMicros(rtt_noload) / 1000.0,  
                    TimeUnit.NANOSECONDS.toMicros(rtt) / 1000.0,  
                    queueSize);  
        }  
        estimatedLimit = newLimit;  
        return (int)estimatedLimit;  
    } 

動態調整函數規則如下：

當變量queueSize < threshold時，選取較激進的增量函數，newLimit = limit+beta

當變量queueSize < alpha時，需要增大限流窗口，選擇增函數increaseFunc，即newLimit = limit + log limit

當變量queueSize處于alpha，beta之間時候，limit不變

 當變量queueSize大于beta時候，需要收攏限流窗口，選擇減函數decreaseFunc，即newLimit = limit - log limit

平滑遞減 smoothingDecrease

注意到可以設置變量smoothing，這里初始值為1，表示平滑遞減不起作用。如果有需要的話可以按需設置，比如設置smoothing為0.5時候，那么效果就是采用減函數decreaseFunc時候效果減半，實現方式為newLimitAfterSmoothing = 0.5 newLimit + 0.5 limit。