sentinel-滑动时间窗口算法探索

简介

    其实sentinel核心原理并不难理解，就是在访问被保护资源时，根据实时的统计信息和预先定义的规则，检查是否可以访问。对我自己而言，可能统计的算法是比较关心的，都知道sentinel的统计算法是滑动时间窗口算法，这个算法一这么说就不接地气了，下面谈谈我们农村的说法。

探索

    说这个算法主要要解决什么事呢？就是说在某个时间间隔要做点统计，比如说现在时间是16:06:21,320，我现在想知道16:06:21,000-16:06:21,320我的应用app通过了多少个请求，即当前的320ms通过了多少请求？哎这个简单啊，等我数数。。。，直接说说sentinel怎么搞的，想想文字说起来苍白无力，来点图片看看。

sentinel时间窗口

 

    就如图片展示的，想统计一段时间内的数据，就定义一个WindowWrap（时间窗口）来实现，在时间轴上随着时间的流逝，会有无限多连续的时间窗口，时间窗口通过MetricBucket来统计数据，都统计什么数据呢，MetricEvent定义了相关的统计数据类型，不同的统计数据类型由一个LongAdder来计数，这样在请求到来的时候先根据当前时间戳定位时间窗口，由当前的时间窗口来记录需要统计的信息，至于LeapArray是怎么回事，代码逻辑比较容易理解，但是设计意图在这里还不是特别清晰，可以看看其sampleCount这个属性，应该能有所猜测，再多的可以到下文再仔细品味下。

    咋就好像说完了呢，还不到10块钱的，再继续聊聊，上代码，不详细说为什么代码执行流程了，就看看关键的代码。

public class{
    private final LeapArray<MetricBucket> data;
    public void addPass(int count) {
       WindowWrap<MetricBucket> wrap = data.currentWindow();
       wrap.value().addPass(count);
    }
}
public abstract class LeapArray{
    public WindowWrap<T> currentWindow(long timeMillis) {
        if (timeMillis < 0) {
            return null;
        }
        //计算当前时间在数组中的位置
        int idx = calculateTimeIdx(timeMillis);
        //计算当前时间窗口的开始时间
        long windowStart = calculateWindowStart(timeMillis);
        while (true) {
            //在数组中获取时间窗口，注意这里的old是说时间窗口已经创建过了
            WindowWrap<T> old = array.get(idx);
            //如果没有就搞一个新的时间窗口
            if (old == null) {
                WindowWrap<T> window = new WindowWrap<T>(windowLengthInMs, windowStart, newEmptyBucket(timeMillis));
                if (array.compareAndSet(idx, null, window)) {
                    return window;
                } else {
                    Thread.yield();
                }
            //如果开始时间等于old的开始时间就把old返回
            } else if (windowStart == old.windowStart()) {
                return old;
            //如果大于old开始时间，就重置
            } else if (windowStart > old.windowStart()) {
                if (updateLock.tryLock()) {
                    try {
                        return resetWindowTo(old, windowStart);
                    } finally {
                        updateLock.unlock();
                    }
                } else {
                    Thread.yield();
                }
            } else if (windowStart < old.windowStart()) {
                return new WindowWrap<T>(windowLengthInMs, windowStart, newEmptyBucket(timeMillis));
            }
        }
    }
}
public class MetricBucket {
    public MetricBucket add(MetricEvent event, long n) {
        //找到对应的事件LongAdder递增
        counters[event.ordinal()].add(n);
        return this;
    }
}

    结合代码又进一步了解了sentinel的滑动时间窗口算法，一段时间（事件窗口）+统计对象，即时间在时间窗口中滑动并作数据统计。说到这里其实算法这块差不多结束了，不行我这暴脾气上来了，就说咋统计了，那统计完咋用的啊？那就再看看。

public class StatisticNode implements Node {
    public long totalPass() {
        return rollingCounterInMinute.pass();
    }
}
public class ArrayMetric implements Metric {
    public long pass() {
        data.currentWindow();
        long pass = 0;
        List<MetricBucket> list = data.values();

        for (MetricBucket window : list) {
            pass += window.pass();
        }
        return pass;
    }
}
public class MetricBucket {
    public long pass() {
        return get(MetricEvent.PASS);
    }
    public long get(MetricEvent event) {
        return counters[event.ordinal()].sum();
    }
}

    这就明白了，不就是找在固定时间间隔内所有时间窗口样本的统计数据嘛，还记得sampleCount（LeapArray）吗？好像有点内味了，再看看qps。

public class StatisticNode implements Node {
    public double passQps() {
        return rollingCounterInSecond.pass() / rollingCounterInSecond.getWindowIntervalInSec();
    }
}

    qps=所有样本请求通过数/固定时间间隔，呦，这么一看我可以把时间间隔搞得小一点比如（500ms，默认1000ms），那样本数我也不搞那么多，我让窗口长度就是500，那统计qps的时候就是1个500ms的qps，这样好像避免了统计学的误差哈，那要是。。。，剩下的自己动手吧。

总结

    有兴趣可以自己实现下滑动时间窗口算法，有了sentinel的启发，相信实现起来难度不会太大，那再多说一下啊如果去掉时间二字，就变成了滑动窗口算法，这个算法的定义百度一下都能找得到，那我们可以再思索下sentinel的滑动时间窗口算法在算法角度，到底带来了多大的好处。