微服务鉴权限流剖析
微服务
- 把复杂的大应用，解耦拆分成几个小的应用。
- 有利于团队组织架构的拆分，毕竟团队越大协作的难度越大；
- 每个应用都可以独立运维，独立扩容，独立上线，各个应用之间互不影响。
- 有利就有弊：
- 大应用拆分成微服务之后，服务之间的调用关系变得更复杂，平台的整体复杂熵升高，出错的概率、debug 问题的难度都高了好几个数量级。
- 为了解决这些问题，服务治理便成了微服务的一个技术重点。
服务治理
- 简单点讲，就是管理微服务，保证平台整体正常、平稳地运行。
- 涉及的内容：鉴权、限流、降级、熔断、监控告警等等。
- 服务治理功能的实现，底层依赖大量的数据结构和算法。这里拿其中的鉴权和限流这两个功能，剖析一下实现过程中用到的数据结构和算法。
鉴权
- 有一个微服务叫用户服务（User Service）。它提供很多用户相关的接口，比如获取用户信息、注册、登录等，给公司内部的其他应用使用。
- 并不是公司内部所有应用，都可以访问这个用户服务，也并不是每个有访问权限的应用，都可以访问用户服务的所有接口。
-
需要实现接口鉴权功能
-
事先将应用对接口的访问权限规则设置好。
-
当某个应用访问其中一个接口的时候，可以拿应用的请求 URL，在规则中进行匹配。
-
如果匹配成功，就说明允许访问；
-
如果没有可以匹配的规则，说明这个应用没有这个接口的访问权限，就拒绝服务。
-
- 如何实现快速鉴权？
- 用什么数据结构来存储规则?
- 用户请求 URL 在规则中快速匹配，用什么的算法？
- 不同的规则和匹配模式，对应的数据结构和匹配算法也是不一样。
- 如何实现精确匹配规则？
- 简单规则
- 不同的应用对应不同的规则集合，可以采用散列表来存储这种对应关系。
- 每个应用对应的规则集合，该如何存储和匹配？
- 可以将每个应用对应的权限规则，存储在一个字符串数组中。
- 当用户请求到来时，拿用户的请求 URL，在这个字符串数组中逐一匹配，匹配的算法就是我们之前学过的字符串匹配算法（比如 KMP、BM、BF 等）。
- 规则不会经常变动，所以，为了加快匹配速度，可以按照字符串的大小给规则排序，把它组织成有序数组这种数据结构。
- 当要查找某个 URL 能否匹配其中某条规则的时候，可以采用二分查找算法，在有序数组中进行匹配。
- 如何实现前缀匹配规则？
- 稍微复杂的匹配模式：只要某条规则可以匹配请求 URL 的前缀，这条规则就能够跟这个请求 URL 匹配。
- Trie 树非常适合用来做前缀匹配
- 可以将每个用户的规则集合，组织成 Trie 树这种数据结构。
- Trie 树中的每个节点不是存储单个字符，而是存储接口被“/”分割之后的子目录（比如“/user/name”被分割为“user”“name”两个子目录）。
- 同样的，规则不会经常变动，所以，在 Trie 树中，可以把每个节点的子节点们，组织成有序数组这种数据结构。
- 当在匹配的过程中，可以利用二分查找算法，决定从一个节点应该跳到哪一个子节点。
- 稍微复杂的匹配模式：只要某条规则可以匹配请求 URL 的前缀，这条规则就能够跟这个请求 URL 匹配。
-
如何实现模糊匹配规则？
- 更加复杂的匹配模式：规则中包含通配符，比如“**”表示匹配任意多个子目录，“*”表示匹配任意一个子目录。只要用户请求 URL 可以跟某条规则模糊匹配，这条规则适用于这个请求。
-
可以借助正则表达式那个例子的解决思路，来解决这个问题。采用回溯算法，拿请求 URL 跟每条规则逐一进行模糊匹配。
-
回溯算法复杂度是非常高，如何优化？
-
把不包含通配符的规则和包含通配符的规则分开处理（分治思想）：
-
把不包含通配符的规则，组织成有序数组或者 Trie 树进行精确或前缀匹配（具体组织成什么结构，视具体的需求而定，是精确匹配，就组织成有序数组，是前缀匹配，就组织成 Trie 树）。
-
剩下的是少数包含通配符的规则，只要把它们简单存储在一个数组中就可以了。尽管匹配起来会比较慢，但是毕竟这种规则比较少，所以这种方法也是可以接受的。
- 当接收到一个请求 URL 之后，先在不包含通配符的有序数组或者 Trie 树中查找。如果能够匹配，就不需要继续在通配符规则中匹配了；如果不能匹配，就继续在通配符规则中查找匹配。
-
限流
- 对接口调用的频率进行限制。比如每秒钟不能超过 100 次调用，超过之后，就拒绝服务。
- 在很多场景中，发挥着重要的作用。比如在秒杀、大促、双 11、618 等场景中，限流已经成为了保证系统平稳运行的一种标配的技术解决方案。
- 按照不同的限流粒度分类：
- 每个接口限制不同的访问频率
- 给所有接口限制总的访问频率
- 限制某个应用对某个接口的访问频率
- 如何实现精准限流？
- 固定时间窗口限流算法：
- 选定一个时间起点，之后每当有接口请求到来，将计数器加一。
- 如果在当前时间窗口内，根据限流规则（比如每秒钟最大允许 100 次访问请求），出现累加访问次数超过限流值的情况时，我们就拒绝后续的访问请求。
- 当进入下一个时间窗口之后，计数器就清零重新计数。
- 缺点：限流策略过于粗略，无法应对两个时间窗口临界时间内的突发流量：
- 第一个 1s 时间窗口内，100 次接口请求都集中在最后 10ms 内。
- 第二个 1s 的时间窗口内，100 次接口请求都集中在最开始的 10ms 内。
- 虽然两个时间窗口内流量都符合限流要求（≤100 个请求），但在两个时间窗口临界的 20ms 内，会集中有 200 次接口请求。
- 固定时间窗口限流算法并不能对这种情况做限制，所以，集中在这 20ms 内的 200 次请求就有可能压垮系统。
- 滑动时间窗口限流算法
- 假设限流的规则是，在任意 1s 内，接口的请求次数都不能大于 K 次。
- 维护一个大小为 K+1 的循环队列，用来记录 1s 内到来的请求。注意，这里循环队列的大小等于限流次数加一，因为循环队列存储数据时会浪费一个存储单元。
- 当有新的请求到来时，将与这个新请求的时间间隔超过 1s 的请求，从队列中删除。
- 再来看循环队列中是否有空闲位置：
- 如果有，则把新请求存储在队列尾部（tail 指针所指的位置）；
- 如果没有，则说明这 1 秒内的请求次数已经超过了限流值 K，所以这个请求被拒绝服务。
-
只能在选定的时间粒度上限流，对选定时间粒度内的更加细粒度的访问频率不做限制。
- 王争限流框架：https://github.com/wangzheng0822/ratelimiter4j
- 固定时间窗口限流算法：
标签：匹配,请求,简记,接口,算法,限流,规则,数据结构 来源： https://www.cnblogs.com/wod-Y/p/12219106.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。