数据结构与算法简记--剖析微服务接口鉴权限流背后的数据结构和算法

标签：开始   节点   设置   最大   上线   细粒度   就是   精准   依赖   

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。
  • 

• 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

数据结构与算法简记--剖析微服务接口鉴权限流背后的数据结构和算法

标签：开始   节点   设置   最大   上线   细粒度   就是   精准   依赖   

原文地址：https://www.cnblogs.com/wod-Y/p/12219106.html