标签：指标 cno 度量 初始化 interval 实时 eid windows 适配
之前介绍了Sentinel基本的应用，以及对Sentinel的改造；今天来介绍Sentinel的源码，可以让我们对Sentinel机制会更加深入的了解！同时用XMind画了一张导图记录Spring Cloud Alibaba的学习笔记（源文件对部分节点有详细备注和参考资料，由于太大就没展示全部，欢迎关注我的公众号：阿风的架构笔记 后台发送【导图】拿下载链接， 已经完善更新）：
。
我们知道可以通过Sentinel控制台进行降级限流的规则设置，也可以通过Api的方式进行设置，之前文章介绍过通过Api方式进行降级限流设置。
本质上Sentinel控制台进行设置的，最终也是通过Api进行设置的。
到底针对哪些请求/方法进行规则限制，Sentinel提供两种埋点方式：
1）try-catch 方式（通过 SphU****.entry(...)），用户在 catch 块中执行异常处理 / fallback。
Entry entry = null;
try {
entry = SphU.entry(KEY); //定义执行名称
//todo 业务代码
System.out.println("entry ok...");
} catch (BlockException e1) {
// 降级、限流异常
// todo fallback处理
} catch (Exception e2) {
// 业务异常 exception
} finally {
if (entry != null) {
entry.exit();
}
}
2）if-else 方式（通过 SphO****.entry(...)），当返回 false 时执行异常处理 / fallback
Entry entry = null;
if (SphO.entry(KEY)) {
//todo 业务代码
System.out.println("entry ok");
} else {
// 降级、限流异常
// todo fallback处理
}
针对不同的应用，Sentinel提供了不同的adapter适配器
不同adapter最主要就是要实现埋点，本质就是用上面的埋点Api，只要引入对应的adapter就能够达到基本常用的埋点了，不需要我们自行去定义了。
在Sentinel里面，所有的资源都对应一个资源名称（resourceName），每次资源调用都会创建一个Entry对象。
Entry可以通过对主流框架的适配自动创建（就是上面说的adapter），也可以通过注解的方式或调用 SphU API 显式创建。
Entry创建的时候，同时也会创建一系列功能插槽（slot chain），这些插槽有不同的职责，例如默认情况下会创建一下8个插槽：
NodeSelectorSlot负责收集资源的路径，并将这些资源的调用路径，以树状结构存储起来，用于根据调用路径来限流降级；
ClusterBuilderSlot则用于存储资源的统计信息以及调用者信息，例如该资源的 RT, QPS, thread count 等等，这些信息将用作为多维度限流，降级的依据；
LogSlot就是打印异常日志
StatisticSlot则用于记录、统计不同纬度的 runtime 指标监控信息；
AuthoritySlot则根据配置的黑白名单和调用来源信息，来做黑白名单控制；
SystemSlot则通过系统的状态，例如 load1 等，来控制总的入口流量
FlowSlot则用于根据预设的限流规则以及前面slot统计的状态，来进行流量控制；
DegradeSlot则通过统计信息以及预设的规则，来做熔断降****级；
注意：这里的插槽链都是一一对应资源名称的
对应的插槽Sentinel源码配置
上面介绍的插槽是Sentinle重要的概念，还有一个重要的概念node，我们来说明一下。
node中保存了资源的实时统计数据，例如：passQps，blockQps，rt等实时数据。正是有了这些统计数据后，sentinel才能进行限流、降级等一系列的操
作。
node是一个接口，他有一个实现类：StatisticNode，但是StatisticNode本身也有两个子类，一个是DefaultNode，另一个是ClusterNode，DefaultNode又有一个子类叫EntranceNode。
其中entranceNode是每个上下文的入口，该节点是直接挂在root下的，是全局唯一的，每一个context都会对应一个entranceNode。另外defaultNode是记录当前调用的实时数据的，每个defaultNode都关联着一个资源和clusterNode，有着相同资源的defaultNode，他们关联着同一个clusterNode。
metric是sentinel中用来进行实时数据统计的度量接口，node就是通过metric来进行数据统计的。而metric本身也并没有统计的能力，他也是通过Window来进行统计的。
Metric有一个实现类：ArrayMetric，在ArrayMetric中主要是通过一个叫WindowLeapArray的对象进行窗口统计的
我们下面看看Sentinel核心的数据统计是怎么做的，如何达到高性能的统计？核心就是利用了滑动时间窗口的巧妙的设计。
时间窗口是用WindowWrap对象表示的，其属性如下
sentinel时间基准由tick线程来做，每1ms更新一次时间基准，逻辑如下：
sentinel默认有每秒和每分钟的滑动窗口，对应的LeapArray类型，它们的初始化逻辑是：
protected int windowLengthInMs; // 单个滑动窗口时间值
protected int sampleCount; // 滑动窗口个数
protected int intervalInMs; // 周期值（相当于所有滑动窗口时间值之和）
public LeapArray(int sampleCount, int intervalInMs) {
this.windowLengthInMs = intervalInMs / sampleCount;
this.intervalInMs = intervalInMs;
this.sampleCount = sampleCount;
this.array = new AtomicReferenceArray<WindowWrap<T>>(sampleCount);
}
Sentinel提供了2个维度，一个是秒级别、一个分钟级别
针对每秒滑动窗口，windowLengthInMs=500，sampleCount=2，intervalInMs=1000
针对每分钟滑动窗口，windowLengthInMs=1000，sampleCount=60，intervalInMs=60000
对应代码：
currentTimeMillis时间基准（tick线程）每1ms更新一次，通过currentWindow(timeMillis)方法获取当前时间点对应的WindowWrap对象，然后更新对应的各种指标，用于做限流、降级时使用。
画图理解
我们拿每秒维度举个例子，
初始的时候arrays数组中只有一个窗口(可能是第一个，也可能是第二个)，每个时间窗口的长度是500ms，这就意味着只要当前时间与时间窗口的差值在500ms之内，时间窗口就不会向前滑动。当前窗口current window还指向Arrays的第一个窗口。例如，假如当前时间走到300或者500时，当前时间窗口current window仍然是相同的那个
时间继续往前走，当超过500ms时，时间窗口就会向前滑动到下一个，这时就会更新当前窗口的开始时间（windowStart）：
时间继续往前走，只要不超过1000ms，则当前窗口不会发生变化：
当时间继续往前走，当前时间超过1000ms时，就会再次进入下一个时间窗口，此时arrays数组中的窗口将会有一个失效，会有另一个新的窗口进行替换：
以此类推随着时间的流逝，时间窗口也在发生变化，在当前时间点中进入的请求，会被统计到当前时间对应的时间窗口中。计算qps时，会用当前采样的时间窗口中对应的指标统计值除以时间间隔，就是具体的qps。具体的代码在StatisticNode中：
上面用图的方式介绍了，滑动窗口时间。这边在提供一份网上模拟滑动窗口给的代码：
public static void main(String[] args) throws
InterruptedException {
int windowLength = 500;
int arrayLength = 2;
calculate(windowLength,arrayLength);
Thread.sleep(100);
calculate(windowLength,arrayLength);
Thread.sleep(200);
calculate(windowLength,arrayLength);
Thread.sleep(200);
calculate(windowLength,arrayLength);
Thread.sleep(500);
calculate(windowLength,arrayLength);
Thread.sleep(500);
calculate(windowLength,arrayLength);
Thread.sleep(500);
calculate(windowLength,arrayLength);
Thread.sleep(500);
calculate(windowLength,arrayLength);
Thread.sleep(500);
calculate(windowLength,arrayLength);
}
private static void calculate(int windowLength,int arrayLength){
long time = System.currentTimeMillis();
long timeId = time/windowLength;
long currentWindowStart = time - time % windowLength;
int idx = (int)(timeId % arrayLength);
System.out.println("time="+time+",currentWindowStart="+currentWindowStart+",timeId="+timeId+",idx="+idx);
}
这里假设时间窗口的长度为500ms，数组的大小为2，当前时间作为输入参数，计算出当前时间窗口的timeId、windowStart、idx等值。执行上面的代码后，将打印出如下的结果：
可以看出来，currentWindowStart每增加500ms，timeId就加1，这时就是时间窗口发生滑动的时候。
介绍到这里，关于Sentinel的基本实现原理都讲了，具体怎么代码实现，小伙伴们可以去看源码调试看看。到了这里我们已经介绍了Sentinel很多相关的知识了。
那是不是我们就可以用到生产环境呢？告诉大家还少一个重要的东西，没了这个东西还是不能在生产环境应用自如，具体是什么东西呢？下篇文章继续介绍。谢谢！！！
?
如果你觉得这篇内容对你还蛮有帮助，我想邀请你帮我三个小忙：
?
标签：指标 cno 度量 初始化 interval 实时 eid windows 适配
原文地址：https://www.cnblogs.com/rxhh/p/14662459.html
