婚纱摄影网站设计案例东莞网络营销价格咨询

婚纱摄影网站设计案例,东莞网络营销价格咨询,响应式 学校网站模板,手机首页设计1.流行的限速器① 固定窗口限速 Fixed Window Counter跟踪固定时间间隔#xff08;如 1 分钟#xff09;内的请求数量#xff0c;一旦达到上限#xff0c;就会拒绝该窗口中的后续所有请求。1_VsdNn5KGd1A0rIfbczGy8Q.gifUserCase#xff1a; 可预测流量、低精度需求的简单…1.流行的限速器① 固定窗口限速 Fixed Window Counter跟踪固定时间间隔如 1 分钟内的请求数量一旦达到上限就会拒绝该窗口中的后续所有请求。1_VsdNn5KGd1A0rIfbczGy8Q.gifUserCase 可预测流量、低精度需求的简单API比如云平台会对开发者提供 “免费调用API”的限速额度。eg 公共天气 API 允许每个用户每分钟 100 次请求任何额外请求都会返回 “429 请求过多 ”响应。Drawback 客户端可通过在两个时间窗口的边界堆砌请求例如在1min时间窗口的第59秒和下一个1min窗口的第1s都堆砌100 个请求 轻松突破qps100/min 语义。固定窗口算法对应最直观意义的qps语义但是qps漏洞也很明显。② 滑动窗口限速 Sliding Window Log维护每个请求的时间戳日志并根据滚动时间窗口计算限制。1_tmaCfNHgzaAJNop4Aa2afA.gifUserCase要求高精度的核心系统如金融交易 API 或欺诈检测机制。eg 银行 API 限制每小时取款次数为 10 次每次新请求都要根据最近1小时的取款次数来评估。Drawback 当扩展到数百万用户或频繁请求时内存使用量大可以想象对每一个请求都会产生一个kv窗口计数器计算成本高。滑动窗口限速器对应严格意义的qps语义从任意一个请求点切入的统计都试图保持恒定的qps 计算成本高。那为什么会有漏桶和令牌桶算法上面的固定窗口和滑动窗口算法他们都聚焦在“维持qps” 对于超出qps的流量他们会直接拒绝。漏桶算法和令牌桶不仅聚焦“维持qps” 同时不完全无脑拒绝在突发流量时能给出等待处理/有暂存令牌迅速处理的行为 也就是能应对突发的流量波动。③ 漏桶限速 Leaky Bucket想象一个底部有小孔的水桶请求水被添加到桶中并以稳定的 “漏水 ”速度进行处理从而防止突然的洪水泛滥。1_UioRG8-qID51i0rEOPVh-w.gifUserCase 是平滑流量的理想选择例如在流媒体服务或支付处理中可预测的输出是至关重要的。eg 视频流平台对其内容交付网络的 API 调用进行管理确保一致的播放质量。Drawback 不适合处理突发事件如闪电销售或促销活动。漏洞算法基于“稳定的漏水机制”也维持了严格意义的qps语义但是他有桶短时的波动流量可凭借桶容量排队依次漏出 超过桶容量的请求还是会被拒绝。物理学意义压强/高度因素、动态平衡不能维持”稳定的漏水机制“ 这里的稳定漏水机制是需要技术强制实现。④ 令牌桶限速令牌以固定速率生成并存储在一个桶中。每次请求都会消耗一个令牌支持短时间瞬发只要有令牌。令牌产生快过实际请求桶满会被丢弃。1_7cDKq5yh5RD0ygvb3mVwfQ.gifUserCase 非常适合需要处理偶尔出现的流量高峰同时执行总体限制如登录尝试或搜索查询的应用程序接口。eg 某电子商务网站在结账时允许每秒最多 20 个请求的突发流量但将总体流量限制在每分钟 100 个请求r 1.6, b20。Drawback 需要固定速率补充令牌技术上有点复杂。令牌桶通过稳定的投放令牌也尝试维持了恒定的qps语义严格上讲他维持恒定的qps不是依靠稳定的投放令牌 而是消耗令牌。消耗令牌的速率某些时刻可能就不是恒定的在突发大流量时桶中暂存的令牌可以迅速给到请求用(这一瞬间突破qps语义)而不用像漏桶一样排队等待被处理因流量漏水塑形。漏桶算法和令牌桶的区别漏桶算法聚焦于”流量塑形“有一定量的突发流量对应能力但不多令牌桶算法 大部分情况下会产生”流量塑形“的效果能应对突发大流量。举个例子容量均为20的漏桶和令牌桶 分别以10/s的速率漏水、投放令牌。日常流量恰好稳定是10/s某瞬间突发流量 来了100个请求。请求迅速堆满漏桶后80个请求被拒绝前20个请求被处理第一个请求迅速被处理第20个在第2s末被处理完beacuse漏水塑形。而令牌桶在这一瞬间因为桶中有暂存令牌 可迅速给到请求使用在这一瞬间能突破10/s的qps第1s放行30个请求第2s依靠令牌放行10个请求只要请求不自己取消这突发的流量最后都会被消化掉 因此令牌桶才成为互联网突发流量的优质限速算法。2. 今日快闪基于gin框架的原生api限速器golang内置了一款限速器golang/x/time/rate, 基于令牌桶限速算法。维基百科令牌桶限速器Think in this way, someone put 1 candy per second(r) in your bucket, then you can eat only 1 candy per sec. If your bucket can hold 10(b) candies and if you havent eaten any of them for a while, your bucket will be full then you can eat 10 candies as fast as you can eat at a time.将该限速器应用到gin框架上package mainimport (github.com/gin-gonic/gingolang.org/x/time/rate)func RateLimiter() gin.HandlerFunc {limiter : rate.NewLimiter(10, 30)return func(c *gin.Context) {if limiter.Allow() {c.Next()} else {c.JSON(http.StatusTooManyRequests, gin.H{message: Limite exceed,})}}func NewLimiter(r Limit, b int) *Limiter 限速器控制事件发生的频率。它实现了一个大小为 b 的 “令牌桶”最初是满的并以每秒 r 个令牌的速度重新装满。Limiter对多个goroutine同时使用是安全的。Limiter主要有三个方法Allow、Reserve、Wait,大多数时候开发者应该使用Wait。这三种方法都消耗一个令牌,当没有可用令牌时它们的行为有所不同。如果没有可用的令牌Allow 将返回 false。如果没有可用的令牌Reserve 将返回未来令牌的预留以及调用者在使用它之前必须等待的时间。如果没有可用的令牌则 Wait 会阻塞直到可以获得令牌或其关联的 context.Context 被取消。方法AllowN、ReserveN 和WaitN 消耗n 个令牌。2.1 使用http基准测试工具wrk压测wrk -t12 -c400 -d30s http://localhost:8080/themes/2运行基准测试 30 秒使用 12 个线程并保持 400 个 HTTP 连接打开。① 不加限速中间件在此压力下宏观的qps250② 将RateLimiter应用到可能被刷单的APIr.GET(/themes/:id, RateLimiter(), func(c *gin.Context) {......})在r10 b30的令牌桶设定下大部分请求都被迅速拒绝了显得qps很大。