自适应限流

学习如何在 bRPC 中使用自适应限流。

自适应限流

服务的处理能力是有客观上限的。当请求速度超过服务的处理速度时，服务就会过载。

如果服务持续过载，会导致越来越多的请求积压，最终所有的请求都必须等待较长时间才能被处理，从而使整个服务处于瘫痪状态。

与之相对的，如果直接拒绝掉一部分请求，反而能够让服务能够"及时"处理更多的请求。对应的方法就是设置最大并发。

自适应限流能动态调整服务的最大并发，在保证服务不过载的前提下，让服务尽可能多的处理请求。

使用场景

通常情况下要让服务不过载，只需在上线前进行压力测试，并通过little’s law计算出best_max_concurrency就可以了。但在服务数量多，拓扑复杂，且处理能力会逐渐变化的局面下，使用固定的最大并发会带来巨大的测试工作量，很不方便。自适应限流就是为了解决这个问题。

使用自适应限流前建议做到：

1. 客户端开启了重试功能。
2. 服务端有多个节点。

这样当一个节点返回过载时，客户端可以向其他的节点发起重试，从而尽量不丢失流量。

开启方法

目前只有method级别支持自适应限流。如果要为某个method开启自适应限流，只需要将它的最大并发设置为"auto"即可。

// Set auto concurrency limiter for all methods
brpc::ServerOptions options;
options.method_max_concurrency = "auto";

// Set auto concurrency limiter for specific method
server.MaxConcurrencyOf("example.EchoService.Echo") = "auto";

原理

名词

concurrency: 同时处理的请求数，又被称为"并发度"。

max_concurrency: 设置的最大并发度。超过并发的请求会被拒绝（返回 ELIMIT 错误），在集群层面，client 应重试到另一台 server 上去。

best_max_concurrency: 并发的物理含义是任务处理槽位，天然存在上限，这个上限就是 best_max_concurrency。若 max_concurrency 设置的过大，则 concurrency 可能大于 best_max_concurrency，任务将无法被及时处理而暂存在各种队列中排队，系统也会进入拥塞状态。若 max_concurrency 设置的过小，则 concurrency 总是会小于 best_max_concurrency，限制系统达到本可以达到的更高吞吐。

noload_latency: 单纯处理任务的延时，不包括排队时间。另一种解释是低负载的延时。由于正确处理任务得经历必要的环节，其中会耗费 cpu 或等待下游返回，noload_latency 是一个服务固有的属性，但可能随时间逐渐改变（由于内存碎片，压力变化，业务数据变化等因素）。

min_latency: 实际测定的 latency 中的较小值的 ema，当 concurrency 不大于 best_max_concurrency 时，min_latency 和 noload_latency 接近（可能轻微上升）。

peak_qps: qps 的上限。注意是处理或回复的 qps 而不是接收的 qps。值取决于 best_max_concurrency / noload_latency，这两个量都是服务的固有属性，故 peak_qps 也是服务的固有属性，和拥塞状况无关，但可能随时间逐渐改变。

max_qps: 实际测定的 qps 中的较大值。由于 qps 具有上限，max_qps 总是会小于 peak_qps，不论拥塞与否。

Little's Law

在服务处于稳定状态时：concurrency = latency * qps。这是自适应限流的理论基础。

当服务没有超载时，随着流量的上升，latency 基本稳定（接近 noload_latency），qps 和 concurrency 呈线性关系一起上升。

当流量超过服务的 peak_qps 时，则 concurrency 和 latency 会一起上升，而 qps 会稳定在 peak_qps。

假如一个服务的 peak_qps 和 noload_latency 都比较稳定，那么它的 best_max_concurrency = noload_latency * peak_qps。

自适应限流就是要找到服务的 noload_latency 和 peak_qps，并将最大并发设置为靠近两者乘积的一个值。

计算公式

自适应限流会不断的对请求进行采样，当采样窗口的样本数量足够时，会根据样本的平均延迟和服务当前的 qps 计算出下一个采样窗口的 max_concurrency：

max_concurrency = max_qps * ((2+alpha) * min_latency - latency)

alpha 为可接受的延时上升幅度，默认 0.3。

latency 是当前采样窗口内所有请求的平均 latency。

max_qps 是最近一段时间测量到的 qps 的极大值。

min_latency 是最近一段时间测量到的 latency 较小值的 ema，是 noload_latency 的估算值。

当服务处于低负载时，min_latency 约等于 noload_latency，此时计算出来的 max_concurrency 会高于 concurrency，但低于 best_max_concurrency，给流量上涨留探索空间。而当服务过载时，服务的 qps 约等于 max_qps，同时 latency 开始明显超过 min_latency，此时 max_concurrency 则会接近 concurrency，并通过定期衰减避免远离 best_max_concurrency，保证服务不会过载。

估算 noload_latency

服务的 noload_latency 并非是一成不变的，自适应限流必须能够正确的探测 noload_latency 的变化。当 noload_latency 下降时，是很容感知到的，因为这个时候 latency 也会下降。难点在于当 latency 上涨时，需要能够正确的辨别到底是服务过载了，还是 noload_latency 上涨了。

可能的方案有：

1. 取最近一段时间的最小 latency 来近似 noload_latency
2. 取最近一段时间的 latency 的各种平均值来预测 noload_latency
3. 收集请求的平均排队等待时间，使用 latency - queue_time 作为 noload_latency
4. 每隔一段时间缩小 max_concurrency，过一小段时间后以此时的 latency 作为 noload_latency

方案1和方案2的问题在于：假如服务持续处于高负载，那么最近的所有 latency 都会高出 noload_latency，从而使得算法估计的 noload_latency 不断升高。

方案3的问题在于，假如服务的性能瓶颈在下游服务，那么请求在服务本身的排队等待时间无法反应整体的负载情况。

方案4是最通用的，也经过了大量实验的考验。缩小 max_concurrency 和公式中的 alpha 存在关联。让我们做个假想实验，若 latency 极为稳定并都等于 min_latency，那么公式简化为 max_concurrency = max_qps * latency * (1 + alpha)。根据 little's law，qps 最多为 max_qps * (1 + alpha)。alpha 是 qps 的"探索空间"，若 alpha 为 0，则 qps 被锁定为 max_qps，算法可能无法探索到 peak_qps。但在 qps 已经达到 peak_qps 时，alpha 会使延时上升（已拥塞），此时测定的 min_latency 会大于 noload_latency，一轮轮下去最终会导致 min_latency 不收敛。定期降低 max_concurrency 就是阻止这个过程，并给 min_latency 下降提供"探索空间"。

减少重测时的流量损失

每隔一段时间，自适应限流算法都会缩小 max_concurrency，并持续一段时间，然后将此时的 latency 作为服务的 noload_latency，以处理 noload_latency 上涨了的情况。测量 noload_latency 时，必须让先服务处于低负载的状态，因此对 max_concurrency 的缩小是难以避免的。

由于 max_concurrency < concurrency 时，服务会拒绝掉所有的请求，限流算法将"排空所有的经历过排队等待的请求的时间" 设置为 latency * 2，以确保用于计算 min_latency 的样本绝大部分都是没有经过排队等待的。

由于服务的 latency 通常都不会太长，这种做法所带来的流量损失也很小。

应对抖动

即使服务自身没有过载，latency 也会发生波动，根据 Little's Law，latency 的波动会导致 server 的 concurrency 发生波动。

我们在设计自适应限流的计算公式时，考虑到了 latency 发生抖动的情况：当 latency 与 min_latency 很接近时，根据计算公式会得到一个较高 max_concurrency 来适应 concurrency 的波动，从而尽可能地减少"误杀"。同时，随着 latency 的升高，max_concurrency 会逐渐降低，以保护服务不会过载。

从另一个角度来说，当 latency 也开始升高时，通常意味着某处（不一定是服务本身，也有可能是下游服务）消耗了大量 CPU 资源，这个时候缩小 max_concurrency 也是合理的。

平滑处理

为了减少个别窗口的抖动对限流算法的影响，同时尽量降低计算开销，计算 min_latency 时会通过使用 EMA] 来进行平滑处理：

if latency > min_latency:
    min_latency = latency * ema_alpha  + (1 - ema_alpha) * min_latency
else:
    do_nothing

估算 peak_qps

提高 qps 增长的速度

当服务启动时，由于服务本身需要进行一系列的初始化，TCP 本身也有慢启动等一系列原因。服务在刚启动时的 qps 一定会很低。这就导致了服务启动时的 max_concurrency 也很低。而按照上面的计算公式，当 max_concurrency 很低的时候，预留给 qps 增长的冗余 concurrency 也很低（即：alpha * max_qps * min_latency）。从而会影响当流量增加时，服务 max_concurrency 的增加速度。

假如从启动到打满 qps 的时间过长，这期间会损失大量流量。在这里我们采取的措施有两个，

1. 采样方面，一旦采到的请求数量足够多，直接提交当前采样窗口，而不是等待采样窗口到时间了才提交
2. 计算公式方面，当 current_qps > 保存的max_qps 时，直接进行更新，不进行平滑处理。

在进行了这两个处理之后，绝大部分情况下都能够在 2 秒左右将 qps 打满。

平滑处理

为了减少个别窗口的抖动对限流算法的影响，同时尽量降低计算开销，在计算 max_qps 时，会通过使用 EMA 来进行平滑处理：

if current_qps > max_qps:
    max_qps = current_qps
else:
    max_qps = current_qps * ema_alpha / 10 + (1 - ema_alpha / 10) * max_qps

将 max_qps 的 ema 参数置为 min_latency 的 ema 参数的十分之一的原因是：max_qps 下降了通常并不意味着极限 qps 也下降了，而 min_latency 下降了，通常意味着 noload_latency 确实下降了。

与 netflix gradient 算法的对比

netflix 中的 gradient 算法公式为：max_concurrency = min_latency / latency * max_concurrency + queue_size。

其中 latency 是采样窗口的最小 latency，min_latency 是最近多个采样窗口的最小 latency。min_latency / latency 就是算法中的“梯度”，当 latency 大于 min_latency 时，max_concurrency 会逐渐减少；反之，max_concurrency 会逐渐上升，从而让 max_concurrency 围绕在 best_max_concurrency 附近。

这个公式可以和本文的算法进行类比：

• gradient 算法中的 latency 和本算法的不同，前者的 latency 是最小值，后者是平均值。netflix 的原意是最小值能更好地代表 noload_latency，但实际上只要不对 max_concurrency 做定期衰减，不管最小值还是平均值都有可能不断上升使算法不收敛。最小值并不能带来额外的好处，反而会使算法更不稳定。
• gradient 算法中的 max_concurrency / latency 从概念上和 qps 有关联（根据 little's law），但可能严重脱节。比如在重测 min_latency 前，若所有 latency 都小于 min_latency，那么 max_concurrency 会不断下降甚至到 0；但按照本算法，max_qps 和 min_latency 仍然是稳定的，它们计算出的 max_concurrency 也不会剧烈变动。究其本质，gradient 算法在迭代 max_concurrency 时，latency 并不能代表实际并发为 max_concurrency 时的延时，两者是脱节的，所以 max_concurrency / latency 的实际物理含义不明，与 qps 可能差异甚大，最后导致了很大的偏差。
• gradient 算法的 queue_size 推荐为 sqrt(max_concurrency)，这是不合理的。netflix 对 queue_size 的理解大概是代表各种不可控环节的缓存，比如 socket 里的，和 max_concurrency 存在一定的正向关系情有可原。但在我们的理解中，这部分 queue_size 作用微乎其微，没有或用常量即可。我们关注的 queue_size 是给 concurrency 上升留出的探索空间：max_concurrency 的更新是有延迟的，在并发从低到高的增长过程中，queue_size 的作用就是在 max_concurrency 更新前不限制 qps 上升。而当 concurrency 高时，服务可能已经过载了，queue_size 就应该小一点，防止进一步恶化延时。这里的 queue_size 和并发是反向关系。

最后修改于 2022 年 5 月 17 日：更新 brpc 用户页面 (devlive-community/knowforge#71) (a31ce10d3)