在控制系统体系结构之中，开闭是两个不得不说的热门话题，即使他太破烂，但也太重要了。这两点有些像古代戍守边疆的兵士，固守山岭，阻挡住异族的所向无敌，一旦山岭失陷，各式各样异域涌向城外，势必会将他们暗中帮助的朝中庙店烧掉，之前的所有努力都烧掉。因此今天他们点了那个热门话题，一方面是要对开闭作成归纳，另一方面，Jaunpur，看看大家各自的控制系统中，开闭是怎么做的。
提及开闭，望著脑海中的肯定是管制网络流量四个字，其重点在于如何限。所以那个限，还分为FPS限和分布式控制系统限，FPS开闭，简而言之，是对布署了应用领域的docker机或是力学机，展开网络流量控制，以使得网络流量的涌向呈现受控的态势，防止过大过快的网络流量涌向导致应用领域的性能问题，班莱班县失去积极响应。分布式控制系统开闭，则是对软件产业的网络流量管制，通常这类应用领域的网络流量管制集中在两个地方来展开，比如redis，zk或是其他的能够支持分布式控制系统开闭的模块中。这样当网络流量过大过快的这时候，不致即使软件产业中的两台电脑被拖垮而增添暴风雪效应，导致软件产业应用领域整体倒塌。
下面他们来揭露出呵呵各式各样开闭操作方式。
1. 如前所述计时器的FPS开闭
这类开闭，通常是通过应用领域中的计时器来展开网络流量管制操作方式。计时器能用Integer类型的表达式，也能用Java便携式的AtomicLong来同时实现。基本原理是设置两个计时器的共振频率，每每有网络流量进入的这时候，将计时器递减，当达到共振频率的这时候，先期的允诺将会直接被舍弃。标识符同时实现如下表所示：
//开闭计时器 private static AtomicLong counter = new AtomicLong(); //开闭共振频率 private static final long counterMax = 500; //销售业务处理方法 public void invoke(Request request) { try { //允诺过滤器 if (counter.incrementAndGet() > counterMax) { return; } //销售业务方法论 doBusiness(request); } catch (Exception e) { //consequences doException(request,e); } finally { counter.decrementAndGet(); } }上面的标识符是两个简单的如前所述计时器同时实现的FPS开闭。标识符普遍化，操作方式方便，所以能增添不错的效果。但优点也很明显，那是嘿嘿的网络流量通常都能打进来，后来的网络流量大体上单厢被拒绝。由于每个允诺被执行的机率其实不一样，因此就没有公正性可说。
因此归纳呵呵这类开闭优劣：
优点：标识符简洁，操作方式方便
优点：先到先得，先到的允诺可执行机率为100%，后到的允诺可执行机率小一些，每个允诺获得执行的机会是不平等的。
那么，如果想让每个允诺获得执行的机会是平等的话，该怎么做呢？
2. 如前所述随机数的FPS开闭
这类开闭算法，使得允诺可被执行的机率是一致的，因此相对于如前所述计时器同时实现的开闭说来，对用户更加的友好一些。标识符如下表所示：
private static ThreadLocalRandom ptgGenerator = ThreadLocalRandom.current(); //开闭百分比，允许多少网络流量通过此销售业务，这里限定为10% private static final long ptgGuarder = 10; //销售业务处理方法 public gGenerator.nextInt(1, 100); if (currentPercentage <= ptgGuarder) { //销售业务处理 doBusiness(request); } else { return; } } catch (Exception e) { //consequences doException(request, e); } }后和当前开闭共振频率（比如当前接口只允许10%的网络流量通过）相比，如果小于此开闭共振频率，则放行；如果大于此开闭共振频率，则直接返回，不做任何处理。和之前的计时器开闭比起来，每个允诺获得执行的机率是一致的。当然，在真正的销售业务场景中，用户能通过动态配置化共振频率参数，来控制每分钟通过的网络流量百分比，或是是每小时通过的网络流量百分比。但如果对于突增的高网络流量，这类方法则有点问题，即使高并发下，每个允诺之间进入的时间很短暂，导致nextInt生成的值，大机率是重复的，因此这里需要做的两个优化点，是为其寻找合适的seed，用于优化nextInt生成的值。
优点：标识符简洁，操作方式简便，每个允诺可执行的机会是平等的。
优点：不适合应用领域突增的网络流量。
3. 如前所述时间段的FPS开闭
有这时候，他们的应用领域只想在单位时间内放固定的网络流量进来，比如一秒钟内只允许放进来100个允诺，其他的允诺舍弃。那么这里的做法有很多，能如前所述计时器开闭同时实现，然后判断时间，但这类做法稍显复杂，受控性不是特别好。
那么这里他们就要用到缓存模块来同时实现了。基本原理是这样的，首先允诺进来，在guava中设置两个key，此key是当前的秒数，秒数的值是放进来的允诺累加数，如果此累加数到100了，则拒绝先期允诺即可。标识符如下表所示：
CacheBuilder.newBuilder() .expireAfterWrite(5, TimeUnit.SECONDS) .build(new CacheLoader<Long, AtomicLong>() { @Override public AtomicLong load(Long seconds) throws Exception { return null; } }); //每秒允许通过的允诺数 private static final long requestsPerSecond = 100; //销售业务处理方法 public void invoke(Request request) { try { //guava key long guavaKey = System.currentTimeMillis() / 1000; //允诺累加数 long guavaVal = guava.get(guavaKey).incrementAndGet(); if (guavaVal <= requestsPerSecond) { //销售业务处理 doBusiness(request); } else { return; } } catch (Exception e) { //consequences doException(request, e); } }从上面的标识符中能看到，他们巧妙的利用了缓存模块的特性来同时实现。每每有允诺进来，缓存模块中的key值累加，到达共振频率则拒绝先期允诺，这样很方便的同时实现了时间段开闭的效果。虽然例子中给的是按照秒来开闭的同时实现，他们能在此基础上更改为按照分钟或是按照小时来同时实现的方案。
优点：操作方式简单，可靠性强
优点：突增的网络流量，会导致每个允诺单厢访问guava，由于guava是堆内内存同时实现，势必会会对性能有一点点影响。其实如果怕开闭影响到其他内存计算，他们能将此开闭操作方式用堆外内存模块来同时实现，比如利用OHC或是mapdb等。也是比较好的备选方案。
4. 如前所述漏桶算法的FPS开闭
所谓漏桶(Leaky bucket)，则是指，有两个盛水的池子，然后有两个进水口，有两个出水口，进水口的水流可大可小，但出水口的水流是恒定的。下图图示能显示的更加清晰：
从图中他们能看到，水龙头相当于各端的网络流量，进入到漏桶中，当网络流量很小的这时候，漏桶能承载这种网络流量，出水口按照恒定的速度出水，水不会溢出来。当网络流量开始增大的这时候，漏桶中的出水速度赶不上进水速度，那么漏桶中的水位一直在上涨。当网络流量再大，则漏桶中的水过满则溢。
由于目前很多MQ，比如rabbitmq等，都属于漏桶算法基本原理的具体同时实现，允诺过来先入queue队列，队列满了舍弃多余允诺，之后consumer端匀速消费队列里面的数据。因此这里不再贴多余的标识符。
优点：网络流量控制效果不错
优点：不能够很好的应付突增的网络流量。适合保护性能较弱的控制系统，但不适合性能较强的控制系统。如果性能较强的控制系统能够应对这种突增的网络流量的话，那么漏桶算法是不合适的。
5. 如前所述令牌桶算法的FPS开闭
所谓令牌桶(Token Bucket)，则是指，允诺过来的这时候，先去令牌桶里面申请令牌，申请到令牌之后，才能去展开销售业务处理。如果没有申请到令牌，则操作方式终止。具体说明如下表所示图：
由于生成令牌的网络流量是恒定的，面对突增网络流量的这时候，桶里有足够
由于目前guava模块中已经有了对令牌桶的具体同时实现类：RateLimiter， 因此他们能借助这类来同时实现他们的令牌桶开闭。标识符如下表所示：
//指定每秒放1个令牌 private static RateLimiter limiter = RateLimiter.create(1); public void invoke(Request request) { try { //拿到令牌则展开销售业务处理 if (limiter.tryAcquire(acquireTimeout, TimeUnit.MILLISECONDS)) { //销售业务处理 doBusiness(request); } //拿不到令牌则退出 else { return; } } catch (Exception e) { //consequences doException(request, e); } }从上面标识符他们能看到，一秒生成两个令牌，那么他们的接口限定为一秒处理两个允诺，如果感觉接口性能能达到1000tpsFPS，那么他们能适当的放大令牌桶中的令牌数量，比如800，那么当突增网络流量过来，会直接拿到令牌然后展开销售业务处理。但当令牌桶中的令牌消费完毕之后，那么允诺就会被阻塞，直到下一秒另一批800个令牌生成出来，允诺才开始继续展开处理。
因此利用令牌桶的优劣就很明显了：
有点：使用简单，有成熟模块
优点：适合FPS开闭，不适合分布式控制系统开闭。
6. 如前所述redis lua的分布式开闭
由于上面5中开闭方式都是FPS开闭，但在实际应用领域中，很多这时候他们不仅要做FPS开闭，还要做分布式控制系统开闭操作方式。由于目前做分布式控制系统开闭的方法非常多，我就不再一一赘述了。他们今天用到的分布式控制系统开闭方法，是redis+lua来同时实现的。
为什么用redis+lua来同时实现呢？原因有两个：
其一：redis的性能很好，处理能力强，且容灾能力也不错。
其二：两个lua脚本在redis中是两个原子性操作方式，能保证数据的正确性。
由于要做开闭，那么肯定有key来记录开闭的累加数，此key能随着时间展开任意变动。所以key需要设置过期参数，防止无效数据过多而导致redis性能问题。
来看看lua标识符：
–开闭的key local key = limitkey..KEYS[1] –累加允诺数 local val = tonumber(redis.call(get, key) or 0) –开闭共振频率 local threshold = tonumber(ARGV[1]) if val>threshold then –允诺被限 return 0 else –递减允诺数 redis.call(INCRBY, key, “1”) –5秒后过期 redis.call(expire, key, 5) –允诺通过 return 1 end之后是直接调用使用，然后根据返回内容为0还是1来判定销售业务方法论能不能走下去就行了。这样能通过此标识符段来控制整个软件产业的网络流量，从而避免出现暴风雪效应。当然此方案的解决方式也能利用zk来展开，由于zk的强一致性保证，不失为另一种好的解决方案，但由于zk的性能没有redis好，因此如果在意性能的话，还是用redis吧。
优点：软件产业整体网络流量控制，防止暴风雪效应
优点：需要引入额外的redis模块，且要求redis支持lua脚本。
总结
通过以上6种开闭方式的讲解，主要是想起到Jaunpur的作用，期待大家更好更优的解决方法。
以上标识符都是伪标识符，使用的这时候请展开线上验证，否则增添了副作用的话，就得不偿失了。
