sentinel 滑动窗口统计机制
sentinel的滑动窗口统计机制就是根据当前时间，获取对应的时间窗口，并更新该时间窗口中的各项统计指标（pass/block/rt等），这些指标被用来进行后续判断，比如限流、降级等；随着时间的推移，当前时间点对应的时间窗口是变化的，这时会涉及到时间窗口的初始化、复用等。可以说，sentinel上的功能所用到的数据几乎都是滑动窗口统计机制来维护和更新的。
sentinel 处理流程是基于slot链(ProcessorSlotChain)来完成的，比如限流、熔断等，其中重要的一个slot就是StatisticSlot，它是做各种数据统计的，而限流/熔断的数据判断来源就是StatisticSlot，StatisticSlot的各种数据统计都是基于滑动窗口来完成的，因此本文就重点分析StatisticSlot的滑动窗口统计机制。
sentinel 的slot链(ProcessorSlotChain)是责任链模式的体现，那SlotChain是在哪创建的呢？是在 CtSph.lookProcessChain()方法中创建的，并且该方法会根据当前请求的资源先去一个静态的HashMap中获取，如果获取不到才会创建，创建后会保存到HashMap中。这就意味着，同一个资源会全局共享一个SlotChain。默认生成ProcessorSlotChain逻辑为：
1 // DefaultSlotChainBuilder 2 public ProcessorSlotChain build() { 3 ProcessorSlotChain chain = new DefaultProcessorSlotChain(); 4 chain.addLast(new NodeSelectorSlot()); 5 chain.addLast(new ClusterBuilderSlot()); 6 chain.addLast(new LogSlot()); 7 chain.addLast(new StatisticSlot()); 8 chain.addLast(new SystemSlot()); 9 chain.addLast(new AuthoritySlot()); 10 chain.addLast(new FlowSlot()); 11 chain.addLast(new DegradeSlot()); 12 13 return chain; 14 }
整个处理过程从第一个slot往后一直传递到最后一个的，当到达StatisticSlot时，开始统计各项指标，统计的结果又会被后续的Slot所采用，作为各种规则校验的依据。各种指标如下：
public enum MetricEvent { PASS, // Normal pass. BLOCK, // Normal block. EXCEPTION, // 异常统计 SUCCESS, RT, // rt统计 OCCUPIED_PASS }
StatisticSlot.entry流程
处理流程走到StatisticSlot时，首先触发后续slot.entry方法，然后统计各项指标，后续slot中数据判断来源就是这里统计的各项指标。StatisticSlot.entry 逻辑如下：
1 @Override 2 public void entry(Context context, ResourceWrapper resourceWrapper, DefaultNodenode, int count, Object... args) throws Throwable { 3 try { 4 // 触发下一个Slot的entry方法 5 fireEntry(context, resourceWrapper, node, count, args); 6 // 如果能通过SlotChain中后面的Slot的entry方法，说明没有被限流或降级 7 // 统计信息 8 node.increaseThreadNum(); 9 node.addPassRequest(); 10 // 省略部分代码 11 } catch (BlockException e) { 12 context.getCurEntry().setError(e); 13 // Add block count. 14 node.increaseBlockedQps(); 15 // 省略部分代码 16 throw e; 17 } catch (Throwable e) { 18 context.getCurEntry().setError(e); 19 // Should not happen 20 node.increaseExceptionQps(); 21 // 省略部分代码 22 throw e; 23 } 24 }
由以上代码可知，StatisticSlot主要就做了3件事：
触发后续slot的entry方法，进行规则校验
校验通过则更新node实时指标数据
校验不通过则更新node异常指标数据
注意：由于后续的fireEntry操作和更新本次统计信息是两个操作，不是原子的，会造成限流不准的小问题，比如设置的FlowRule count为20，并发情况下可能稍大于20，不过针对大部分场景来说，这点偏差是可以容忍的，毕竟我们要的是限流效果，而不是必须精确的限流操作。
更新node实时指标数据
我们可以看到 node.addPassRequest() 这段代码是在fireEntry执行之后执行的，这意味着，当前请求通过了sentinel的流控等规则，此时需要将当次请求记录下来，也就是执行 node.addPassRequest() 这行代码，具体的代码如下所示：
1 // DefaultNode 2 public void addPassRequest() { 3 super.addPassRequest(); 4 this.clusterNode.addPassRequest(); 5 }
这里的node是一个 DefaultNode 实例，这里特别补充一个 DefaultNode 和 ClusterNode 的区别：
DefaultNode：保存着某个resource在某个context中的实时指标，每个DefaultNode都指向一个ClusterNode。
ClusterNode：保存着某个resource在所有的context中实时指标的总和，同样的resource会共享同一个ClusterNode，不管他在哪个context中。
上面代码不管是 DefaultNode 还是 ClusterNode ，走的都是StatisticNode 对象的 addPassRequest 方法：
1 private transient volatile Metric rollingCounterInSecond = new ArrayMetric(2, 1000); 2 private transient Metric rollingCounterInMinute = new ArrayMetric(60, 60 * 1000); 3 4 public void addPassRequest(int count) { 5 rollingCounterInSecond.addPass(count); // 对每秒指标统计 6 rollingCounterInMinute.addPass(count); // 每分钟指标统计 7 }
每一个通过的指标（pass）都是调用Metric 的接口进行操作的，并且是通过 ArrayMetric 这种实现类，代码如下：
public ArrayMetric(int windowLength, int interval) { this.data = new WindowLeapArray(windowLength, interval); } public void addPass(int count) { // 获取当前时间窗口 WindowWrap<MetricBucket> wrap = data.currentWindow(); wrap.value().addPass(count); }
首先通过 currentWindow() 获取当前时间窗口，然后更新当前时间窗口对应的统计指标，以下代码重点关注几个判断逻辑：
1 // LeapArray 2 public WindowWrap<T> currentWindow() { 3 return currentWindow(TimeUtil.currentTimeMillis()); 4 } 5 // TimeUtil 6 public static long currentTimeMillis() { 7 // currentTimeMillis是由一个tick线程每个1ms更新一次，具体逻辑在TimeUtil类中 8 return currentTimeMillis; 9 } 10 // LeapArray 11 public WindowWrap<T> currentWindow(long timeMillis) { 12 // 计算当前时间点落在滑动窗口的下标 13 int idx = calculateTimeIdx(timeMillis); 14 // Calculate current bucket start time. 15 long windowStart = calculateWindowStart(timeMillis); 16 17 // 获取当前时间点对应的windowWrap，array为AtomicReferenceArray 18 while (true) { 19 WindowWrap<T> old = array.get(idx); 20 if (old == null) { 21 // 1.为空表示当前时间窗口为初始化过，创建WindowWrap并cas设置到array中 22 WindowWrap<T> window = new WindowWrap<T>(windowLengthInMs,windowStart, newEmptyBucket()); 23 if (array.compareAndSet(idx, null, window)) { 24 return window; 25 } else { 26 Thread.yield(); 27 } 28 } else if (windowStart == old.windowStart()) { 29 // 2.获取的时间窗口正好对应当前时间，直接返回 30 return old; 31 } else if (windowStart > old.windowStart()) { 32 // 3.获取的时间窗口为老的，进行reset操作复用 33 if (updateLock.tryLock()) { 34 try { 35 return resetWindowTo(old, windowStart); 36 } finally { 37 updateLock.unlock(); 38 } 39 } else { 40 Thread.yield(); 41 } 42 } else if (windowStart < old.windowStart()) { 43 // 4.时间回拨了，正常情况下不会走到这里 44 return new WindowWrap<T>(windowLengthInMs, windowStart,newEmptyBucket()); 45 } 46 } 47 }
获取当前时间窗口对应的WindowWrap之后，就可以进行更新操作了。
// wrap.value().addPass(count); public void addPass(int n) { add(MetricEvent.PASS, n); } // MetricBucket public MetricBucket add(MetricEvent event, long n) { // 对应MetricEvent枚举中值 counters[event.ordinal()].add(n); return this; }
到这里为止，整个指标统计流程就完成了，下面重点看下滑动窗口机制。
滑动窗口机制
时间窗口是用WindowWrap对象表示的，其属性如下：
private final long windowLengthInMs; // 时间窗口的长度 private long windowStart; // 时间窗口开始时间 private T value; // MetricBucket对象，保存各个指标数据
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：
currentTimeMillis = System.currentTimeMillis(); Thread daemon = new Thread(new Runnable() { @Override public void run() { while (true) { currentTimeMillis = System.currentTimeMillis(); try { TimeUnit.MILLISECONDS.sleep(1); } catch (Throwable e) { } } } }); daemon.setDaemon(true); daemon.setName("sentinel-time-tick-thread"); daemon.start();
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); }
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：
private transient volatile Metric rollingCounterInSecond = new ArrayMetric(2, 1000); private transient Metric rollingCounterInMinute = new ArrayMetric(60, 60 * 1000);
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。注意，当前时间基准对应的事件窗口初始化时lazy模式，并且会复用的。
Sentinel 底层采用高性能的滑动窗口数据结构 LeapArray 来统计实时的秒级指标数据，可以很好地支撑写多于读的高并发场景。最后以一张图结束吧：
往期精选
sentinel 核心概念
你的Redis有类转换异常么
Redis 基础数据结构
别再问我ConcurrentHashMap了
分布式锁设计与实现
ConcurrentHashMap竟然也有死循环问题？
你的ThreadLocal线程安全么
MySQL基础概念知多少
觉得文章不错，对你有所启发和帮助，希望能转发给更多的小伙伴。如果有问题，请关注下面公众号，发送问题给我，多谢。
欢迎小伙伴
关注【TopCoder】阅读更多精彩好文。
相关文章