請求量太大扛不住怎麼辦？進來學一招

-Advertisement-

hello，大家好呀，我是小樓。上篇文章《一言不合就重構》說了我最近重構的一個系統，雖然重構完了，但還在灰度，這不，在灰度過程中又發現了一個問題。背景這個問題簡單說一下背景，如果不明白可以看上篇文章，不想看也沒關係，這是個通用的解法，後面我會總結抽象下。在上篇文章的最後提到對每個摘除的地 ...

hello，大家好呀，我是小樓。

上篇文章《一言不合就重構》說了我最近重構的一個系統，雖然重構完了，但還在灰度，這不，在灰度過程中又發現了一個問題。

背景

這個問題簡單說一下背景，如果不明白可以看上篇文章，不想看也沒關係，這是個通用的解法，後面我會總結抽象下。

在上篇文章的最後提到對每個摘除的地址做決策時，需要順序執行，且每一個要摘除的地址都要實時獲取該集群的地址信息，以便做出是否需要兜底的決策。

當被摘除的機器非常多時，獲取地址信息的請求量就會非常大，對註冊中心造成了不小的壓力。

請求數據源的介面如下所示（其中 cuuid 是集群的 id）

type Read interface {
	ListClusterEndpoints(ctx context.Context, cuuid string) ([]ptypes.Endpoint, error)
}

相信大家也能理解這個非常簡單的背景並且能想到一些解法。每次決策需要按 cuuid 獲取集群，也就是單個單個地獲取實時集群地址信息，由於是實時信息，緩存首先排除，其次自然而然地能想到如果能將請求合併一下，是不是就能解決請求量大的問題？

難點

如果只是改邏輯合併一下請求，吭哧吭哧改代碼就完了，也不值得寫這篇文章了，如何改最少的代碼來實現合併請求才是最難的。

解法

那天遇到這個問題，晚上輾轉反側想到了這個解法，其實主要也是參考 Go http client 的實現，都說看源碼沒用，這不就是用處麽？

Read 數據源介面定義保持不變，也就是上層的業務代碼完全不用改，只需要把 ListClusterEndpoints 的實現換掉。

我們可以用一個隊列把每個請求入隊，入隊列以後，調用方阻塞，然後起一些協程去隊列里取一批請求參數，發起批量請求，響應之後喚醒阻塞的調用方。

為此，我們實現一個可以阻塞並被其他協程喚醒的工具：

type token struct {
	value interface{}
	err   error
}

type Token chan token

func NewToken() Token {
	return make(Token, 1)
}

func (t Token) Done(value interface{}, err error) {
	t <- token{value: value, err: err}
}

func (t Token) Wait(timeout time.Duration) (value interface{}, err error) {
	if timeout <= 0 {
		tk := <-t
		return tk.value, tk.err
	}

	select {
	case tk := <-t:
		return tk.value, tk.err
	case <-time.After(timeout):
		return nil, ErrTokenTimeout
	}
}

其次，定義隊列和其他參數：

type DataSource struct {
	paramCh chan param
	readTimeout time.Duration
	concurrency int
	step int
}

type param struct {
	cuuid string
	token Token
}

替換掉原來 ListClusterEndpoints 的實現：

func (p *DataSource) ListClusterEndpoints(ctx context.Context, cuuid string) ([]ptypes.Endpoint, error) {
	req := param{
		cuuid: cuuid,
		token: NewToken(),
	}

	select {
	case p.paramCh <- req:
	default:
		return nil, fmt.Errorf("list cluster endpoints write channel failed")
	}

	value, err := req.token.Wait(p.readTimeout)
	if err != nil {
		return nil, err
	}
	eps, ok := value.([]ptypes.Endpoint)
	if !ok {
		return nil, fmt.Errorf("value is not endpoints")
	}
	return endpoints, nil
}

再起幾個協程來處理任務：

func (p *DataSource) startListClusterEndpointsLoop() {
	for i := 0; i < p.concurrency; i++ {
		go func() {
			for {
				reqs := p.getListClusterEndpointsReqFromChan()
				p.doBatchListClusterEndpoints(reqs)
			}
		}()
	}
}

最關鍵的是 getListClusterEndpointsReqFromChan 的實現，既不能讓協程空跑，這樣太消耗cpu，又要能及時地取到一批參數，我們採取的方法是先阻塞地獲取一個參數，如果沒數據則阻塞，如果有數據，繼續取，直到數量達到上限或者取不到數據為止，此時這一批數據就可以批量地進行調用了。

func (p *DataSource) getListClusterEndpointsReqFromChan() []param {
	reqs := make([]param, 0)
	select {
	case req := <-p.paramCh:
		reqs = append(reqs, req)
		for i := 1; i < p.step; i++ {
			select {
			case reqNext := <-p.paramCh:
				reqs = append(reqs, reqNext)
			default:
				break
			}
		}
	}
	return reqs
}

最後

這個方法很簡單，但是有一些要註意的地方，得做好監控，比如調用方單個請求的QPS、RT，實際批量請求的QPS、RT，這樣才好計算出處理協程開多少個合適，還有隊列寫入失敗、隊列長度等等監控，當容量不足時及時做出調整。

請求量太大扛不住怎麼辦？進來學一招

背景

難點

解法

最後

推薦閱讀