mirror of
https://github.com/chai2010/advanced-go-programming-book.git
synced 2025-05-30 00:32:21 +00:00
105 lines
4.5 KiB
Markdown
105 lines
4.5 KiB
Markdown
# 5.6. Ratelimit 服务流量限制
|
||
|
||
计算机程序可依据其瓶颈分为 IO-bound，或 CPU-bound，我们这里先刨除掉存储类系统。web 系统打交道最多的实际上就是网络，从 linux 引入了 epoll 的 API 之后，我们可以借助其轻松解决当年的 C10k 问题，实现一个简单的 echo 服务器。随着编程语言的发展，很多编程语言对这些系统调用又进一步进行了封装，所以做应用层开发，压根儿不会在程序中看到 epoll 之类的字眼，大多数时候我们就只要聚焦中业务逻辑上就好，不用管底层是用的 epoll 还是 kqueue。时至今日，C10k 都已经很少被人所提起，我们写一个简单的 `hello world` 程序：
|
||
|
||
```go
|
||
package main
|
||
|
||
import (
|
||
"io"
|
||
"log"
|
||
"net/http"
|
||
)
|
||
|
||
func sayhello(wr http.ResponseWriter, r *http.Request) {
|
||
wr.WriteHeader(200)
|
||
io.WriteString(wr, "hello world")
|
||
}
|
||
|
||
func main() {
|
||
http.HandleFunc("/", sayhello)
|
||
err := http.ListenAndServe(":9090", nil)
|
||
if err != nil {
|
||
log.Fatal("ListenAndServe:", err)
|
||
}
|
||
}
|
||
```
|
||
|
||
并借助 wrk，在家用电脑 Macbook Pro 上对其进行基准测试，Mac 的硬件情况如下：
|
||
|
||
```shell
|
||
CPU: Intel(R) Core(TM) i5-5257U CPU @ 2.70GHz
|
||
Core: 2
|
||
Threads: 4
|
||
|
||
Graphics/Displays:
|
||
Chipset Model: Intel Iris Graphics 6100
|
||
Resolution: 2560 x 1600 Retina
|
||
Memory Slots:
|
||
Size: 4 GB
|
||
Speed: 1867 MHz
|
||
Size: 4 GB
|
||
Speed: 1867 MHz
|
||
Storage:
|
||
Size: 250.14 GB (250,140,319,744 bytes)
|
||
Media Name: APPLE SSD SM0256G Media
|
||
Size: 250.14 GB (250,140,319,744 bytes)
|
||
Medium Type: SSD
|
||
```
|
||
|
||
测试结果：
|
||
|
||
```shell
|
||
~ ❯❯❯ wrk -c 10 -d 10s -t10 http://localhost:9090
|
||
Running 10s test @ http://localhost:9090
|
||
10 threads and 10 connections
|
||
Thread Stats Avg Stdev Max +/- Stdev
|
||
Latency 339.99us 1.28ms 44.43ms 98.29%
|
||
Req/Sec 4.49k 656.81 7.47k 73.36%
|
||
449588 requests in 10.10s, 54.88MB read
|
||
Requests/sec: 44513.22
|
||
Transfer/sec: 5.43MB
|
||
|
||
~ ❯❯❯ wrk -c 10 -d 10s -t10 http://localhost:9090
|
||
Running 10s test @ http://localhost:9090
|
||
10 threads and 10 connections
|
||
Thread Stats Avg Stdev Max +/- Stdev
|
||
Latency 334.76us 1.21ms 45.47ms 98.27%
|
||
Req/Sec 4.42k 633.62 6.90k 71.16%
|
||
443582 requests in 10.10s, 54.15MB read
|
||
Requests/sec: 43911.68
|
||
Transfer/sec: 5.36MB
|
||
|
||
~ ❯❯❯ wrk -c 10 -d 10s -t10 http://localhost:9090
|
||
Running 10s test @ http://localhost:9090
|
||
10 threads and 10 connections
|
||
Thread Stats Avg Stdev Max +/- Stdev
|
||
Latency 379.26us 1.34ms 44.28ms 97.62%
|
||
Req/Sec 4.55k 591.64 8.20k 76.37%
|
||
455710 requests in 10.10s, 55.63MB read
|
||
Requests/sec: 45118.57
|
||
Transfer/sec: 5.51MB
|
||
```
|
||
|
||
多次测试的结果在 4w 左右的 QPS浮动，响应时间最多也就是 40ms 左右，对于一个 web 程序来说，这已经是很不错的成绩了。这还只是家用 PC，线上服务器大多都是 24 核心起，32G 内存+，CPU 基本都是 Intel I7。所以同样的程序在服务器上运行会得到更好的结果。
|
||
|
||
真实环境的程序要比我们这里的 `hello world` 复杂得多，有些程序偏 IO bound，例如一些 proxy 服务、存储服务、缓存服务；有些程序偏 CPU/GPU bound，例如登陆校验服务、图像处理服务。不同的程序瓶颈会体现在不同的地方，这里提到的这些功能单一的服务相对来说还算容易分析。如果碰到业务逻辑复杂代码量巨大的模块，其瓶颈并不是三下五除二可以推测出来的，还是需要我们拿真实的环境来进行压力测试。
|
||
|
||
对于 IO bound 类的程序，其表现是网卡/磁盘 IO 会先于 CPU 打满，这种情况即使优化 CPU 的使用也不能提高整个系统的吞吐量，可能只能提高磁盘的读写速度，增加内容大小，或者提升网卡的带宽。而 CPU bound 类的程序，则是在存储和网卡未打满之前 CPU 占用率提前到达 100%。
|
||
|
||
无论哪种类型的服务，在资源使用到尽头的时候等待着用户的都是请求堆积，超时，系统 hang 死，而最终伤害到终端用户。对于 web 服务来说，瓶颈不一定总是在系统内部，也有可能在外部。非计算密集型的系统往往会在关系型数据库环节失守，而这时候 web 模块本身还远远未达到瓶颈。
|
||
|
||
先来看一个计算密集型服务的例子：
|
||
|
||
```go
|
||
```
|
||
|
||
再来看一个 IO bound 服务的例子：
|
||
|
||
```go
|
||
```
|
||
|
||
再来看一个外部存储系统瓶颈导致瓶颈的例子：
|
||
|
||
```go
|
||
``` |