限流降级：解密 Sentinel 滑动窗口与秒级流量统计

在微服务的高可用防线中，限流与熔断的核心前提是**高精度、低延迟的流量数据度量**。如果无法准确统计出当前一秒内通过了多少 QPS，或者最近 10 秒内的平均响应时间（RT）是多少，那么所有的流控规则都将沦为空谈。

传统的固定窗口算法存在“临界爆发（Burst）”的物理缺陷，而滑动窗口算法则能平滑地进行流量度量。Alibaba Sentinel 内部实现了一个极其高效的环形滑动窗口数据结构——**LeapArray**。它采用“时间轮”的思想，通过无锁的并发 CAS 操作，达成了极致的高性能秒级流量统计。

本文将系统拆解滑动窗口的防临界爆发机理、LeapArray 环形存储设计、以及 Sentinel 定位与跨越时间窗口的底层源码执行逻辑。

一、 核心对比：固定窗口算法 vs. 滑动窗口算法

两种流量度量算法在统计精确度与内存管理上存在根本的技术差异：

二、 Sentinel LeapArray 环形滑动窗口存储拓扑

当系统时间不断向前推进时，Sentinel 基于 LeapArray 环形数组进行格子定位与过时回刷的拓扑如下：

      【 系统当前时间 (System.currentTimeMillis()) = 1600ms 】
                               │
                               ▼ 1. 映射计算下标: idx = (1600 / 500) % 2 = 1
         [ LeapArray 环形数组 (长度为 2, 窗口总长 1s, 每格 500ms) ]
         ┌───────────────────────────────┬───────────────────────────────┐
         │     Bucket 0 (对应 0-500ms)    │    Bucket 1 (对应 500-1000ms)  │
         ├───────────────────────────────┼───────────────────────────────┤
         │ windowStart = 0ms             │ windowStart = 500ms           │
         │ value = 12 (QPS)              │ value = 8 (QPS)               │
         └───────────────────────────────┴───────────────────────────────┘
                                                 │
                                                 ▼ 2. 判定当前格子的 windowStart 是否小于 (1600 - 1000)ms
                                        【 windowStart (500ms) < 600ms ？ 】
                                                 │
                                                 ▼ 3. 校验成立！说明此格子已是“上一个周期的旧垃圾数据”
                                        【 4. 触发 CAS 重置并清空 Bucket 1 】
                                                 │
                                                 ▼ 5. 重建新格子
         ┌───────────────────────────────┬───────────────────────────────┐
         │     Bucket 0 (对应 0-500ms)    │   Bucket 1 (对应 1500-2000ms)  │
         ├───────────────────────────────┼───────────────────────────────┤
         │ windowStart = 0ms             │ windowStart = 1500ms          │
         │ value = 12 (QPS)              │ value = 1 (刚刚注入的新 QPS)    │
         └───────────────────────────────┴───────────────────────────────┘

三、 代码实战：模拟 Sentinel 环形窗口定位与写入

以下代码展示了如何模拟 Sentinel LeapArray 的核心逻辑，编写一个线程安全的环形滑动窗口统计器：

1. 领域层：环形滑动窗口核心实现（Domain Layer）

package com.company.infra.sentinel.metric;

import java.util.concurrent.atomic.AtomicReferenceArray;

public class MiniLeapArray {

    private final int windowLengthInMs; // 单个子窗口（Bucket）的时长，如 500ms
    private final int intervalInMs;     // 整个滑动窗口的总时长，如 1000ms
    private final int sampleCount;      // 环形数组长度，sampleCount = intervalInMs / windowLengthInMs
    
    // 线程安全的环形引用数组
    private final AtomicReferenceArray<WindowWrap> array;

    public MiniLeapArray(int windowLengthInMs, int intervalInMs) {
        this.windowLengthInMs = windowLengthInMs;
        this.intervalInMs = intervalInMs;
        this.sampleCount = intervalInMs / windowLengthInMs;
        this.array = new AtomicReferenceArray<>(sampleCount);
    }

    /**
     * 根据当前时间戳定位子窗口，执行计数累加
     */
    public void addPass(long timeMillis) {
        WindowWrap bucket = currentWindow(timeMillis);
        bucket.addValue(1);
    }

    private WindowWrap currentWindow(long timeMillis) {
        int idx = (int) ((timeMillis / windowLengthInMs) % sampleCount);
        long windowStart = timeMillis - timeMillis % windowLengthInMs;

        while (true) {
            WindowWrap old = array.get(idx);
            if (old == null) {
                // 1. 格子未初始化，执行新建并 CAS 写入
                WindowWrap next = new WindowWrap(windowStart, 0);
                if (array.compareAndSet(idx, null, next)) {
                    return next;
                }
            } else if (windowStart == old.windowStart) {
                // 2. 格子时间戳与当前计算一致，直接返回使用
                return old;
            } else if (windowStart > old.windowStart) {
                // 3. 发现是上一个历史周期的陈旧数据，执行 CAS 重置清空
                WindowWrap next = new WindowWrap(windowStart, 0);
                if (array.compareAndSet(idx, old, next)) {
                    return next;
                }
            } else {
                // 4. 时钟回拨或延迟请求，忽略不予统计
                return old;
            }
        }
    }

    public static class WindowWrap {
        private final long windowStart;
        private long value;

        public WindowWrap(long windowStart, long value) {
            this.windowStart = windowStart;
            this.value = value;
        }

        public synchronized void addValue(long val) {
            this.value += val;
        }

        public long getValue() { return value; }
        public long getWindowStart() { return windowStart; }
    }
}

四、 总结

Sentinel 基于 LeapArray 的环形滑动窗口设计，是分布式流控组件在高并发、低延迟运行要求下的“极速统计引擎”。

It 通过**精妙的环形时间轴映射，免去了频繁新建和销毁数组的垃圾回收（GC）开销；并利用基于 CAS（Compare-And-Swap）的乐观自旋锁，取代了传统重型锁的线程挂起损耗，确保了高并发下的极致性能**。掌握这套滑动窗口环形定位机制与并发重置代码，是深入研究云原生流量统计、开发高性能监控指标底盘 of 必修内功！