前言

之前介绍了Sentinel基本的应用，以及对Sentinel的改造；今天老顾来介绍Sentinel的源码，可以让我们对Sentinel机制会更加深入的了解。

我们知道可以通过Sentinel控制台进行降级限流的规则设置，也可以通过Api的方式进行设置，之前文章介绍过通过Api方式进行降级限流设置。

本质上Sentinel控制台进行设置的，最终也是通过Api进行设置的。

到底针对哪些请求/方法进行规则限制，Sentinel提供两种埋点方式：

1）try-catch 方式（通过 SphU.entry(...)），用户在 catch 块中执行异常处理 / fallback。

Entry entry = null;try {   entry = SphU.entry(KEY); //定义执行名称 //todo 业务代码   System.out.println("entry ok...");} catch (BlockException e1) {   // 降级、限流异常   // todo fallback处理} catch (Exception e2) {// 业务异常 exception} finally {   if (entry != null) {       entry.exit();  }}

2）if-else 方式（通过 SphO.entry(...)），当返回 false 时执行异常处理 / fallback

Entry entry = null;if (SphO.entry(KEY)) { //todo 业务代码     System.out.println("entry ok");} else {   // 降级、限流异常   // todo fallback处理}

针对不同的应用，Sentinel提供了不同的adapter适配器

不同adapter最主要就是要实现埋点，本质就是用上面的埋点Api，只要引入对应的adapter就能够达到基本常用的埋点了，不需要我们自行去定义了。

工作原理

在Sentinel里面，所有的资源都对应一个资源名称（resourceName），每次资源调用都会创建一个Entry对象。

Entry可以通过对主流框架的适配自动创建（就是上面说的adapter），也可以通过注解的方式或调用 SphU API 显式创建。

slot插槽

Entry创建的时候，同时也会创建一系列功能插槽（slot chain），这些插槽有不同的职责，例如默认情况下会创建一下8个插槽：

• NodeSelectorSlot负责收集资源的路径，并将这些资源的调用路径，以树状结构存储起来，用于根据调用路径来限流降级；

• ClusterBuilderSlot则用于存储资源的统计信息以及调用者信息，例如该资源的 RT, QPS, thread count 等等，这些信息将用作为多维度限流，降级的依据；

• LogSlot就是打印异常日志

• StatisticSlot则用于记录、统计不同纬度的 runtime 指标监控信息；

• AuthoritySlot则根据配置的黑白名单和调用来源信息，来做黑白名单控制；

• SystemSlot则通过系统的状态，例如 load1 等，来控制总的入口流量

• FlowSlot则用于根据预设的限流规则以及前面slot统计的状态，来进行流量控制；

• DegradeSlot则通过统计信息以及预设的规则，来做熔断降级；

注意：这里的插槽链都是一一对应资源名称的

对应的插槽Sentinel源码配置

上面介绍的插槽是Sentinle重要的概念，还有一个重要的概念node，我们来说明一下。

Node节点

node中保存了资源的实时统计数据，例如：passQps，blockQps，rt等实时数据。正是有了这些统计数据后，sentinel才能进行限流、降级等一系列的操

作。

node是一个接口，他有一个实现类：StatisticNode，但是StatisticNode本身也有两个子类，一个是DefaultNode，另一个是ClusterNode，DefaultNode又有一个子类叫EntranceNode。

其中entranceNode是每个上下文的入口，该节点是直接挂在root下的，是全局唯一的，每一个context都会对应一个entranceNode。另外defaultNode是记录当前调用的实时数据的，每个defaultNode都关联着一个资源和clusterNode，有着相同资源的defaultNode，他们关联着同一个clusterNode。

Metric

metric是sentinel中用来进行实时数据统计的度量接口，node就是通过metric来进行数据统计的。而metric本身也并没有统计的能力，他也是通过Window来进行统计的。

Metric有一个实现类：ArrayMetric，在ArrayMetric中主要是通过一个叫WindowLeapArray的对象进行窗口统计的

滑动窗口

我们下面看看Sentinel核心的数据统计是怎么做的，如何达到高性能的统计？核心就是利用了滑动时间窗口的巧妙的设计。

时间窗口是用WindowWrap对象表示的，其属性如下

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：

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);}

Sentinel提供了2个维度，一个是秒级别、一个分钟级别

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：

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。

画图理解

我们拿每秒维度举个例子，

初始的时候arrays数组中只有一个窗口(可能是第一个，也可能是第二个)，每个时间窗口的长度是500ms，这就意味着只要当前时间与时间窗口的差值在500ms之内，时间窗口就不会向前滑动。当前窗口current  window还指向Arrays的第一个窗口。例如，假如当前时间走到300或者500时，当前时间窗口current window仍然是相同的那个

时间继续往前走，当超过500ms时，时间窗口就会向前滑动到下一个，这时就会更新当前窗口的开始时间（windowStart）：

时间继续往前走，只要不超过1000ms，则当前窗口不会发生变化：

当时间继续往前走，当前时间超过1000ms时，就会再次进入下一个时间窗口，此时arrays数组中的窗口将会有一个失效，会有另一个新的窗口进行替换：

以此类推随着时间的流逝，时间窗口也在发生变化，在当前时间点中进入的请求，会被统计到当前时间对应的时间窗口中。计算qps时，会用当前采样的时间窗口中对应的指标统计值除以时间间隔，就是具体的qps。具体的代码在StatisticNode中：

上面用图的方式介绍了，滑动窗口时间。这边在提供一份网上模拟滑动窗口给的代码：

public static void main(String[] args) throws InterruptedException {    int windowLength = 500;     int arrayLength = 2;    calculate(windowLength,arrayLength);        Thread.sleep(100);    calculate(windowLength,arrayLength);        Thread.sleep(200);    calculate(windowLength,arrayLength);        Thread.sleep(200);    calculate(windowLength,arrayLength);        Thread.sleep(500);    calculate(windowLength,arrayLength);        Thread.sleep(500);    calculate(windowLength,arrayLength);        Thread.sleep(500);    calculate(windowLength,arrayLength);        Thread.sleep(500);    calculate(windowLength,arrayLength);        Thread.sleep(500);    calculate(windowLength,arrayLength);    } private static void calculate(int windowLength,int arrayLength){    long time = System.currentTimeMillis();     long timeId = time/windowLength;        long currentWindowStart = time - time % windowLength;        int idx = (int)(timeId % arrayLength); System.out.println("time="+time+",currentWindowStart="+currentWindowStart+",timeId="+timeId+",idx="+idx);}

这里假设时间窗口的长度为500ms，数组的大小为2，当前时间作为输入参数，计算出当前时间窗口的timeId、windowStart、idx等值。执行上面的代码后，将打印出如下的结果：

可以看出来，currentWindowStart每增加500ms，timeId就加1，这时就是时间窗口发生滑动的时候。

总结

介绍到这里，关于Sentinel的基本实现原理都讲了，具体怎么代码实现，小伙伴们可以去看源码调试看看。到了这里我们已经介绍了Sentinel很多相关的知识了。

那是不是我们就可以用到生产环境呢？老顾告诉大家还少一个重要的东西，没了这个东西还是不能在生产环境应用自如，具体是什么东西呢？下篇文章老顾继续介绍。谢谢！！！