Sentinel限流实战:MyBatis与Redis中间件层防护下沉指南
1. 为什么数据库和缓存是限流落地的“最后一公里”
做微服务稳定性保障,限流这个话题聊起来总是很热闹。Sentinel 作为阿里开源的流量防护组件,在网关层、服务层做 QPS 控制、线程数隔离、熔断降级,这些能力大家已经用得比较熟了。但真正把 Sentinel 接入到生产项目里,尤其是当你的服务同时依赖 MyBatis 操作数据库、Redis 做缓存的时候,你会发现一个很现实的问题:限流规则配在接口上,但压力最终还是打到了数据库和缓存上。
我见过不少团队,Sentinel 的 Dashboard 上看着流量曲线很漂亮,QPS 被稳稳压在阈值以下,但 MySQL 的活跃连接数还是飙高,Redis 的慢查询日志照样刷屏。原因很简单——接口层的限流粒度太粗了。一个 HTTP 请求进来,可能触发多次数据库查询和多次缓存读写,你限住了入口的 100 QPS,但每个请求背后可能是 5 次 SQL 和 10 次 Redis 操作,实际打到中间件的压力是 500 QPS 和 1000 QPS。这个放大效应,才是限流策略真正需要面对的核心矛盾。
这篇文章要聊的,就是 Sentinel 在 MyBatis 和 Redis 这两个中间件层面的防护实战。不是简单贴几行 @SentinelResource 注解就完事,而是要把“限流到底该限在哪一层”“数据库和缓存各自的限流策略怎么取舍”“接入过程中有哪些坑”这些问题掰开揉碎讲清楚。适合已经用过 Sentinel 做接口限流、但想进一步把防护下沉到中间件层的后端开发同学,也适合正在做稳定性治理、需要给数据库和缓存加一道防线的架构师参考。
2. 限流层次的整体设计:从接口到中间件的防护下沉
2.1 接口限流的局限性在哪里
大部分项目接入 Sentinel 的第一步,都是在 Controller 层或者 Service 层的方法上加 @SentinelResource 注解,配置 QPS 或线程数阈值。这种做法上手快、见效明显,但它有一个天然的盲区:它只能看到“请求”这个维度,看不到“资源消耗”这个维度。
举个例子,假设你有一个订单查询接口,内部逻辑是这样的:先查 Redis 缓存,缓存没命中就查 MySQL,查到后回写 Redis。这个接口在 Sentinel 里配置了 QPS 上限 200。看起来没问题对吧?但实际情况可能是:缓存命中率 90% 的时候,MySQL 只承受 20 QPS;缓存命中率跌到 50% 的时候,MySQL 就要承受 100 QPS。同样是 200 QPS 的接口流量,数据库的压力可能相差 5 倍。更极端的情况,如果缓存雪崩,所有请求都穿透到数据库,200 QPS 全部打到 MySQL 上,数据库直接被打挂。
所以接口层限流的问题在于:它假设每个请求的资源消耗是均匀的,但现实往往不是。你需要一个更细粒度的防护层,能够分别对数据库访问和缓存访问做独立的流量控制。
2.2 中间件层限流的价值与代价
把限流下沉到 MyBatis 和 Redis 层面,核心价值在于精准控制资源消耗。你可以给数据库查询单独设一个并发阈值,给 Redis 操作单独设一个 QPS 上限,这样无论上层接口的流量怎么波动,中间件层面的压力始终可控。
但这件事不是没有代价的。中间件层限流意味着你要在 MyBatis 的拦截器链和 Redis 的客户端调用链里嵌入 Sentinel 的逻辑,这会带来几个问题:一是性能开销,每次 SQL 执行和 Redis 命令调用都要经过 Sentinel 的统计和判断,虽然单次开销很小,但高频调用下累积起来不可忽视;二是配置复杂度,你需要为不同的 Mapper 方法、不同的 Redis 操作类型分别定义资源和规则,管理成本上升;三是故障排查难度,当限流触发时,异常堆栈会更深,定位问题需要更熟悉框架内部机制。
我的建议是:不要一上来就全量接入,而是先做接口层限流,等发现中间件确实成为瓶颈时,再针对性地对关键资源做下沉防护。下面这张表可以帮助你判断什么时候需要下沉到中间件层:
| 判断维度 | 接口层限流够用 | 需要下沉到中间件层 |
|---|---|---|
| 缓存命中率 | 稳定在 95% 以上 | 波动大,经常低于 80% |
| SQL 复杂度 | 简单主键查询 | 多表关联、聚合查询 |
| 流量放大倍数 | 单请求 1-2 次中间件调用 | 单请求 5 次以上中间件调用 |
| 故障影响面 | 单接口不可用 | 数据库/缓存整体不可用 |
| 团队运维能力 | 基础 Sentinel 使用经验 | 熟悉 MyBatis/Redis 内部机制 |
2.3 整体架构:Sentinel 如何嵌入 MyBatis 与 Redis
整体思路是这样的:在 MyBatis 层面,通过 Interceptor 拦截器拦截 Executor 的 query 和 update 方法,在 SQL 执行前后嵌入 Sentinel 的 SphU.entry() 和 entry.exit() 调用,把每个 Mapper 方法映射为一个 Sentinel 资源。在 Redis 层面,通过 Jedis/Lettuce 的包装器或者 Spring Data Redis 的拦截器,在命令发送前后嵌入 Sentinel 逻辑,把每类 Redis 命令映射为资源。
这个架构的关键设计决策是:资源粒度的选择。MyBatis 这边,我建议以 Mapper接口名.方法名 作为资源名,比如 com.example.mapper.OrderMapper.selectById。Redis 这边,建议以 Redis命令类型:业务前缀 作为资源名,比如 REDIS:GET:order_cache。这样既能精确控制到具体操作,又不会因为资源名过多导致规则配置爆炸。
3. MyBatis 接入 Sentinel 的实操细节
3.1 拦截器实现:在 Executor 层嵌入 Sentinel 逻辑
MyBatis 的拦截器机制允许你在 Executor、StatementHandler、ParameterHandler、ResultSetHandler 四个扩展点插入自定义逻辑。对于限流场景,Executor 层是最合适的,因为它包裹了完整的 SQL 执行过程,包括一级缓存查询、二级缓存查询、数据库访问。
下面是一个可落地的拦截器实现:
这段代码有几个关键点需要解释。第一,ms.getId() 返回的是 Mapper 接口全限定名加方法名,这个字符串天然适合作为 Sentinel 资源名,因为它唯一标识了一个 SQL 操作。第二,ResourceTypeConstants.COMMON_MYBATIS 是自定义的资源类型常量,方便在 Dashboard 上筛选。第三,限流触发后我选择抛出业务异常而不是返回空结果,因为数据库查询被限流通常意味着系统已经过载,返回空数据可能导致更隐蔽的业务问题。
注册这个拦截器的方式取决于你的 MyBatis 配置方式。如果是 Spring Boot 自动配置,可以通过 ConfigurationCustomizer 注入:
注意:拦截器的顺序很重要。如果你的项目里已经有分页插件、乐观锁插件等其他拦截器,需要确保 Sentinel 拦截器在它们之前或之后执行,避免资源统计不准确。建议通过
@Order注解或configuration.addInterceptor()的调用顺序来控制。
3.2 资源粒度设计:Mapper 方法级还是 SQL 级
资源粒度是 MyBatis 接入 Sentinel 时最需要仔细考虑的问题。粒度太粗,比如把所有数据库操作归为一个资源,那限流就没有意义了,因为不同 SQL 的耗时和重要性完全不同。粒度太细,比如每个动态 SQL 分支都建一个资源,那资源数量会爆炸,规则配置和维护成本极高。
我的实践经验是:以 Mapper 方法为基本粒度,对核心方法做单独配置,对非核心方法做分组配置。具体来说:
- 核心业务表的写操作(如订单创建、支付记录插入),每个方法单独一个资源,配置严格的 QPS 阈值。
- 核心业务表的读操作(如订单查询、用户信息查询),每个方法单独一个资源,阈值可以适当放宽。
- 非核心的配置表、字典表查询,按 Mapper 接口分组,共享一个资源名,配置较宽松的阈值。
资源命名建议遵循这个格式:{业务域}:{Mapper简单类名}:{方法名},比如 order:OrderMapper:selectById。这样在 Sentinel Dashboard 上可以按业务域筛选,也方便后续做规则分组。
3.3 限流规则配置:QPS 阈值怎么算才合理
QPS 阈值的设定不能拍脑袋,需要基于实际压测数据和数据库承载能力来推算。我通常用这个公式作为起点:
单方法 QPS 阈值 = (数据库最大连接数 × 0.8) / 平均 SQL 耗时对应的并发系数 / 方法数量
这个公式看起来有点绕,我用一个具体例子说明。假设你的数据库连接池最大连接数是 100,核心 Mapper 方法有 10 个,平均 SQL 耗时 20ms。那么单个连接每秒可以执行 50 次 SQL(1000ms / 20ms),100 个连接理论上每秒可以执行 5000 次 SQL。考虑到实际并发不会这么理想,打个 0.6 的折扣,得到 3000 QPS。再平均到 10 个方法,每个方法约 300 QPS。但这只是理论上限,实际配置时还要考虑业务重要性,核心方法可以配 200,非核心方法配 100。
在 Sentinel Dashboard 上配置规则时,建议先用预热模式(Warm Up),让流量逐渐上升到阈值,避免冷启动时数据库连接池还没热起来就被打满。预热时长建议设置为 60-120 秒,具体取决于数据库的缓冲池大小和磁盘 IO 能力。
提示:
controlBehavior设为 1 表示预热模式,设为 0 表示快速失败,设为 2 表示排队等待。对于数据库操作,我建议用预热模式或快速失败,不建议用排队等待,因为 SQL 排队会占用线程资源,可能引发线程池耗尽。
3.4 兜底策略:限流触发后返回什么
限流触发后的兜底策略,直接决定了用户体验和系统行为。对于数据库查询被限流,我有三个建议方案,按优先级排列:
方案一:返回缓存数据。如果这个查询有对应的 Redis 缓存,限流触发时尝试从缓存读取。这需要你在拦截器里注入 Redis 客户端,实现稍微复杂一些,但用户体验最好。
方案二:返回降级数据。比如返回空列表、默认对象,或者一个友好的错误提示。这种方式实现简单,但要注意区分“真的没有数据”和“被限流了”,避免业务逻辑误判。
方案三:快速失败并抛出异常。让上层业务代码决定怎么处理。这种方式最直接,但需要确保全局异常处理器能正确识别限流异常,返回合适的 HTTP 状态码(建议 429 Too Many Requests)。
我个人的选择是:核心查询用方案一,非核心查询用方案二,写操作必须用方案三。写操作被限流意味着数据可能不一致,绝对不能静默失败。
4. Redis 接入 Sentinel 的实操细节
4.1 客户端选型对限流接入的影响
Redis 客户端的选择直接影响限流接入的方式。目前主流的 Java Redis 客户端有 Jedis、Lettuce 和 Redisson,它们在限流接入上的差异很明显:
| 客户端 | 接入方式 | 优点 | 缺点 |
|---|---|---|---|
| Jedis | 包装 Jedis 类或使用 JedisPool 拦截 | 同步调用,逻辑直观 | 连接池管理需额外注意 |
| Lettuce | 基于 Netty 的 ChannelHandler | 异步高性能,适合高并发 | 接入复杂度较高 |
| Redisson | 使用 RBucket 等对象的拦截器 | 功能丰富,支持分布式对象 | 包体积大,学习成本高 |
我推荐用 Jedis 的项目通过包装类接入,用 Lettuce 的项目通过自定义 CommandHandler 接入。Redisson 本身已经有很多内置的限流能力,如果只是为了限流,不建议额外引入 Sentinel。
以 Jedis 为例,包装类的实现思路是:
这里的关键设计是 extractBizPrefix 方法。Redis 的 key 通常有业务前缀,比如 order:123、user:456,按前缀分组可以让限流规则更聚焦于业务维度,而不是被大量不同的 key 分散。
4.2 命令级限流:GET、SET、EXPIRE 分开控制
Redis 的不同命令对性能的影响差异很大。GET 是 O(1) 操作,SET 也是 O(1),但 KEYS 是 O(N),HGETALL 在大 hash 上是 O(N),ZRANGE 在大 zset 上也是 O(N)。如果把所有 Redis 操作归为一个资源,一个慢命令就可能拖垮整个限流策略。
我的做法是按命令类型分组限流:
- 读命令组(GET、MGET、HGET、HGETALL):配置较高的 QPS 阈值,因为读操作通常可以并行。
- 写命令组(SET、SETEX、HSET、LPUSH):配置中等阈值,写操作需要保证顺序性。
- 慢命令组(KEYS、SCAN、ZRANGE、HGETALL 大 key):配置极低阈值,甚至直接禁用。
- 管理命令组(EXPIRE、DEL、TTL):配置独立阈值,避免影响业务读写。
在 Sentinel 中,可以通过 ResourceTypeConstants 自定义资源类型来区分这些组,然后在 Dashboard 上按类型筛选和配置规则。
4.3 热点 Key 的识别与特殊处理
热点 Key 是 Redis 限流中最棘手的问题。一个热点 Key 可能在短时间内被访问几十万次,如果按普通 Key 的阈值来限流,要么阈值太高起不到保护作用,要么阈值太低导致正常业务被误伤。
我的处理策略是两级限流:第一级按业务前缀限流,控制整体流量;第二级对识别出的热点 Key 做单独限流,阈值根据 Key 的预期访问频率动态调整。
热点 Key 的识别可以通过 Sentinel 的热点参数限流功能实现。在 SphU.entry() 时传入 key 作为参数:
然后在 Dashboard 上配置热点参数规则,对访问频率超过阈值的具体 Key 做单独限制。这样既能保护 Redis 不被单个热点 Key 打爆,又不会影响其他 Key 的正常访问。
注意:热点参数限流会为每个不同的参数值维护统计信息,如果 Key 的数量非常大(比如百万级),会消耗大量内存。建议只对已知的热点 Key 前缀开启热点参数限流,或者设置合理的统计窗口和淘汰策略。
4.4 缓存穿透、击穿、雪崩场景下的限流策略
缓存穿透、击穿、雪崩是 Redis 使用中的三大经典问题,它们在限流层面的表现和对策各不相同:
缓存穿透:大量请求查询不存在的 Key,请求直接打到数据库。限流策略是在 Redis 层对“未命中”的查询做限制,比如对 REDIS:GET:miss 资源配置较低的 QPS 阈值,超过阈值后直接返回空结果,不再查数据库。
缓存击穿:某个热点 Key 过期瞬间,大量请求同时查数据库。限流策略是对该热点 Key 的数据库查询做并发控制,用 Sentinel 的线程数限流模式,限制同时查数据库的线程数不超过 1-2 个,其他线程等待或返回旧数据。
缓存雪崩:大量 Key 同时过期,所有请求都打到数据库。限流策略是在 MyBatis 层做整体 QPS 控制,同时配合 Redis 的过期时间随机化来预防。Sentinel 这边可以配置一个“数据库总入口”资源,对所有 SQL 做总量限制,作为最后一道防线。
5. 数据库与缓存的限流取舍:什么时候限谁
5.1 读写分离场景下的限流分配
读写分离架构下,主库和从库的承载能力不同,限流策略也需要区别对待。主库通常只处理写操作和强一致性读,从库处理普通读操作。我的建议是:
- 主库写操作:配置严格的 QPS 阈值,因为写操作无法通过加从库来扩展,主库是真正的瓶颈。
- 从库读操作:配置较宽松的阈值,但要注意从库数量。如果有 3 个从库,单个从库的阈值可以设为主库的 2-3 倍。
- 强一致性读:走主库的读操作,阈值应该和写操作一样严格,因为主库的资源是共享的。
在 Sentinel 中,可以通过资源名区分主从库操作,比如 order:OrderMapper:insert(主库)和 order:OrderMapper:selectById(从库),然后分别配置规则。
5.2 缓存与数据库的限流优先级
当系统压力增大时,应该优先保护谁?我的答案是:优先保护数据库,缓存可以适当放宽。原因很简单:数据库是有状态的,一旦被打挂,恢复时间长,影响面大;Redis 虽然也有状态,但通常可以通过主从切换、集群扩容来快速恢复,而且 Redis 的抗压能力通常比数据库强一个数量级。
具体到限流配置上,我会这样设置优先级:
- 数据库写操作:最高优先级保护,阈值最严格。
- 数据库读操作:次高优先级,阈值适中。
- Redis 写操作:中等优先级,阈值较宽松。
- Redis 读操作:最低优先级,阈值最宽松。
这个优先级顺序也体现在限流触发后的降级策略上:数据库限流触发时,直接拒绝请求;Redis 限流触发时,可以尝试降级到本地缓存或返回默认值。
5.3 分布式场景下的限流一致性
单机限流在分布式场景下会遇到一致性问题:如果服务有 10 个实例,每个实例配置 100 QPS 阈值,那实际总流量可能达到 1000 QPS,远超数据库的承载能力。这时候需要集群限流。
Sentinel 提供了两种集群限流模式:独立模式和嵌入模式。独立模式需要单独部署一个 Token Server,所有实例向 Token Server 申请令牌;嵌入模式是选择一个实例作为 Token Server,其他实例向它申请。独立模式的可靠性更高,但需要额外的部署资源;嵌入模式部署简单,但 Token Server 实例故障时会影响整个集群。
我的建议是:核心业务用独立模式,非核心业务用嵌入模式。独立模式的 Token Server 建议部署 2 个实例做高可用,通过配置中心动态切换。
提示:集群限流的阈值是全局阈值,不是单机阈值。比如你配置 1000 QPS,那是所有实例加起来的总和。配置时要注意和单机阈值的换算关系,避免规则冲突。
6. 常见问题与排查技巧实录
6.1 限流规则不生效的排查思路
限流规则配了但没生效,这是接入 Sentinel 时最常见的问题。我整理了一个排查清单,按优先级排列:
-
检查资源名是否匹配。Sentinel 的资源名是大小写敏感的,
OrderMapper.selectById和ordermapper.selectbyid是两个不同的资源。建议在代码里打印出实际的资源名,和 Dashboard 上配置的对比。 -
检查规则是否推送成功。如果用的是 Dashboard 直接配置,规则默认存在内存里,应用重启就丢了。生产环境建议用 Nacos、Apollo 等配置中心做规则持久化。
-
检查 EntryType 是否正确。
SphU.entry()默认是EntryType.OUT,表示出站流量。如果你的规则配置的是入站流量限流,需要显式传入EntryType.IN。 -
检查拦截器是否注册成功。MyBatis 拦截器如果没注册到 Configuration 里,或者被其他拦截器覆盖了,限流逻辑根本不会执行。可以在拦截器里打日志确认。
-
检查是否被其他规则覆盖。Sentinel 支持多种规则(限流、熔断、系统保护),如果系统保护规则先触发了,限流规则可能看不到效果。
6.2 性能开销评估与优化
中间件层限流的性能开销主要来自三个方面:Sentinel 的统计计算、资源名的字符串处理、异常堆栈的生成。我实测下来的数据是:单次 SphU.entry() + entry.exit() 的开销在 50-100 纳秒级别,对于 QPS 在万级以下的服务,这个开销完全可以忽略。但如果你的服务 QPS 在十万级以上,就需要做一些优化:
- 缓存资源名:不要在每次调用时拼接字符串,提前在 Mapper 初始化时把资源名缓存起来。
- 复用 Entry:对于批量操作,可以考虑用一个 Entry 包裹整个批次,而不是每个操作一个 Entry。
- 关闭不必要的统计:Sentinel 支持关闭某些维度的统计,比如关闭调用链统计可以减少开销。
- 异步化:对于 Redis 的异步客户端(如 Lettuce),可以在异步回调里做限流判断,避免阻塞主线程。
6.3 限流与熔断的配合使用
限流和熔断是两种不同的保护机制,它们应该配合使用而不是互相替代。限流是预防性的,在流量超过阈值时主动拒绝;熔断是响应式的,在错误率超过阈值时被动切断。
我的配置策略是:先限流,后熔断。具体来说:
- 对数据库操作,先配置 QPS 限流,阈值设为数据库承载能力的 80%。同时配置熔断规则,当 SQL 异常率超过 50% 时熔断 10 秒。
- 对 Redis 操作,先配置 QPS 限流,阈值设为 Redis 承载能力的 70%。同时配置熔断规则,当连接超时率超过 30% 时熔断 5 秒。
这样做的逻辑是:限流防止系统被过量流量打垮,熔断防止系统被故障依赖拖死。两者结合,才能形成完整的防护闭环。
6.4 常见问题速查表
| 问题现象 | 可能原因 | 排查方法 | 解决方案 |
|---|---|---|---|
| 限流规则不生效 | 资源名不匹配 | 打印实际资源名对比 | 修正资源名或规则 |
| 限流触发但无日志 | 异常被吞掉 | 检查全局异常处理器 | 添加限流异常日志 |
| 性能明显下降 | Entry 创建过多 | 压测对比接入前后 | 缓存资源名,批量合并 |
| 集群限流不一致 | Token Server 故障 | 检查 Token Server 状态 | 部署高可用 Token Server |
| 热点 Key 误伤 | 阈值设置过低 | 分析 Key 访问分布 | 调整阈值或开启热点参数限流 |
| 规则重启丢失 | 未持久化 | 检查配置中心 | 接入 Nacos/Apollo 持久化 |
6.5 几个我踩过的坑
坑一:MyBatis 二级缓存和 Sentinel 的冲突。MyBatis 的二级缓存是在 Executor 层之上工作的,如果查询命中二级缓存,根本不会走到 Executor 的 query 方法,Sentinel 拦截器也就不会触发。这意味着二级缓存的命中不会计入限流统计,可能导致实际数据库压力被低估。解决方案是:要么关闭二级缓存,要么在二级缓存层也加 Sentinel 拦截。
坑二:Redis Pipeline 的限流粒度。用 Pipeline 批量发送命令时,Jedis 的 get 方法不会被逐个调用,而是通过 Pipeline.get 批量发送。如果只在 get 方法上加 Sentinel,Pipeline 操作会绕过限流。解决方案是包装 Pipeline 类,在 sync() 方法执行时做整体限流。
坑三:事务中的限流触发导致数据不一致。如果在一个数据库事务中,某个 SQL 被限流抛出异常,事务会回滚,但已经执行的 Redis 操作不会回滚。这会导致缓存和数据库不一致。解决方案是:在事务方法上做整体限流,而不是在单个 SQL 上做限流;或者确保 Redis 操作在事务提交后再执行。
坑四:Sentinel Dashboard 规则推送延迟。Dashboard 推送规则到客户端是异步的,通常有 1-3 秒的延迟。在流量突增的场景下,这个延迟可能导致规则还没生效,系统已经被打挂了。解决方案是:在客户端配置本地兜底规则,Dashboard 推送失败时使用本地规则。
7. 一些实战中的配置建议
7.1 规则持久化方案选择
生产环境强烈建议不要用 Dashboard 直接配置规则,因为规则存在客户端内存里,应用重启就丢了。我推荐用 Nacos 做规则持久化,原因是 Nacos 本身在微服务架构中很常见,不需要额外引入新组件,而且支持配置版本管理和灰度推送。
配置方式是在 Sentinel Dashboard 的配置文件中指定 Nacos 数据源:
然后在 Nacos 上创建对应的配置,格式是 JSON 数组,每个元素是一条限流规则。这样 Dashboard 推送的规则会自动同步到 Nacos,客户端从 Nacos 拉取规则,实现持久化和多实例一致。
7.2 监控告警的搭建
限流规则生效后,你需要知道它什么时候触发了、触发了多少次、影响了哪些业务。Sentinel 提供了多种监控数据输出方式,我建议至少接入一种:
- 实时监控:Dashboard 上的实时曲线,适合排查问题时快速查看。
- 日志输出:通过
SphU.entry()的BlockException记录限流日志,适合事后分析。 - Metrics 上报:接入 Prometheus + Grafana,适合做长期趋势分析和告警。
我通常会在限流触发时打一条 WARN 日志,包含资源名、当前 QPS、阈值、调用方 IP 等信息。然后配置告警规则:5 分钟内限流触发超过 100 次,发送告警通知。这样既能及时发现异常流量,又不会被偶发的限流触发打扰。
7.3 压测验证限流效果
限流规则配好后,一定要做压测验证。我常用的压测方案是:
- 基准压测:不开启限流,逐步增加并发,找到系统的实际承载上限。
- 限流压测:开启限流,用超过阈值的流量压测,验证限流是否按预期触发。
- 降级压测:模拟数据库或 Redis 故障,验证熔断和降级策略是否生效。
- 恢复压测:故障恢复后,验证系统是否能自动恢复正常。
压测工具推荐用 JMeter 或 wrk,重点观察的指标包括:限流触发次数、请求成功率、P99 响应时间、数据库连接池活跃数、Redis 慢查询数。
8. 最后聊几句个人体会
中间件层的限流防护,本质上是在资源消耗和业务可用性之间找平衡点。限得太松,起不到保护作用;限得太紧,正常业务被误伤。这个平衡点不是一次性能找到的,需要结合压测数据、线上监控和业务反馈持续调整。
我个人的经验是:先从接口层限流做起,等发现中间件确实成为瓶颈时,再针对性地做下沉防护。不要一上来就追求大而全的中间件限流方案,那样很容易陷入配置复杂、排查困难的泥潭。先把核心业务的数据库和缓存保护起来,再逐步扩展到非核心业务。
另外,限流只是稳定性保障的一环,它需要和熔断、降级、隔离、超时控制等手段配合使用。单独一个限流解决不了所有问题,但缺少限流,其他手段的效果也会大打折扣。希望这篇内容能帮你在 Sentinel 中间件防护的实践中少走一些弯路。