---
tags: [microservice, circuit-breaker, retry, rate-limiting, bulkhead, health-check]
create time: 2026-05-05
---

# 容错模式

## 概述

微服务最大的挑战是 **网络不可靠**。分布式系统的每个远程调用都可能超时、被拒绝、或部分成功。必须提前设计降级和恢复策略。

```mermaid
graph TB
    A["🛡️ 超时控制"] --> B["⏱ 重试机制"]
    B --> C["⚡ 熔断器"]
    C --> D["🔀 限流"]
    D --> E["🧱 舱壁隔离"]
    E --> F["💤 降级策略"]
```

> [!warning] 核心认知
> 不要假设任何网络调用会成功。每个远程调用的代码都应该考虑失败路径。

## 1. 超时控制

这是所有容错机制的**前提**——没有超时的系统迟早会被拖垮。

```go
// Go context 超时时序图
ctx, cancel := context.WithTimeout(context.Background(), 3*time.Second)
defer cancel()

resp, err := client.DoRequest(ctx, req)
if err == context.DeadlineExceeded {
    // 上游超时 → 走降级逻辑或快速返回错误
}
```

| 层级 | 推荐超时值 | 说明 |
|------|-----------|------|
| HTTP 客户端 → 业务服务 | 3~5s | 留有余量给下游 |
| gRPC → 内部服务 | 1~2s | 内网延迟低 |
| DB 查询 | 500ms~1s | 长查询应在 SQL 层限制 |

> [!tip] 超时传递原则
> 如果整体 SLA 要求 P99 < 200ms，子调用的超时时间必须逐层递减。例如：网关 200ms → 订单服务 150ms → 库存服务 80ms。

## 2. 重试机制

> [!warning] 关键原则
> 只对 **幂等操作** 重试！POST 创建操作直接重试会导致重复数据。GET、PUT（同参数）适合重试。

### 指数退避 + Jitter

```
第 1 次重试：等待 1s + random(0~100ms)
第 2 次重试：等待 2s + random(0~100ms)
第 3 次重试：等待 4s + random(0~100ms)
...
```

```go
func retryWithBackoff(ctx context.Context, maxRetries int, fn func() error) error {
    for attempt := uint(0); attempt <= uint(maxRetries); attempt++ {
        if err := fn(); err != nil {
            if attempt == uint(maxRetries) {
                return err
            }
            // jitter: 随机偏移，避免所有客户端同时重试造成二次冲击
            jitter := time.Duration(rand.Int63n(int64(time.Millisecond * 100)))
            wait := time.Duration(math.Pow(2, float64(attempt)))*time.Second + jitter
            select {
            case <-ctx.Done():
                return ctx.Err()
            case <-time.After(wait):
            }
        } else {
            return nil
        }
    }
    return nil
}
```

**Jitter 为什么重要？**
- 如果没有随机偏移，当某个下游服务挂掉时，所有客户端会在同一时刻同时重试
- 这会造成 **retry storm（重试风暴）**，对恢复中的服务施加二次冲击
- 加上 jitter 后，请求均匀分散到时间窗口内

### 可重试 vs 不可重试的错误类型

| 可以重试 | 不应重试 |
|---------|---------|
| 连接超时 | 4xx Client Error（除 429） |
| 连接重置 | 404 Not Found |
| 502/503/504 Gateway Error | 业务错误（如余额不足） |
| 并发冲突（乐观锁失败） | 403 Forbidden |

## 3. 熔断器 (Circuit Breaker)

当下游服务频繁失败时，快速失败避免线程堆积雪崩。

```mermaid
flowchart TD
    CB{{🔘 CIRCUIT BREAKER}}

    subgraph CL ["CLOSED — 正常"]
        C["请求放行<br/>⏱ 实时统计成功率<br/>⚠️ 连续失败 → 熔断"]
    end

    subgraph OP ["OPEN — 熔断"]
        O["🚫 请求短路<br/>💥 直接返回降级响应<br/>🛡 不调下游，防雪崩"]
    end

    subgraph HO ["HALF-OPEN — 探测"]
        H["🔍 放行少量探测请求<br/>✅ 成功 → 恢复全量流量<br/>❌ 失败 → 重新熔断"]
    end

    CB --> CL
    CL -.->|失败 > N| OP
    OP -.->|等待超时| HO
    HO -->|探测成功| CL
    HO -->|探测失败| OP

    style CL fill:#e6f9e6,stroke:#4caf50,stroke-width:3px,color:#000
    style OP fill:#ffebee,stroke:#ef5350,stroke-width:3px,color:#000
    style HO fill:#fff8e1,stroke:#ffa726,stroke-width:3px,color:#000
```

### 状态转换条件

| 状态 | 触发条件 | 行为 | 退出条件 |
|------|---------|------|---------|
| **Closed** | 初始状态 / 从 Half-Open 恢复 | 正常放行请求 | 连续失败数 > threshold → 打开 |
| **Open** | 失败率超过阈值 | 立即短路返回错误 | 等待 recoveryTimeout → 进入半开 |
| **Half-Open** | 探测期 | 放少量请求测试 | 探测成功 → Closed；探测失败 → Open |

### 实战示例

```go
// gobreaker 示例
cb := state.NewCB(state.Settings{
    Name:        "UserService",
    MaxElems:    10,              // 窗口大小
    WaitRetry:   5 * time.Second, // Open → Half-Open 等待时间
    ReadyToTrip: func(counts state.Counters) bool {
        return counts.Failures > 5  // 连续 5 次失败熔断
    },
})

result := cb.Execute(doRequest)
if result.Err != nil {
    // 熔断打开，立即短路返回错误，不调用下游
    return fallbackResponse()
}
```

## 4. 限流 (Rate Limiting)

保护下游服务不被过量请求压垮。

### 常见算法

```mermaid
flowchart LR
    subgraph "令牌桶"
        T1["匀速添加令牌"]
        T2["请求消耗令牌"]
        T3["不够则拒绝"]
    end
    
    subgraph "滑动窗口"
        S1["按时间片切分"]
        S2["统计每片请求数"]
        S3["超过阈值则拒绝"]
    end
```

| 算法 | 特点 | 适用场景 |
|------|------|---------|
| **固定窗口** | 简单实现，存在边界突发问题 | 低频场景 |
| **滑动窗口** | 精确控制，内存占用高 | 需要精细限流的场景 |
| **令牌桶** | 允许一定突发，平均速率受限 | API 网关通用方案 |
| **漏桶** | 强制匀速输出，不允突发 | 防止下游被打满 |

### 令牌桶 (Token Bucket)

令牌桶的核心思想：**以恒定速率往一个"桶"里放令牌，请求到来时从桶中取令牌，取到则放行，取不到则拒绝或等待。**

```mermaid
flowchart LR
    subgraph "🪣 令牌桶内部"
        BUCKET[令牌桶<br/>容量 = maxBurst]
        REFILL[⚡ 固定速率 r/s 添加令牌<br/>最多填到 maxBurst]
    end
    
    REQ[请求到达] --> CHECK{桶中有令牌?}
    CHECK -- 是 --> CONSUME["消耗 1 个令牌<br/>✅ 请求放行"]
    CHECK -- 否 --> DROP["❌ 请求被拒绝 / 排队等待"]
    
    REFILL -.-> BUCKET
    CONSUME -.->|"桶 -1"| BUCKET
```

**工作流程：**

1. 初始状态：桶中有 `maxBurst` 个令牌（满桶）
2. 以固定速率 `r`（如 100/s）不断往桶中添加令牌，但总量不超过桶容量
3. 每个请求到来时尝试获取 N 个令牌（通常 N=1）
4. 有足够令牌 → 消费后放行；不足 → 拒绝或阻塞
5. **关键特性：桶未满的令牌会累积**，这使得在一段时间空闲后突然来了大量请求时，桶里有足够的令牌可以应对瞬时突发流量

**为什么允许突发？**

假设 `rate = 100/s`, `maxBurst = 200`：

```
时间线（每秒）       桶中令牌数     行为
───────────────── ───────────   ─────────────
t=0s               200           初始满桶
t=1s               300→200       理论上应该增加到300，但桶满了，上限200
t=2s ~ t=9s        100           稳定在 100（每秒消耗 ≈ 每秒生成）
t=10s              200           系统空闲，桶重新蓄满
t=11s              0             ⚡ 瞬间涌入 200 个请求全部通过（突发！）
t=12s              0             后续只有 100 个能通过（恢复限速率）
```

这就是为什么令牌桶适合 API 网关——用户可能积攒了多个请求一口气发过来，直接全部拒绝体验很差；允许合理范围内的突发，用户体验更好。

**Go 实现：**

```go
type TokenBucket struct {
    mu         sync.Mutex
    tokens     float64   // 当前令牌数
    maxBurst   float64   // 桶容量
    rate       float64   // 补充速率（令牌/秒）
    lastRefill time.Time // 上次补充令牌的时间
}

func NewTokenBucket(rate, maxBurst float64) *TokenBucket {
    return &TokenBucket{
        tokens:     maxBurst, // 初始满桶
        maxBurst:   maxBurst,
        rate:       rate,
        lastRefill: time.Now(),
    }
}

// Allow 检查是否可以通行（非阻塞）
func (tb *TokenBucket) Allow() bool {
    tb.mu.Lock()
    defer tb.mu.Unlock()

    now := time.Now()
    elapsed := now.Sub(tb.lastRefill).Seconds()
    
    // 根据经过的时间补充令牌
    tb.tokens += elapsed * tb.rate
    if tb.tokens > tb.maxBurst {
        tb.tokens = tb.maxBurst // 不能超过桶容量
    }
    tb.lastRefill = now

    // 尝试消费一个令牌
    if tb.tokens >= 1 {
        tb.tokens--
        return true
    }
    return false
}

// Wait 阻塞等待直到获取到令牌
func (tb *TokenBucket) Wait(ctx context.Context) error {
    tb.mu.Lock()
    defer tb.mu.Unlock()

    for {
        if tb.Allow() {
            return nil
        }
        // 计算还需要等多久才有令牌
        waitDuration := time.Duration((1-tb.tokens)/tb.rate) * time.Second
        tb.mu.Unlock()
        
        select {
        case <-time.After(waitDuration):
            tb.mu.Lock()
        case <-ctx.Done():
            return ctx.Err()
        }
    }
}
```

---

### 漏桶 (Leaky Bucket)

漏桶的核心思想：**请求像水一样流入桶中，桶以固定的速率向下漏水，漏完才能接收新水。如果桶满了，新来的水就溢出丢弃。**

```mermaid
flowchart TD
    REQ["💧 请求源源不断流入"] --> QUEUE[🪣 漏桶<br/>队列缓冲区]
    QUEUE --> PROCESS["🚰 以固定速率 drainer 处理<br/>不管上游多快，只匀速处理"]
    
    QUEUE --> FULL{"桶满了？"}
    FULL -- 是 --> DROP["💨 丢弃新请求 / 返回 429"]
    
    style QUEUE fill:#e3f2fd
    style PROCESS fill:#c8e6c9
    style DROP fill:#ffebee
```

**工作流程：**

1. 桶有一个固定容量 `capacity`
2. 请求到达时进入桶（相当于往桶里倒水）
3. 处理单元以恒定速率 `rate` 取出并处理请求（相当于底部有个小孔一直在漏水）
4. 如果请求到达速度超过处理速度，桶会被逐渐填满
5. **桶满时，新来的请求直接被拒绝**

**关键特性对比令牌桶：**

```
场景：突发流量 500qps 涌入，限流配置 rate=100/s, capacity=200

令牌桶视角：                          漏桶视角：
┌──────────────┐                     ┌──────────────┐
│ ✅前200个通过 │ ← 桶里够令牌        │ ❌桶满了拒绝  │ ← 已经满了
│ ⏱后面100个/秒 │ ← 恢复限速率        │ ──────────── │ 
│ ❌多余的被拒  │                     │ ✅匀速处理100/s│ ← 底部漏水
└──────────────┘                     └──────────────┘
                                         ↑
                                    无论上游来多少，
                                    下游只看到匀速的100/s
```

| 维度 | 令牌桶 | 漏桶 |
|------|--------|------|
| **突发容忍** | ✅ 允许（空闲时令牌会累积） | ❌ 不允许（直接拒绝或排队） |
| **输出形态** | 输入决定输出节奏 | 始终匀速输出 |
| **队列语义** | 无队列（拒绝或立即执行） | 隐含队列（请求先进入桶再被处理） |
| **保护对象** | 对客户端更友好 | 对下游处理单元更安全 |
| **实现复杂度** | 需记录剩余令牌和更新时间 | 只需记录当前量和漏出速率 |

**Go 实现：**

```go
type LeakyBucket struct {
    mu         sync.Mutex
    water      float64   // 当前水量（请求数）
    capacity   float64   // 桶容量
    rate       float64   // 排水速率（请求/秒）
    lastDrain  time.Time // 上次排水时间
}

func NewLeakyBucket(capacity float64, rate float64) *LeakyBucket {
    return &LeakyBucket{
        capacity: capacity,
        rate:     rate,
        lastDrain: time.Now(),
    }
}

// Add 尝试加入请求（非阻塞），已满返回 false
func (lb *LeakyBucket) Add() bool {
    lb.mu.Lock()
    defer lb.mu.Unlock()

    now := time.Now()
    elapsed := now.Sub(lb.lastDrain).Seconds()
    
    // 根据时间排出一定量的水
    lb.water -= elapsed * lb.rate
    if lb.water < 0 {
        lb.water = 0 // 不能排成负的
    }
    lb.lastDrain = now

    // 加水
    if lb.water+1 <= lb.capacity {
        lb.water++
        return true // 成功放入桶中
    }
    return false // 桶满了，拒绝
}

// DrainLoop 持续的排水循环（实际服务中的处理方式）
func (lb *LeakyBucket) DrainLoop(ctx context.Context) {
    ticker := time.NewTicker(100 * time.Millisecond) // 每 100ms 排水一次
    defer ticker.Stop()
    
    for {
        select {
        case <-ctx.Done():
            return
        case <-ticker.C:
            lb.mu.Lock()
            drainAmount := lb.rate * 0.1 // 100ms 内可处理的量
            lb.water -= drainAmount
            if lb.water < 0 {
                lb.water = 0
            }
            // 这里执行实际的处理逻辑
            // processNextRequest()
            lb.mu.Unlock()
        }
    }
}
```

---

### 如何选择？

```mermaid
flowchart TD
    Choice["如何选？"] --> Q1{"是否需要支持突发流量？"}
    
    Q1 -- 是 --> TB["选令牌桶 ✅"]
    Q1 -- 否 --> LB["选漏桶 ✅"]
    
    TB --> UseCases1["典型场景：<br/>• REST API 限流<br/>• 第三方调用配额<br/>• 用户体验优先的网关"]
    
    LB --> UseCases2["典型场景：<br/>• DB 连接池限流<br/>• 消息队列消费者速率<br/>• 防抖/削峰压后端"]
    
    style TB fill:#e8f5e9
    style LB fill:#fff3e0
    style UseCases1 fill:#e8f5e9
    style UseCases2 fill:#fff3e0
```

> [!tip] 工程实践建议
> - **生产环境推荐使用成熟库**：如 Go 的 `uber-go/ratelimit`（基于令牌桶）、Redis 的 `LIMIT` 参数配合 `XREADGROUP`（漏桶模型）
> - **Redis + Lua 脚本**是实现分布式令牌桶的最常见方案，保证多实例下的限流一致性
> - 很多云厂商的 API 网关默认采用令牌桶算法，因为它在限制平均速率的同时给了客户端更好的吞吐体验

### 限流层级

```mermaid
graph TB
    Client["客户端"] --> GW["L1: 网关级限流<br/>防刷 / DDOS"]
    GW --> Biz["L2: 业务级限流<br/>按用户/接口配额"]
    Biz --> Downstream["L3: 下游服务限流<br/>保护实例不被打满"]
    
    style GW fill:#ffebee
    style Biz fill:#fff3e0
    style Downstream fill:#e8f5e9
```

## 5. 舱壁隔离 (Bulkhead)

为不同下游服务分配独立的线程池/连接池，防止一个服务的故障蔓延到其他服务。

```mermaid
graph TB
    Caller["调用方"]
    
    subgraph Bulkhead["舱壁隔离"]
        Pool1[订单池<br/>maxActive=10]
        Pool2[用户池<br/>maxActive=5]
        Pool3[支付池<br/>maxActive=8]
    end
    
    Caller --> Pool1
    Caller --> Pool2
    Caller --> Pool3
    
    Pool1 --> OrderSvc[[Order Service]]
    Pool2 --> UserSvc[[User Service]]
    Pool3 --> PaySvc[[Payment Service]]
    
    note[订单服务爆满不会影响用户服务的调用]
    Pool1 -.-> note
```

```go
// poolgroup 示例：为不同服务隔离连接池
orderPool := pool.New(10, 100) // 活跃10个，上限100个
userPool := pool.New(5, 50)
payPool := pool.New(8, 80)
// 订单服务占满连接不会影响用户服务的调用
```

## 6. 降级策略

当系统部分不可用时，通过降级保证核心功能可用。

```mermaid
flowchart TD
    Req["用户请求"]
    
    Req --> Normal{"正常链路是否可用?"}
    
    Normal -- 是 --> Full["完整功能 ✅"]
    
    Normal -- 否 --> Degrade{"降级级别?"}
    
    Degrade -- "非核心模块" --> Skip["跳过该功能 ⚡"]
    Degrade -- "核心模块不可用" --> Cache["返回缓存兜底 📦"]
    
    Cache -- "无缓存" --> Default["返回默认值/提示页"]
    
    Skip --> Partial["部分可用 ✅"]
    Default --> Minimal["最低可用 ✅"]
```

### 常见降级场景

| 场景 | 降级方案 | 影响 |
|------|---------|------|
| 推荐服务挂了 | 展示热门榜单 / 空 | 用户体验略降 |
| 评论服务挂了 | 隐藏评论区 | 不影响购买流程 |
| 搜索服务超时 | 返回最近浏览记录 | 降低用户感知 |
| 库存服务不可用 | 显示"暂时无法确认库存" | 引导用户稍后再试 |

## 7. 健康检查

```mermaid
sequenceDiagram
    participant LB as 负载均衡器/K8s
    participant S1 as 服务实例 A
    participant S2 as 服务实例 B

    LB->>S1: GET /healthz -> 200 OK
    LB->>S2: GET /healthz -> 503 ERROR
    Note over LB: 标记 S2 不健康，剔除出池
    LB->>S2: GET /healthz -> 200 OK
    Note over LB: 逐步恢复，重新加入池
```

- **存活探针 (Liveness)**：判断"进程是否还活着"，挂了则重启
- **就绪探针 (Readiness)**：判断"是否能接收流量"，未就绪则剔除负载均衡池
- **Readiness 比 Liveness 更重要**——一个进程活着但数据库连接耗尽时，应该停止接收流量而不是重启

## 关联笔记

- [[02-服务治理/01-API网关]] — 网关层的限流和熔断插件
- [[02-服务治理/04-服务发现]] — 健康检查是服务发现的基础
- [[04-可观测性/01-Metrics监控]] — 熔断器的指标暴露和告警联动