一、核心目标：统计哪些运行时指标？

Sentinel 中的 StatisticNode 类是所有统计节点（如 ClusterNode、DefaultNode）的基类，承担着实时采集与管理资源性能数据的核心职责。其主要功能是通过滑动窗口机制，在秒级和分钟级两个时间粒度上精确记录 QPS、响应时间（RT）、并发线程数等关键运行指标。

rollingCounterInSecond

rollingCounterInMinute

curThreadNum

LongAdder

所有上述指标均基于滑动窗口（Sliding Window）实现，并由底层的 LeapArray 结构配合时间桶进行支撑

ArrayMetric

LeapArray

二、滑动窗口的工作原理（核心机制）

Sentinel 并未采用传统的“固定时间窗口”（如 0-1s、1-2s），而是设计了一种连续、重叠且动态滚动的时间窗口，从而更平滑地反映请求流量的变化趋势，避免因窗口切换导致的统计畸变。

以秒级滑动窗口为例（默认配置）：

• 总窗口长度：1000ms（即 1 秒）
• 桶数量（sampleCount）：2
• 每个桶时长：500ms

当有新请求进入时，系统会根据当前时间定位到对应的桶，并在该桶中累加相关指标（如通过数、阻塞数、响应时间等）。超出 1000ms 的旧桶将被逻辑淘汰，实现“滑出”效果

时间轴： ... |-----500ms-----|-----500ms-----| → 当前窗口 [t-1000, t)
                          ↑
                      当前时间 t

优势分析：

• 有效缓解固定窗口在边界时刻可能出现的“突刺”问题（例如从 0.9s 到 1.1s 瞬间 QPS 虚高）
• 具备更高的实时性，适合毫秒级精度的限流决策

三、关键字段解析

// 秒级滑动窗口：使用2个桶，覆盖1秒时间范围
private transient volatile Metric rollingCounterInSecond =
    new ArrayMetric(SampleCountProperty.SAMPLE_COUNT, IntervalProperty.INTERVAL);

// 分钟级滑动窗口：60个桶，每桶1秒，总计60秒
private transient Metric rollingCounterInMinute =
    new ArrayMetric(60, 60 * 1000, false);

// 当前并发线程数计数器，采用高性能 LongAdder
private LongAdder curThreadNum = new LongAdder();

其中 transient 关键字表明这些字段不参与序列化过程

transient

四、指标计算逻辑详解 —— 以 QPS 和 RT 为例

1. 秒级通过 QPS 计算（passQps）

return rollingCounterInSecond.pass() / rollingCounterInSecond.getWindowIntervalInSec();

• pass()

  ：获取当前滑动窗口内所有有效时间桶的累计通过请求数

• getWindowIntervalInSec()

  ：返回窗口总时长（单位为秒，通常为 1.0）
• 最终结果 = 总通过请求数 ÷ 1秒 → 即当前 QPS 值

2. 平均响应时间（avgRt）

long successCount = rollingCounterInSecond.success();
if (successCount == 0) return 0;
return rollingCounterInSecond.rt() / successCount;

• rt()

  ：表示窗口内所有成功请求的总响应耗时（单位：毫秒）
• 除以成功请求数量，得出平均 RT

3. 最近一分钟总请求数（totalRequest）

return rollingCounterInMinute.pass() + rollingCounterInMinute.block();

该值来源于分钟级滑动窗口，常用于全局监控大盘的数据汇总。

值得注意的是：每一次写操作（如请求通过或被拦截）

addPassRequest

五、线程安全机制设计

• 滑动窗口（ArrayMetric / LeapArray）：内部采用 CAS 操作结合时间戳校验机制，保障多线程环境下的安全写入。
• 并发线程计数（curThreadNum）：使用 LongAdder

  LongAdder

  替代传统 AtomicLong

  AtomicLong

  ，显著提升高并发场景下的计数性能。
• 子节点列表更新（如 DefaultNode 中的 childList）：采用不可变集合的写时复制（copy-on-write）策略，避免锁竞争，提高读取效率。

六、高级特性：预占模式与速率控制

通过 wait() 方法可实现“匀速排队”或“预占令牌”机制

tryOccupyNext(...)

• 当瞬时 QPS 超过设定阈值时，系统不会立即拒绝请求。
• 而是检查未来某个时间窗口是否具备容纳该请求的能力。
• 若可以容纳，则返回一个等待时间（单位：毫秒），要求调用方暂停指定时间后再执行。

这一机制构成了 Sentinel Rate Limiter 模式的核心逻辑，广泛应用于 Warm Up（冷启动）、匀速限流等场景，有效平抑突发流量。

StatisticNode

DefaultNode

ClusterNode

该功能通常被用来实现流量的削峰填谷，有效防止突发请求对系统造成过载冲击。

八、总结：一句话掌握核心

StatisticNode

StatisticNode

作为 Sentinel 的“指标心脏”，

StatisticNode

牢记三个核心要点：

• 滑动窗口（Sliding Window） — 实现数据采集的平滑性和实时性
• 双时间尺度（Second + Minute） — 兼顾快速响应能力与历史数据回溯分析
• 指标同步更新（Local + Global） — 支持入口维度隔离与全局数据聚合

当你在调试 Sentinel 行为或开发自定义规则时，理解

StatisticNode

七、与整体架构的关联

SphU.entry("res")
        ↓
      Context
        ↓
 NodeSelectorSlot
        ↓
 DefaultNode (extends StatisticNode)
        ↓
 ClusterNode (extends StatisticNode)
        ↘     ↗
     FlowSlot / DegradeSlot
             ↑
             | 读取 QPS/RT/thread
             |
         DefaultNode

DefaultNode

和

ClusterNode

均继承自

StatisticNode

，共用同一套底层指标统计逻辑。当流控规则（FlowRule）在

FlowSlot

中生效时，会通过调用

node.passQps()

来获取当前的 QPS 数值。