WindowWrap、LeapArray、ArrayMetric是 Sentinel（阿里巴巴开源的流量治理组件） 中用于实时指标统计的核心模块。这些类共同构成了 Sentinel 的“滑动窗口统计引擎”，为限流、熔断、系统保护等核心功能提供数据支撑。

下面我将从 作用、职责、协作关系 三个维度，帮你彻底理解这些类在 Sentinel 中的意义。

---

🧩 一、整体架构概览

+------------------+
|   ArrayMetric    | ← 对外暴露的统一指标接口（Metric）
+------------------+
         ↓
+------------------+      +----------------------+
|   LeapArray<T>   | ◄─── | BucketLeapArray / OccupiableBucketLeapArray |
+------------------+      +----------------------+
         ↓
+------------------+      +------------------+
| WindowWrap<T>    | ◄─── | MetricBucket     |
+------------------+      +------------------+

• WindowWrap<T>：时间窗口的包装器（包含起始时间 + 数据）
• MetricBucket：具体统计数据容器（pass/block/rt 等）
• LeapArray<T>：滑动窗口数组（环形 buffer + 时间淘汰逻辑）
• BucketLeapArray：LeapArray<MetricBucket> 的具体实现
• ArrayMetric：对外提供的 Metric 接口实现，封装了统计操作

💡 一句话总结：
ArrayMetric 是用户（如 FlowSlot）使用的“统计 API”；
它内部用 LeapArray 管理多个 WindowWrap<MetricBucket>，每个 bucket 记录一小段时间内的请求指标。

---

📦 二、逐个类详解

1. WindowWrap<T>

作用：代表一个固定时间长度的统计窗口（bucket）

• 字段：

  • windowStart: 窗口开始时间（如 1000ms）
  • windowLengthInMs: 窗口长度（如 100ms）
  • value: 实际统计数据（如 MetricBucket）

• 关键方法：

  • isTimeInWindow(time): 判断某时间是否属于此窗口
  • resetTo(startTime): 重置窗口起始时间（用于复用旧 bucket）

✅ 设计意义：解耦“时间信息”和“统计数据”，便于复用和滑动。

---

2. MetricBucket

作用：具体的指标计数器，记录各类事件数量

• 内部结构：

  private final LongAdder[] counters; // 按 MetricEvent 类型索引
  private volatile long minRt;        // 最小响应时间
  

• 支持的事件类型（MetricEvent）：

  • PASS：通过的请求
  • BLOCK：被限流拒绝的请求
  • EXCEPTION：异常请求数
  • RT：总响应时间（用于算平均 RT）
  • SUCCESS：成功完成的请求
  • OCCUPIED_PASS：预占（排队等待）的请求（用于“匀速排队”模式）

• 线程安全：使用 LongAdder（高性能并发计数器）

✅ 设计意义：一个 bucket 就是一个“迷你仪表盘”，记录 100ms 内所有关键指标。

---

3. LeapArray<T>

作用：滑动窗口的核心容器，管理多个 WindowWrap<T>

• 核心机制：

  • 环形数组（AtomicReferenceArray<WindowWrap<T>>）
  • 时间对齐：windowStart = time - time % windowLength
  • 按需创建/重置 bucket（CAS + 低频锁）
  • 自动淘汰过期 bucket（isWindowDeprecated()）

• 抽象方法：

  • newEmptyBucket(): 创建空数据
  • resetWindowTo(): 重置过期 bucket

✅ 设计意义：高效、并发安全地维护一个“滚动时间窗口”，避免内存爆炸。

---

4. BucketLeapArray（继承 LeapArray<MetricBucket>）

作用：为 Sentinel 提供标准的 QPS 统计能力

• 实现了抽象方法：
  • newEmptyBucket() → new MetricBucket()
  • resetWindowTo() → 重置时间 + 清零计数器

✅ 这是 Sentinel 默认使用的滑动窗口实现。

🔸 补充：还有 OccupiableBucketLeapArray（支持“请求排队”场景），但你贴的是基础版。

---

5. ArrayMetric implements Metric

作用：对外暴露的统计接口，业务层（如 StatisticSlot）直接使用它

• 核心能力：

  • 写入：addPass(), addBlock(), addRT() → 更新当前 bucket
  • 读取：
    • pass(): 返回最近 intervalInMs 内总通过数
    • block(): 总拒绝数
    • rt(): 总响应时间
    • minRt(): 最小响应时间
    • getAvg(MetricEvent.PASS): 平均 QPS（= 总 pass / 时间秒数）

• 内部委托：

  • 所有操作都通过 data.currentWindow() 获取当前 bucket
  • 聚合统计时调用 data.values() 获取所有有效 bucket

✅ 设计意义：隐藏底层滑动窗口细节，提供简洁、统一的指标 API。

---

🔗 三、它们如何协作？—— 以一次请求为例

假设一个请求通过了 Sentinel 的校验（未被限流）：

1. StatisticSlot 调用：

   metric.addPass(1);
   metric.addRT(requestRt);
   

2. ArrayMetric.addPass()：

   • 调用 data.currentWindow() → 获取当前时间对应的 WindowWrap<MetricBucket>
   • 调用 wrap.value().addPass(1)

3. LeapArray.currentWindow()：

   • 计算当前时间属于哪个 bucket（索引 + 起始时间）
   • 如果 bucket 不存在 → CAS 创建
   • 如果 bucket 过期 → 加锁重置
   • 返回有效 bucket

4. MetricBucket.addPass()：

   • counters[PASS.ordinal()].add(1) → 原子递增

5. 后续限流判断（如 QPS > 阈值）：

   • 调用 metric.pass() → 遍历所有有效 bucket，累加 pass() 值
   • 得到最近 1 秒总通过数 → 与阈值比较

---

🎯 四、为什么这样设计？

设计点	目的
滑动窗口 + 环形数组	高效利用内存，避免频繁 GC
按时间对齐 bucket	精确控制统计粒度（如 100ms）
CAS + 低频锁	高并发下性能优异（写多读少场景）
LongAdder	比 AtomicLong 更高的并发写性能
抽象 LeapArray	支持不同统计策略（如普通 bucket / 可占用 bucket）
Metric 接口封装	解耦统计逻辑与业务逻辑

---

🧠 五、总结：它们在 Sentinel 中的角色

类	角色	类比
WindowWrap<T>	时间窗口的“信封”	信封（写明时间段）
MetricBucket	指标的“记分牌”	记分牌（pass=5, block=2）
LeapArray<T>	滑动窗口的“转盘”	转盘（10 个格子循环使用）
BucketLeapArray	标准转盘实现	标准记分转盘
ArrayMetric	对外的“统计员”	统计员（你问他“最近1秒多少QPS？”，他去转盘上加总）

✅ 最终目标：
在高并发下，以极低开销，实时、准确地回答：“过去 N 秒内，这个接口的 QPS/错误率/RT 是多少？”
这就是 Sentinel 实现智能限流、熔断的基础！

---

如果你继续深入 Sentinel，会发现：

• 每个 Resource（资源）都有自己的 ArrayMetric
• FlowRuleChecker 依赖 metric.pass() 做 QPS 限流
• DegradeSlot 依赖 metric.rt() 和 exception() 做熔断

这些类虽小，却是 Sentinel 实时感知系统状态的“眼睛”和“大脑”。