常见的限流算法

限流算法是用于控制访问频率、保护系统免受过载攻击的重要手段。常见的限流算法有以下几种，每种算法都有不同的应用场景和优缺点。下面是几种常见的限流算法的详细介绍：

1. 计数器算法（Counter）

原理

计数器算法是最简单的限流算法。它在固定的时间窗口内记录请求的次数，一旦请求次数达到预设的上限，后续请求会被拒绝。

实现步骤

• 设置一个时间窗口（例如 1 秒、1 分钟等）。
• 使用一个计数器记录在当前时间窗口内的请求数量。
• 如果计数器达到限制次数，则拒绝后续请求；否则增加计数器。
• 当时间窗口结束时，重置计数器。

优点

• 实现简单，适合处理短时间内的高并发请求。

缺点

• 临界问题：在时间窗口的边界处可能出现"流量突发"，例如在窗口末尾和下一个窗口的开始时连续发出大量请求。

使用场景

适用于简单的限流场景，比如 API 接口每秒最多允许多少次请求。

代码示例（伪代码）

java

复制代码

class CounterLimiter { private int maxRequests; private int currentCount; private long windowStart; private long windowDuration; public boolean allowRequest() { long now = System.currentTimeMillis(); if (now - windowStart > windowDuration) { windowStart = now; currentCount = 0; } if (currentCount < maxRequests) { currentCount++; return true; } else { return false; } } }

2. 滑动窗口算法（Sliding Window）

原理

滑动窗口算法是对计数器算法的一种优化，它将时间窗口进一步划分为多个小的时间片段，从而避免计数器算法的临界问题。每个小窗口内维护一个计数器，当请求到达时，滑动窗口根据当前时间计算跨越的时间片段，并更新计数器。

实现步骤

• 将大时间窗口（如 1 分钟）分成多个小时间窗口（如 10 秒），并为每个小时间窗口维护请求计数。
• 每次请求到达时，判断它属于哪个小窗口，并更新相应计数器。
• 同时计算过去的所有小窗口总请求数，如果总数超过限流阈值，则拒绝请求。

优点

• 缓解了计数器算法的临界问题，流量分布更加平滑。

缺点

• 实现相对复杂，需要额外的存储空间维护多个小时间窗口。

使用场景

适合希望更加平滑限流的场景，尤其是对流量有一定均匀要求的服务。

代码示例（伪代码）

java

复制代码

class SlidingWindowLimiter { private int[] windows; private long windowSize; private int maxRequests; public boolean allowRequest() { long now = System.currentTimeMillis(); int currentWindowIndex = getWindowIndex(now); updateWindow(now); int totalRequests = getTotalRequests(); if (totalRequests < maxRequests) { windows[currentWindowIndex]++; return true; } else { return false; } } // 辅助方法省略 }

3. 漏桶算法（Leaky Bucket）

原理

漏桶算法可以看作是一个水桶模型，桶的容量代表系统能处理的最大请求数，请求是向桶中注水，水以固定速率流出。如果桶满了，则会丢弃新的请求。

实现步骤

• 创建一个固定容量的桶。
• 请求到达时将其放入桶中，桶以固定的速率处理请求。
• 如果桶已满，拒绝新请求。

优点

• 请求处理速率是固定的，能够很好地平滑突发流量。

缺点

• 固定处理速率可能无法适应某些突发流量大的场景，可能导致部分请求被丢弃。

使用场景

适用于处理具有固定速率的请求处理场景，如网络流量控制等。

代码示例（伪代码）

java

复制代码

class LeakyBucketLimiter { private int bucketSize; private long lastLeakTime; private int currentWater; private int leakRate; public boolean allowRequest() { long now = System.currentTimeMillis(); leak(now); if (currentWater < bucketSize) { currentWater++; return true; } else { return false; } } private void leak(long now) { int leakedWater = (int) ((now - lastLeakTime) * leakRate); currentWater = Math.max(0, currentWater - leakedWater); lastLeakTime = now; } }

4. 令牌桶算法（Token Bucket）

原理

令牌桶算法类似于漏桶算法，但它允许一定程度的突发流量。系统以固定的速率生成令牌，令牌存放在桶中。每次请求需要从桶中获取令牌，如果桶中有足够的令牌，则允许请求通过，否则拒绝。

实现步骤

• 设置一个容量为 bucketSize 的桶，用于存储令牌。
• 系统以固定速率生成令牌，如果桶未满，令牌将被加入桶中。
• 请求到达时，尝试从桶中获取令牌，如果有足够的令牌则允许请求，否则拒绝。

优点

• 支持突发流量，同时保证了整体请求处理的速率。

缺点

• 实现略微复杂，需要维护生成令牌的过程。

使用场景

适合处理偶发性高并发的场景，如 API 限流和保护下游服务。

代码示例（伪代码）

java

复制代码

class TokenBucketLimiter { private int bucketSize; private int tokens; private int refillRate; private long lastRefillTime; public boolean allowRequest() { refill(); if (tokens > 0) { tokens--; return true; } else { return false; } } private void refill() { long now = System.currentTimeMillis(); int newTokens = (int) ((now - lastRefillTime) * refillRate); tokens = Math.min(bucketSize, tokens + newTokens); lastRefillTime = now; } }

5. Redis 计数限流

原理

Redis 可以通过其 INCR 和 EXPIRE 命令实现简单高效的限流。每次请求到达时，使用 INCR 增加 Redis 中的计数器，如果计数器超过阈值，则拒绝请求。同时，使用 EXPIRE 为计数器设置过期时间。

实现步骤

• 每个请求到来时对 Redis 中的计数器进行 INCR。
• 如果计数器在一个时间窗口内超过设定的阈值，则限流。
• EXPIRE 命令设置计数器的过期时间，以实现限流的时间窗口控制。

优点

• 分布式环境中非常适合，支持高并发请求的计数和过期时间管理。

缺点

• Redis 需要额外的存储和网络开销。

使用场景

适用于分布式系统中的限流，尤其是在 API 网关和微服务架构中。

代码示例（伪代码）

java

复制代码

class RedisRateLimiter { private RedisClient redis; private String key; private int maxRequests; private int windowTime; public boolean allowRequest() { int count = redis.incr(key); if (count == 1) { redis.expire(key, windowTime); } return count <= maxRequests; } }

总结

算法	优点	缺点	使用场景
计数器算法	实现简单，适合小型项目	临界点可能导致突发流量	简单限流
滑动窗口算法	平滑计数器算法的缺点，避免流量突发	需要更多的存储空间和实现复杂度	流量分布较平滑的场景
漏桶算法	固定处理速率，流量控制稳定	突发流量支持不佳，可能丢弃请求	固定速率的服务
令牌桶算法	支持突发流量，保证请求处理的平滑	实现复杂，维护令牌生成	支持突发流量的限流场景
Redis 限流	分布式限流简单高效	需要依赖 Redis，增加网络开销