限流算法详细剖析

常见的限流算法主要有四种，它们控制流量进入系统的逻辑各不相同，也各有适用的场景。

1. 固定窗口计数器

工作原理：将时间划分为固定的时间窗口（如1秒），在每个窗口内维护一个计数器。每来一个请求，计数器加1。若计数超过阈值（如100），则拒绝后续请求。窗口结束后，计数器清零。

优点：实现非常简单，内存占用极低。

缺点：存在临界突变问题。例如，窗口1秒限100请求，若前100个请求集中在第0.9-1.0秒，后100个请求集中在第1.0-1.1秒，系统在0.2秒内承受了200个请求，会瞬间超载。

2. 滑动窗口计数器

工作原理：将固定窗口再细分为多个小格子（比如1秒窗口，分为10个100ms的格子）。滑动窗口随着时间向右移动，计算当前时间点所处的整个窗口内所有格子的请求总和。总和超过阈值则限流。

优点：解决了固定窗口的临界突变问题，限流更平滑，精度较高（格子越细越准）。

缺点：实现复杂度比固定窗口高，需要维护多个计数器，占用更多内存。

3. 漏桶算法

工作原理 ：想象一个底部有个小洞的桶。请求（水滴）以任意速率流入桶中，然后以恒定的速率从桶底流出被处理。如果桶满了，新请求就会被丢弃（溢出）。

优点：输出流量绝对平稳，能够强行整形突发流量，保护下游系统不被任何瞬时高峰冲垮。

缺点：无法应对突发流量。即使系统当下有多余容量，也无法快速处理积压的请求，可能导致不必要的延迟。对需要允许一定突发的业务不太友好。

4. 令牌桶算法

工作原理 ：桶中按固定速率（如每秒10个）生成令牌。请求到来时，必须从桶中获取一个令牌，才能被处理。如果桶中没有令牌，请求就被拒绝。桶中可以积攒一定数量的令牌（即 burstCapacity 突发容量），用于应对短时突发流量。

优点：既保证了平均速率，又允许一定程度的突发（只要令牌积攒足够）。突发流量不会立刻导致限流，而是消耗积攒的令牌，之后又会以恒定速率补充。这也是生产环境（如Spring Cloud Gateway）中最常用的算法。

缺点：实现相对复杂（通常依赖Redis或本地内存存储令牌数），且需要正确处理并发。

快速对比与选择建议

算法	平稳流量	允许突发	实现复杂度	典型场景
固定窗口计数器	差	是（但有边界突变）	极低	简单粗暴的限流，不关心瞬间尖刺
滑动窗口计数器	较好	是	中等	对精度有要求，允许平滑突发
漏桶	绝对平稳	否	中等	必须强制下游以恒定速率处理，如数据库写入
令牌桶	平稳	是（可控）	较高	通用首选，API网关、业务接口限流

5.Spring Gateway限流

在 Spring Cloud Gateway 中，最直接、最推荐的限流方案是使用框架内置的 RequestRateLimiter 过滤器工厂，并配合基于 Redis 的 RedisRateLimiter 来实现分布式限流。

Spring Cloud Gateway 默认使用的令牌桶算法（Token Bucket Algorithm），也是一种允许一定突发流量的算法。除此之外，常见的限流算法还有简单但有"突刺现象"的计数器算法，以及能平滑流量但无法应对突发情况的漏桶算法。

下面是基于Redis的限流实现：

5.1. 添加依赖

在你的 pom.xml 文件中添加 spring-boot-starter-data-redis-reactive 依赖。

xml 复制代码

<dependency>
    <groupId>org.springframework.boot</groupId>
    <artifactId>spring-boot-starter-data-redis-reactive</artifactId>
</dependency>

5.2. 配置 Redis 连接信息

在 application.yml 中配置 Redis 连接信息。

yaml 复制代码

spring:
  redis:
    host: localhost
    port: 6379
    # password: yourpassword # 如有密码需配置

5.3. 配置限流规则

在网关路由配置中，为需要限流的 routes 添加 RequestRateLimiter 过滤器。

yaml 复制代码

spring:
  cloud:
    gateway:
      routes:
        - id: your-service-id
          uri: lb://your-service-name
          predicates:
            - Path=/api/**
          filters:
            - name: RequestRateLimiter
              args:
                key-resolver: "#{@userKeyResolver}"
                redis-rate-limiter.replenishRate: 10
                redis-rate-limiter.burstCapacity: 20
                redis-rate-limiter.requestedTokens: 1

key-resolver: 定义限流规则的粒度（如按用户ID、IP、URI等），下文详解。
redis-rate-limiter.replenishRate : 令牌桶填充速率，即每秒允许通过的请求数。
redis-rate-limiter.burstCapacity : 令牌桶总容量，即系统能够处理的瞬时最大请求数，也是令牌桶可以累积的令牌数。
redis-rate-limiter.requestedTokens : 每次请求消耗的令牌数 ，默认值 1。

5.4. 自定义限流维度

通过实现 KeyResolver 接口，定义限流的Key，从而实现不同的限流策略。

按用户ID限流

java 复制代码

@Bean
public KeyResolver userKeyResolver() {
    return exchange -> {
        // 这里假设userId存放在请求头中，你可以根据实际情况调整
        String userId = exchange.getRequest().getHeaders().getFirst("userId");
        return Mono.just(userId != null ? userId : "anonymous");
    };
}

按IP地址限流

java 复制代码

@Bean
public KeyResolver ipKeyResolver() {
    return exchange -> {
        String ip = Objects.requireNonNull(exchange.getRequest().getRemoteAddress()).getAddress().getHostAddress();
        return Mono.just(ip);
    };
}

按请求路径限流

java 复制代码

@Bean
public KeyResolver pathKeyResolver() {
    return exchange -> Mono.just(exchange.getRequest().getPath().toString());
}

组合限流

java 复制代码

@Bean
public KeyResolver combinedKeyResolver() {
    return exchange -> {
        String userId = exchange.getRequest().getHeaders().getFirst("userId");
        String path = exchange.getRequest().getPath().toString();
        return Mono.just((userId != null ? userId : "anonymous") + ":" + path);
    };
}

在实际应用中，令牌桶 因其既能平滑流量又能应对突发，成为最主流的限流算法（如Spring Cloud Gateway、Guava RateLimiter、Nginx的 limit_req 模块均采用或类似令牌桶）。漏桶算法则常用于强制流量整形的场景。