当前位置： 首页 > news >正文

基于AOP+Redis的简易滑动窗口限流

news 2025/7/10 12:06:04

基于AOP+Redis的简易滑动窗口限流

在分布式系统设计中，限流是保障服务稳定性的核心技术之一。滑动窗口限流算法以其精确性和平滑性优势，成为解决传统固定窗口限流临界突变问题的理想方案。本文将深入解析滑动窗口算法原理，并通过AOP+Redis滑动窗口限流。

固定窗口与滑动窗口对比

固定窗口限流及其缺陷

固定窗口限流将时间划分为固定区间（如每分钟），统计每个区间内的请求数量。这种方法虽然简单，但存在严重缺陷：

在这里插入图片描述

当大量请求集中在两个窗口的交界处时（如00:59:59和01:00:00），系统会在极短时间内接收双倍于阈值的请求，导致服务过载。滑动窗口限流通过动态时间区间解决了这个问题。

核心原理：为每个请求动态定义一个以当前时间为终点、向前回溯固定时长T的时间区间（滑动窗口），统计该区间内的请求数：

  1. 动态窗口：每个请求到达时计算[当前时间 - T, 当前时间]区间
  2. 实时统计：计算该区间内的请求数量
  3. 决策执行：请求数 < 阈值 → 允许；否则拒绝
  4. 窗口滑动：过期请求自动移出统计范围

Redis实现方案

Redis的有序集合(ZSET)是实现滑动窗口限流的理想数据结构：

ZSET结合了集合（Set）和哈希（Hash）的特性：

  • 唯一成员：每个成员（member）在集合中唯一
  • 分数排序：每个成员关联一个分数（score），用于排序
  • 自动排序：成员按分数值从小到大排序

之所以是滑动窗口限流的理想选择，关键在于它完美解决了滑动窗口算法的三个核心需求：

  1. 时间序列的天然支持：ZSET的分数（score）机制为时间戳提供了原生支持。当我们将请求时间戳作为score存储时，所有请求按时间顺序自动排序，形成精确的时间序列。这使得界定时间窗口边界变得简单——只需计算当前时间 - 窗口大小就能得到窗口起始点，无需额外维护时间索引。这种设计让滑动窗口的"滑动"机制得以自然实现。

  2. 高效的范围操作能力：滑动窗口的核心操作是清理过期请求，ZSET的ZREMRANGEBYSCORE命令正是为此而生。它能以O(log(N)+M)的复杂度高效删除指定时间范围外的历史请求。这种高效的范围删除能力确保了窗口滑动时的实时性能。

  3. 精确的实时统计特性：通过ZCARD和ZCOUNT命令，ZSET提供原子级的精确计数能力。在滑动窗口算法中，我们需要实时统计当前窗口内的请求数并与阈值比较，这些命令能以O(1)和O(log(N))复杂度瞬间完成统计。这种即时反馈机制对高并发场景至关重要，确保限流决策的及时性和准确性。

    命令统计范围时间复杂度典型使用场景
    ZCARD key整个 ZSET 的总成员数O(1)清理过期数据后快速获取当前窗口请求总数
    ZCOUNT key min max指定 score 范围内的成员数O(log(N))动态统计子窗口/特定时间段的请求量

代码

自定义注解

首先自定义注解，定义限流维度、窗口大小、时间单位、窗口内最大请求数量

@Target(ElementType.METHOD)
@Retention(RetentionPolicy.RUNTIME)
public @interface SlidingWindowLimit {/*** 限流维度的 SpEL 表达式* 示例：* - 按邮箱： "#email"* - 按 IP： "#request.remoteAddr"* - 按用户 ID + 邮箱： "#user.id + ':' + #user.email"*/String keySpEL() default "#email";/*** 窗口大小*/int windowSize() default 60;/*** 时间单位*/TimeUnit timeUnit() default TimeUnit.SECONDS;/*** 窗口内最大请求数*/int maxRequests() default 10;}

在这里插入图片描述

切面类

1. 切面配置与基础结构

首先创建切面类

@Aspect
@Component
@Order(Ordered.HIGHEST_PRECEDENCE + 20)
public class SlidingWindowLimitAspect {@Resourceprivate RedissonClient redissonClient;private static final Logger log = LoggerFactory.getLogger(SlidingWindowLimitAspect.class);private static final String RATE_LIMIT_PREFIX = "rate_limit";
}
  • @Aspect：声明该类为AOP切面
  • @Order：设置切面执行优先级（数字越小优先级越高）
  • redissonClient：Redis客户端操作接口
  • RATE_LIMIT_PREFIX：Redis键名前缀，用于区分限流数据
2. 切面入口方法 - around()
@Around("@annotation(slidingWindowLimit)")
public Object around(ProceedingJoinPoint joinPoint, SlidingWindowLimit slidingWindowLimit) throws Throwable {//获取方法签名MethodSignature signature = (MethodSignature) joinPoint.getSignature();Method method = signature.getMethod();String methodName = method.getName();//判断是否为Http请求ServletRequestAttributes attributes = (ServletRequestAttributes) RequestContextHolder.getRequestAttributes();if(attributes == null){log.warn("方法 {} 不在 Web 请求上下文中，跳过限流检查。", methodName);return joinPoint.proceed();}try {Object parseSpEL = parseSpEL(joinPoint, signature, slidingWindowLimit.keySpEL());String rateLimitKey = buildRateLimitKey(parseSpEL, slidingWindowLimit);if(isRateLimited(rateLimitKey, slidingWindowLimit.windowSize(), slidingWindowLimit.timeUnit(), slidingWindowLimit.maxRequests())){throw new RateLimitExceededException("Rate limit exceeded");}return joinPoint.proceed();}catch (RateLimitExceededException e){log.warn("方法 {} 触发了限流，已拒绝访问。", methodName);throw e;}catch (Exception e){log.error("方法 {} 触发了异常，已拒绝访问。", methodName, e);throw e;}
}

执行过程：
在这里插入图片描述

3. SpEL解析方法 - parseSpEL()
private Object parseSpEL(ProceedingJoinPoint joinPoint,MethodSignature signature, String keySpEL){StandardEvaluationContext context = new StandardEvaluationContext();Object[] args = joinPoint.getArgs();String[] parameterNames = signature.getParameterNames();for (int i = 0; i < args.length; i++) {if(parameterNames!=null && i< parameterNames.length){context.setVariable(parameterNames[i], args[i]);}else {context.setVariable("arg" + i, args[i]);}}ExpressionParser parser = new SpelExpressionParser();return parser.parseExpression(keySpEL).getValue(context);
}

功能说明：

  • 动态解析注解中的SpEL表达式（如#email）
  • 将方法参数注入表达式上下文
  • 支持灵活的限流键生成策略
4.限流键构建方法 - buildRateLimitKey()
private String buildRateLimitKey(Object keyValue, SlidingWindowLimit slidingWindowLimit){if(keyValue == null){throw new IllegalArgumentException("限流参数不能为空");}return String.format("%s:%s:%s",RATE_LIMIT_PREFIX,slidingWindowLimit.keySpEL(), keyValue);
}

键格式说明：

rate_limit:SpEL表达式:参数值
↓          ↓         ↓
rate_limit:#email:user@example.com
5. 限流核心逻辑 - isRateLimited()
private boolean isRateLimited(String key, int windowSize, TimeUnit timeUnit, int maxRequests){//获取当前时间数long currentTime = System.currentTimeMillis();long windowStartTime = currentTime - convertToMillis(windowSize, timeUnit);// 获取 Redisson 的 ZSet 操作对象RScoredSortedSet<Long> scoredSortedSet = redissonClient.getScoredSortedSet(key);// 1. 删除窗口外的过期请求scoredSortedSet.removeRangeByScore(0, true, windowStartTime, true); // [0, windowStartTime]// 2. 添加当前请求的时间戳到 ZSetscoredSortedSet.add(currentTime, currentTime); // score 和 value 均为时间戳// 3. 统计窗口内请求数量int count = scoredSortedSet.size();return count > maxRequests;
}

Redis操作序列：

  1. ZREMRANGEBYSCORE key 0 windowStart：删除过期请求
  2. ZADD key currentTime currentTime：添加当前请求
  3. ZCARD key：获取当前请求数
6. 时间单位转换 - convertToMillis()
private long convertToMillis(int windowSize, TimeUnit timeUnit) {return switch (timeUnit) {case SECONDS -> timeUnit.toMillis(windowSize);case MINUTES -> timeUnit.toMillis(windowSize);case HOURS -> timeUnit.toMillis(windowSize);case DAYS -> timeUnit.toMillis(windowSize);case MILLISECONDS -> windowSize;default -> throw new IllegalArgumentException("不支持的时间单位: " + timeUnit);};
}
完整代码
@Aspect
@Component
@Order(Ordered.HIGHEST_PRECEDENCE + 20)
public class SlidingWindowLimitAspect {@Resourceprivate RedissonClient redissonClient;private static final Logger log = LoggerFactory.getLogger(SlidingWindowLimitAspect.class);private static final String RATE_LIMIT_PREFIX = "rate_limit";@Around("@annotation(slidingWindowLimit)")public Object around(ProceedingJoinPoint joinPoint, SlidingWindowLimit slidingWindowLimit) throws Throwable {//获取方法签名MethodSignature signature = (MethodSignature) joinPoint.getSignature();Method method = signature.getMethod();String methodName = method.getName();//判断是否为Http请求ServletRequestAttributes attributes = (ServletRequestAttributes) RequestContextHolder.getRequestAttributes();if(attributes == null){log.warn("方法 {} 不在 Web 请求上下文中，跳过限流检查。", methodName);return joinPoint.proceed();}try {Object parseSpEL = parseSpEL(joinPoint, signature, slidingWindowLimit.keySpEL());String rateLimitKey = buildRateLimitKey(parseSpEL, slidingWindowLimit);if(isRateLimited(rateLimitKey, slidingWindowLimit.windowSize(), slidingWindowLimit.timeUnit(), slidingWindowLimit.maxRequests())){throw new RateLimitExceededException("Rate limit exceeded");}return joinPoint.proceed();}catch (RateLimitExceededException e){log.warn("方法 {} 触发了限流，已拒绝访问。", methodName);throw e;}catch (Exception e){log.error("方法 {} 触发了异常，已拒绝访问。", methodName, e);throw e;}}private Object parseSpEL(ProceedingJoinPoint joinPoint,MethodSignature signature, String keySpEL){StandardEvaluationContext context = new StandardEvaluationContext();Object[] args = joinPoint.getArgs();String[] parameterNames = signature.getParameterNames();for (int i = 0; i < args.length; i++) {if(parameterNames!=null && i< parameterNames.length){context.setVariable(parameterNames[i], args[i]);}else {context.setVariable("arg" + i, args[i]);}}ExpressionParser parser = new SpelExpressionParser();return parser.parseExpression(keySpEL).getValue(context);}private String buildRateLimitKey(Object keyValue, SlidingWindowLimit slidingWindowLimit){if(keyValue == null){throw new IllegalArgumentException("限流参数不能为空");}return String.format("%s:%s:%s",RATE_LIMIT_PREFIX,slidingWindowLimit.keySpEL(), keyValue);}private boolean isRateLimited(String key, int windowSize, TimeUnit timeUnit, int maxRequests){//获取当前时间数long currentTime = System.currentTimeMillis();long windowStartTime = currentTime - convertToMillis(windowSize, timeUnit);// 获取 Redisson 的 ZSet 操作对象RScoredSortedSet<Long> scoredSortedSet = redissonClient.getScoredSortedSet(key);// 1. 删除窗口外的过期请求scoredSortedSet.removeRangeByScore(0, true, windowStartTime, true); // [0, windowStartTime]// 2. 添加当前请求的时间戳到 ZSetscoredSortedSet.add(currentTime, currentTime); // score 和 value 均为时间戳// 3. 统计窗口内请求数量int count = scoredSortedSet.size();return count > maxRequests;}/*** 时间单位转换，将时间单位转换为毫秒数* @param windowSize 窗口大小* @param timeUnit 时间单位* @return*/private long convertToMillis(int windowSize, TimeUnit timeUnit){return switch (timeUnit){case NANOSECONDS, SECONDS, MICROSECONDS, MINUTES, HOURS, DAYS -> timeUnit.toMillis(windowSize);case MILLISECONDS -> windowSize;default -> throw new IllegalArgumentException("不支持的时间单位: " + timeUnit);};}
}

注解使用

比如说我们现在定义发送验证码的方法60秒内只能发送三次

@PostMapping("/send/code")
@SlidingWindowLimit(keySpEL = "#email.email",windowSize = 60, maxRequests = 3)
public Result sendVerificationCode(@RequestBody EmailSendDTO email) {userService.sendVerificationCode(email.getEmail());return Result.success();
}

每一次访问时，Redis都会记录下时间戳，如果第四次访问时的时间戳与第一次访问的时间戳之间少于60秒，则返回

{"code": 429,"message": "请求过于频繁，请稍后再试","data": null
}

优化

private boolean isRateLimited(String key, int windowSize, TimeUnit timeUnit, int maxRequests){//获取当前时间数long currentTime = System.currentTimeMillis();long windowStartTime = currentTime - convertToMillis(windowSize, timeUnit);// 获取 Redisson 的 ZSet 操作对象RScoredSortedSet<Long> scoredSortedSet = redissonClient.getScoredSortedSet(key);// 1. 删除窗口外的过期请求scoredSortedSet.removeRangeByScore(0, true, windowStartTime, true); // [0, windowStartTime]// 2. 添加当前请求的时间戳到 ZSetscoredSortedSet.add(currentTime, currentTime); // score 和 value 均为时间戳// 3. 统计窗口内请求数量int count = scoredSortedSet.size();return count > maxRequests;
}

在这个方法中，存在几个问题：

  1. 代码中直接将时间戳作为ZSET的成员（member）和分数（score），当同一毫秒内有多个请求时，后写入的请求会覆盖先前的请求（ZSET成员唯一），导致计数不准确。

  2. 当前操作序列：

    1. 删除过期请求
    2. 添加当前请求
    3. 获取当前计数

    在并发场景下，多个请求可能同时通过计数检查，导致实际请求量超过阈值

  3. 当某个限流键长时间无请求时，对应的空ZSET会永久占用内存

那么优化时，可以利用UUID作为member 这样不会出现覆盖的情况，使用Lua脚本进行执行避免多个请求同时通过计数检查的情况，针对问题三可以通过设置过期时间来解决，优化后的代码如下：

private boolean isRateLimited(String key, int windowSize, TimeUnit timeUnit, int maxRequests) {// 1. 计算窗口大小（毫秒）long windowMillis = convertToMillis(windowSize, timeUnit);// 2. 获取当前时间和窗口起始时间long currentTime = System.currentTimeMillis();long windowStartTime = currentTime - windowMillis;// 3. 生成唯一请求IDString requestId = UUID.randomUUID().toString();// 4. 计算过期时间（秒）long expireSeconds = calculateExpireSeconds(windowMillis);// 5. Lua脚本（使用分数范围精确统计）String luaScript ="redis.call('ZREMRANGEBYSCORE', KEYS[1], '-inf', ARGV[2])\n" +  // 清理过期数据"local count = redis.call('ZCOUNT', KEYS[1], ARGV[2], ARGV[1])\n" +  // 精确统计窗口内请求"if count >= tonumber(ARGV[4]) then\n" +"    return 1\n" +  // 触发限流"end\n" +"redis.call('ZADD', KEYS[1], ARGV[1], ARGV[3])\n" +  // 添加当前请求"redis.call('EXPIRE', KEYS[1], ARGV[5])\n" +  // 设置过期时间"return 0";  // 允许通过try {RScript script = redissonClient.getScript();Long result = script.eval(RScript.Mode.READ_WRITE,luaScript,RScript.ReturnType.INTEGER,Collections.singletonList(key),currentTime, windowStartTime, requestId, maxRequests, expireSeconds);return result != null && result == 1;} catch (Exception e) {log.error("限流服务异常，降级放行", e);return false; // Redis故障时允许请求}
}
private long calculateExpireSeconds(long windowMillis) {// 过期时间 = 2 * 窗口大小（秒），向上取整double expireSec = (windowMillis * 2.0) / 1000;long result = (long) Math.ceil(expireSec);return Math.max(1, result); // 至少1秒
}

Lua 脚本执行逻辑：

  • redis.call('ZREMRANGEBYSCORE', KEYS[1], '-inf', ARGV[2])：清理过期数据，将 ZSET 中分数小于等于窗口起始时间的成员删除。
  • local count = redis.call('ZCOUNT', KEYS[1], ARGV[2], ARGV[1])：精确统计窗口内请求数量，即分数在窗口起始时间和当前时间之间的成员数量。
  • if count >= tonumber(ARGV[4]) then return 1 end：如果统计的请求数量大于等于阈值，则返回 1，表示触发限流。
  • redis.call('ZADD', KEYS[1], ARGV[1], ARGV[3])：添加当前请求，将当前请求的唯一 ID 作为成员，当前时间作为分数添加到 ZSET 中。
  • redis.call('EXPIRE', KEYS[1], ARGV[5])：设置 ZSET 的过期时间，避免长时间无请求时空 ZSET 占用内存。
  • return 0：如果未触发限流，则返回 0，表示允许请求通过。

我们从命令行可以看到，每一次请求后，都会在ZSET中多一条记录，并且每次都会重置过期时间，当触发限流后，不再允许访问。

127.0.0.1:6379> ZRANGE rate_limit:#email.email:6888@example.com 0 -1
1) "fbd525dd-0e1e-4abf-a578-8c1207e8f6f0"
127.0.0.1:6379> TTL rate_limit:#email.email:6888@example.com
(integer) 355
127.0.0.1:6379> ZRANGE rate_limit:#email.email:6888@example.com 0 -1
1) "fbd525dd-0e1e-4abf-a578-8c1207e8f6f0"
2) "a7c8d5c2-f4da-46ce-9f98-472ad702e1ad"
127.0.0.1:6379> TTL rate_limit:#email.email:6888@example.com
(integer) 355
127.0.0.1:6379> ZRANGE rate_limit:#email.email:6888@example.com 0 -1
1) "fbd525dd-0e1e-4abf-a578-8c1207e8f6f0"
2) "a7c8d5c2-f4da-46ce-9f98-472ad702e1ad"
3) "12ed502c-6225-45bd-b85e-1d3ed9e46ef6"
127.0.0.1:6379> TTL rate_limit:#email.email:6888@example.com
(integer) 355

在这里插入图片描述

http://www.dtcms.com/a/271145.html

相关文章：

  • C#基础篇（10）集合类之列表
  • 列表页智能解析算法：大规模数据采集的核心引擎
  • 2024-2025-2 山东大学《编译原理与技术》期末（回忆版）
  • 【ARM嵌入式汇编基础】- 操作系统基础（二）
  • JSP数据交互
  • php绘图添加水印，文字使用imagick库的操作
  • Docker 高级管理-容器通信技术与数据持久化
  • C语言结构体对齐
  • SpringCloud系列 - xxl-job 分布式任务调度 （七）
  • 链表和数组和列表的区别
  • 力扣网编程150题：加油站（贪心解法）
  • Origin将Y偏移图升级为双Y轴3D瀑布图
  • SAP-ABAP：SAP中‘SELECT...WHERE...IN’语句IN的用法详解
  • 想要抢早期筹码？FourMeme专区批量交易教学
  • Cadence模块复用
  • SQL 视图与事务知识点详解及练习题
  • 基于Spring Boot+Vue的巴彦淖尔旅游网站（AI问答、腾讯地图API、WebSocket及时通讯、支付宝沙盒支付）
  • 等价矩阵和等价向量组
  • JavaScript基础篇——第五章 对象（最终篇）
  • 深度学习模型在C++平台的部署
  • 优化 FLUX.1 Kontext 以进行低精度量化的图像编辑
  • Flowable17错误事件---------------持续更新中
  • ali linux 安装libreoffice
  • Linux 系统 docker 部署 Dify
  • Airtest 的 Poco 框架中，offspring()
  • 【网络】Linux 内核优化实战 - net.ipv4.tcp_ecn
  • Protable 问题记录
  • 【RK3568+PG2L50H开发板实验例程】FPGA部分 | ROM、RAM、FIFO 的使用
  • 使用DDR4控制器实现多通道数据读写(十九)
  • 通过Tcl脚本命令：set_param labtools.auto_update_hardware 0