常见限流算法

限流是指在高并发、大流量请求的情况下，限制新的流量对系统的访问，以保证系统服务的安全性。常见的限流算法及其详细介绍如下：

计数器算法（Fixed Window Counter）

• 原理：使用一个固定时间窗口内的计数器来记录请求的数量。若计数器超过设定的阈值，则拒绝后续请求。
• 实现：定义一个时间窗口（如1秒），在窗口内维护一个计数器。接收到请求时，计数器加1。若计数器超过阈值，则限流；否则允许。
• 特点：简单易实现，适用于低精度的限流需求。
• 局限：窗口边界处可能产生突发流量。例如，当前窗口接近阈值，新窗口开始时流量激增。

滑动窗口计数器（Sliding Window Counter）

• 原理：将固定窗口进一步细分为更小的时间片段，根据当前时间的滑动，将多个时间片段内的请求数量进行累加。
• 实现：将时间窗口（如1秒）分为多个时间片段（如100毫秒），使用一个队列存储各时间片段的计数。请求时移除过期的时间片段，并累计最新的请求数。
• 特点：缓解固定窗口算法的边界问题，流量控制更加平滑。
• 局限：实现较为复杂，存储和计算开销增加。

漏桶算法（Leaky Bucket）

• 原理：系统按固定速率处理请求，若队列满，则丢弃新请求。可以平滑突发流量，将其转化为稳定输出。
• 实现：维护一个队列表示漏桶，按固定速率处理请求。
• 特点：控制请求处理速率。
• 局限：丢弃超量请求可能导致用户体验下降。

令牌桶算法（Token Bucket）

• 原理：系统按固定速率向桶中加入“令牌”，每次请求需要消耗一个令牌，若令牌不足，则拒绝请求。
• 实现：维护一个桶存储令牌，设定令牌生成速率和桶容量。若桶中有足够令牌，则允许请求；否则拒绝。
• 特点：支持突发流量处理（通过允许提前消费桶中积累的令牌），限流效果较平滑。
• 局限：相比漏桶算法实现稍复杂。

基于时间戳的限流算法

• 原理：记录每个请求的时间戳，根据当前时间窗口计算历史请求数量，决定是否限流。
• 实现：使用一个有序集合（如Redis的zset）存储时间戳。请求时清理超出时间窗口的过期时间戳，并统计剩余时间戳数量。
• 特点：精度高，适合精细化限流。
• 局限：存储开销大，尤其在高并发下可能性能较低。

分布式限流算法

• 原理：在分布式系统中，利用Redis等缓存系统的特性，实现跨节点的流量管理。
• 实现：将限流逻辑分布到不同节点，按哈希分配请求。通过分布式锁协调各节点的限流操作。
• 特点：支持跨节点的流量管理。
• 局限：需要额外的分布式协调开销。

基于队列的限流算法

• 原理：通过消息队列（如RabbitMQ、Kafka）对流量进行控制。
• 实现：请求先进入消息队列，消费者以固定速率处理队列中的请求。
• 特点：适合异步处理场景，天然支持流量削峰。
• 局限：实时性较差。

在实际应用中，常根据业务需求结合多种限流算法。例如，漏桶算法控制请求速率，令牌桶算法允许短时间内的突发流量，Redis滑动日志实现分布式限流等。选择合适的限流算法，可以在保护系统的同时，尽可能提高流量的利用率和用户体验。