公司做网站的费用的会计分录线上营销怎么做

1. 常见的限流算法

限流是在软件开发和系统设计中常用的技术，用于控制某个时间段内的请求量，以此保护系统的稳定性和可用性。以下是几种常见的限流算法：

1.1 固定窗口计数器算法 (Fixed Window Counter)

固定窗口计数器算法将时间分割成固定大小的窗口，每个窗口独立计算请求的数量。当请求数量超过在该窗口允许的最大请求数时，新的请求会被拒绝，直到下一个窗口开始。

优点：实现简单，性能好。
缺点：边界效应问题（窗口切换时可能会出现瞬间的请求高峰）。

1.2. 滑动窗口日志算法 (Sliding Window Log)

滑动窗口算法是固定窗口算法的一个改进版本，它记录每个请求的确切时间戳。通过计算当前时间向前推一个窗口长度的时间内的所有请求，来确定是否达到了限流条件。

优点：平滑请求分布，减少边界效应。
缺点：需要更复杂的数据结构和计算。

1.3. 漏桶算法 (Leaky Bucket)

漏桶算法 metaphorically 将所有传入的请求放入一个固定容量的桶中，请求以恒定的速率从桶中“漏出”。如果桶满了，新的请求将被拒绝。

优点：输出速率恒定，可以平滑突发流量。
缺点：对于突发流量的响应不够灵活。

1.4. 令牌桶算法 (Token Bucket)

令牌桶算法为每个请求提供一个令牌，令牌以固定的速率生成并存储在桶中。如果桶中有足够的令牌，请求可以继续；如果没有，请求将被拒绝。令牌桶可以允许一定程度的突发流量，因为桶中可以积累令牌。

优点：允许一定程度的突发流量，比漏桶更灵活。
缺点：实现相对复杂。

1.5. 响应速率限制 (Rate Limiting with Queues)

通过使用队列来控制任务的执行速率。系统按照设定的速率从队列中取出并处理请求。如果队列满了，新的请求可以根据策略被拒绝或排队等待。

优点：可以更细致地控制请求的处理。
缺点：可能需要更复杂的队列管理和超时处理。

2. 应用场景

• 固定窗口和滑动窗口：适用于需要简单快速实现的场景。
• 漏桶和令牌桶：适用于需要平滑处理高峰流量的场景，如视频流服务。
• 响应速率限制：适用于后端服务，如API服务器，需要控制处理速率，防止过载。

选择合适的限流算法取决于具体的应用场景、系统架构以及预期的流量模式。每种算法都有其优势和局限性，理解这些可以帮助设计更健壯和高效的系统。

3. Python实现滑动窗口日志算法

Redis 作为数据库、缓存、消息中间件等，是单线程的，又在内存中操作，所以速度极快。因其原子操作等特性，使用 Redis 实现一个限流工具是十分方便的。以下是使用Python实现一种限流算法的代码。

#!/usr/bin/env python
# coding=utf-8import typing
import math
import time
import functools
import redisredis_conf = {"host": "127.0.0.1", "port": 6379, "db": 0, "socket_timeout": 10}
__pool = redis.ConnectionPool(encoding='utf-8', decode_responses=True, **redis_conf)
throttler_redis = redis.StrictRedis(connection_pool=__pool)class ThrottlingException(Exception):passdef sliding_window_log_throttler(fn: typing.Optional[typing.Callable] = None,threshold: int = 10,duration: int = 1,lock_timeout: int = 3,
) -> typing.Callable:""":param fn::param threshold: 单个窗口内的限流次数:param duration: 限制的窗口时间段，单位秒; 建议取值[1,60]，否则计算有int溢出的风险:param lock_timeout: 资源锁的超时时间，单位秒; 设置值应大于fn函数执行耗时:return:"""if not callable(fn):return functools.partial(sliding_window_log_throttler,threshold=threshold,duration=duration,lock_timeout=lock_timeout,)@functools.wraps(fn)def _wrapper(*args: tuple, **kwargs: dict) -> typing.Any:# 函数路径作为keymethod_location = "{}.{}".format(fn.__module__, fn.__qualname__)wait_key = f"throttling:wait:{method_location}"lock_key = f"throttling:lock:{method_location}"get_lock = Falsetry:if lock_timeout > 0:# 加锁是为了解决并发竞争资源的问题get_lock = throttler_redis.set(lock_key, 1, ex=lock_timeout, nx=True)if not get_lock:try:throttler_redis.delete(wait_key)# 阻塞式等待下一个锁：若是超过窗口时间还未能获得锁，则表示超过限流throttler_redis.blpop(wait_key, timeout=duration)get_lock = throttler_redis.set(lock_key, 1, ex=lock_timeout, nx=True)except Exception:passif not get_lock:raise ThrottlingException("未竞争到资源")# 按照窗口滑动计算限流key = f"throttling:method:{method_location}"# 精确度, 微秒μs，精度越高越不容易受并发影响multiple = 1000000# 计算时间戳now_ts = math.floor(time.time() * multiple)# 时间窗口左边界old_ts = now_ts - (duration * multiple)# 删除时间窗口之前的数据throttler_redis.zremrangebyscore(key, 0, old_ts)# 获取窗口内的行为数量count = throttler_redis.zcard(key)get_succ = count == 0 or count < thresholdif get_succ:# 记录行为; 只要保证score的唯一性即可，这里使用毫秒时间戳作为唯一值# mapping构造：{member: score} ，score是用于排序的数值create = throttler_redis.zadd(key, {now_ts: now_ts})if create == 0:# 时间戳并发重复，数据只是被覆盖，并未新增；未获得令牌get_succ = Falseif not get_succ:raise ThrottlingException(f"超过限流限制: {threshold}")finally:if get_lock:throttler_redis.delete(lock_key)throttler_redis.lpush(wait_key, 1)# 执行函数ret = fn(*args, **kwargs)return retreturn _wrapper

使用测试函数验证，输出结果：

In [188]: @sliding_window_log_throttler(threshold=3)...: def demo(a, b):...:     return a + b...:In [189]: for i in range(10):...:     print(i)...:     demo(1,i)...:
0
1
2
3
---------------------------------------------------------------------------
ThrottlingException                       Traceback (most recent call last)
<ipython-input-189-e36de3c39367> in <module>1 for i in range(10):2     print(i)
----> 3     demo(1,i)4<ipython-input-174-782ccecce3f9> in _wrapper(*args, **kwargs)6768             if not get_succ:
---> 69                 raise ThrottlingException(f"超过限流限制: {threshold}")7071         finally:ThrottlingException: 超过限流限制: 3