【知识点随笔分享 | 第九篇】常见的限流算法

前言：

1.固定窗口限流：

缺点：

2.滑动窗口限流：

优点：

滴桶限流：

缺点：

令牌桶限流：

优点：

总结:

前言：

当今互联网时代，随着网络流量的快速增长和系统负载的不断加重，限流算法作为一种重要的网络管理工具变得愈发重要。限流算法通过控制系统的输入和输出流量，有效地保护系统不受过载的影响，确保系统能够稳定可靠地运行。本文将介绍几种常见的限流算法及其应用场景，旨在帮助读者更好地理解限流算法的原理和实际应用，从而为网络性能优化提供有力支持。限流算法的研究和应用对于保障网络安全、提升系统稳定性具有重要意义，在当前信息化社会具有广泛的应用前景。

1.固定窗口限流：

固定窗口限流就是在单位时间（时间窗口）内，只能接收指定数量的请求。

在固定窗口限流算法中，时间被划分为固定大小的窗口，并且每个窗口内允许通过的请求数是固定的。
算法步骤：
- 统计当前窗口内的请求数；
- 如果请求数超过了限制值，则拒绝该请求；
- 重置新的窗口开始计数。

用汉堡店举例：固定窗口限流就是在固定的时间内只能接待指定数量的顾客。比如一个小时只能接待10个顾客。

固定窗口限流的思路比较简单，代码实现为：

import java.util.concurrent.TimeUnit;
import java.util.concurrent.atomic.AtomicInteger;public class FixedWindowRateLimiter {private final int limit;  // 限制的请求数private final long windowSizeInMillis;  // 窗口大小（毫秒）private final AtomicInteger counter;private long windowStartTime;public FixedWindowRateLimiter(int limit, long windowSizeInMillis) {this.limit = limit;this.windowSizeInMillis = windowSizeInMillis;this.counter = new AtomicInteger(0);this.windowStartTime = System.currentTimeMillis();}public boolean allowRequest() {long currentTime = System.currentTimeMillis();long elapsedTime = currentTime - windowStartTime;if (elapsedTime > windowSizeInMillis) {// 进入新的窗口，重置计数器和窗口开始时间counter.set(0);windowStartTime = currentTime;}// 检查请求数是否超过限制if (counter.incrementAndGet() > limit) {return false;  // 超过限制，拒绝请求}return true;  // 没有超过限制，允许请求通过}
}

缺点：

固定窗口限流可能会引发流量突刺，也就是可能会发生以下情况：

我们用红色来标识在该时间窗口区域发生了请求，也就是说固定窗口限流在窗口的边界处可能会发生流量突刺，在短时间内发生多次请求

2.滑动窗口限流：

滑动窗口限流就是在单位时间（时间窗口）内，只能接收指定数量的请求。但单位时间是滑动的。

在滑动窗口限流算法中，时间被划分为固定大小的窗口，每个窗口内允许通过的请求数是固定的，同时可以滑动窗口来适应请求的变化。
算法步骤：
- 统计当前窗口内的请求数；
- 如果请求数超过了限制值，则拒绝该请求；
- 滑动窗口，将旧的窗口移除。

我们用图片来标识滑动窗口限流和固定窗口限流的区别：

这是固定窗口限流，他的时间窗口是由时间窗口大小决定的。

这是滑动窗口限流，他的时间窗口是不断滑动的。

也就是说：滑动窗口限流不会一次性消除旧窗口的请求次数，而是不断的通过滑动的方式抹除。

用汉堡店举例：滑动窗口限流就是单位时间内限制接客数，相比较于固定窗口而言，假设我们在5.59接待了五位客人，如果时间窗口长度为小时，滑动单位为1分钟，那么六点的时候，并不会刷新窗口接待客人人数，而是继续保留5.59的接待人数。因为此时二者仍位于一个窗口内。

滑动窗口限流的代码思路为:

import java.util.concurrent.TimeUnit;
import java.util.concurrent.atomic.AtomicInteger;
import java.util.concurrent.locks.Lock;
import java.util.concurrent.locks.ReentrantLock;public class SlidingWindowRateLimiter {private final int limit;  // 限制的请求数private final long windowSizeInMillis;  // 窗口大小（毫秒）private final int[] counter;private final Lock lock;private long windowStartTime;public SlidingWindowRateLimiter(int limit, long windowSizeInMillis) {this.limit = limit;this.windowSizeInMillis = windowSizeInMillis;this.counter = new int[(int) (windowSizeInMillis / 1000)];this.lock = new ReentrantLock();this.windowStartTime = System.currentTimeMillis();}public boolean allowRequest() {long currentTime = System.currentTimeMillis();long elapsedTime = currentTime - windowStartTime;lock.lock();try {// 滑动窗口，将旧的窗口移除if (elapsedTime > windowSizeInMillis) {int numToRemove = (int) ((elapsedTime - windowSizeInMillis) / 1000);for (int i = 0; i < numToRemove; i++) {counter[i] = 0;}windowStartTime = currentTime - (elapsedTime % windowSizeInMillis);}// 统计请求数int currentWindowIndex = (int) (elapsedTime / 1000);counter[currentWindowIndex]++;// 检查请求数是否超过限制int totalRequests = 0;for (int i = 0; i < counter.length; i++) {totalRequests += counter[i];}if (totalRequests > limit) {return false;  // 超过限制，拒绝请求}} finally {lock.unlock();}return true;  // 没有超过限制，允许请求通过}
}

优点：

滑动窗口可以缓解流量突刺：例如固定窗口（窗口大小为1小时，每个窗口最多处理10个请求）可以在1.59进行了十次请求，2.01进行了十次请求。但是在滑动窗口中，如果我们将滑动参数设置为1min，窗口大小设置为1小时，那么1.59时，滑动窗口的范围是1.59-2.59。此时如果设置最大请求数量为10，那么1.59执行的十次请求就已经填满了请求数量上限。2.01的就无法进行请求。通过这种思路避免了窗口边界流量突刺这种情况。

滴桶限流：

滴桶限流就是接收指定数量的请求，按照指定的速率处理。

在滴桶限流算法中，系统以恒定的速率漏水，并以固定速率接收请求。
算法步骤：
- 当有请求到达时，先检查桶中是否有水滴；
- 如果有水滴可用，则允许请求通过并漏水；
- 如果没有水滴可用，则拒绝该请求。

用汉堡店举例：滴桶限流就是每个小时接待6个客户，然后每十分钟处理一个客户的请求

java代码实现:

import java.util.concurrent.TimeUnit;public class LeakyBucketRateLimiter {private final int capacity;  // 桶的容量private final double rate;   // 水滴漏出速率（水滴/秒）private double water;        // 当前桶中的水滴数量private long lastLeakTime;   // 上次漏水的时间戳public LeakyBucketRateLimiter(int capacity, double rate) {this.capacity = capacity;this.rate = rate;this.water = 0;this.lastLeakTime = System.nanoTime();}public synchronized boolean allowRequest() {leak();if (water >= 1) {water -= 1;return true;  // 水滴足够，允许请求通过} else {return false;  // 水滴不足，拒绝请求}}private void leak() {long now = System.nanoTime();double elapsedTime = (now - lastLeakTime) / 1e9;double waterToLeak = elapsedTime * rate;if (waterToLeak > 0) {water = Math.max(0, water - waterToLeak);lastLeakTime = now;}}
}

缺点：

滴桶限流的并发性比较差，我们在代码中就可以看到，他需要对水滴（请求）逐个进行处理

令牌桶限流：

令牌桶限流就是创建一个桶，生成指定数量的令牌，只有拿到令牌的请求才可以进行处理。

在令牌桶限流算法中，系统以恒定的速率生成令牌并放入令牌桶中，每个请求需要获取一个令牌才能通过。
算法步骤：
- 每隔一段时间生成一定数量的令牌放入桶中；
- 当有请求到达时，从桶中获取一个令牌，如果没有令牌可用，则拒绝该请求。

import java.util.concurrent.TimeUnit;public class TokenBucketRateLimiter {private final int capacity;  // 令牌桶容量private final double rate;   // 令牌生成速率（令牌/秒）private double tokens;       // 当前桶中的令牌数private long lastRefillTime; // 上次填充令牌的时间戳public TokenBucketRateLimiter(int capacity, double rate) {this.capacity = capacity;this.rate = rate;this.tokens = capacity;this.lastRefillTime = System.nanoTime();}public synchronized boolean allowRequest() {refill();if (tokens >= 1) {tokens -= 1;return true;  // 令牌足够，允许请求通过} else {return false;  // 令牌不足，拒绝请求}}private void refill() {long now = System.nanoTime();double elapsedTime = (now - lastRefillTime) / 1e9;double tokensToAdd = elapsedTime * rate;if (tokensToAdd > 0) {tokens = Math.min(capacity, tokens + tokensToAdd);lastRefillTime = now;}}
}