常见限流算法详解与对比

一、核心限流算法原理与实现

以下是五种主流限流算法的实现逻辑及特点分析：

1. 计数器算法（Fixed Window Counter）

• 原理
  在固定时间窗口（如1秒）内统计请求数，超过阈值则限流。例如，1秒内允许100次请求，窗口滑动后重置计数器。
• 实现

AtomicInteger counter = new AtomicInteger(0);
long windowStart = System.currentTimeMillis();

public boolean allowRequest() {
    long now = System.currentTimeMillis();
    if (now - windowStart > 1000) {  // 窗口重置
        counter.set(0);
        windowStart = now;
    }
    return counter.incrementAndGet() <= 100;
}

• 特点

• • ✅ 优点：实现简单，内存消耗低。
  • ❌ 缺点：窗口边界处可能出现突发流量（如两个窗口切换时瞬时流量翻倍）。

2. 滑动窗口计数器（Sliding Window Counter）

• 原理
  将固定窗口细分为多个小片段（如每100ms一个片段），动态滑动统计当前窗口内的总请求数。
• 实现
  使用队列或环形数组记录每个片段的请求数，滑动时清理过期片段并累加当前窗口的请求量。
• 特点

• • ✅ 优点：缓解固定窗口的临界问题，流量控制更平滑。
  • ❌ 缺点：实现复杂度高，存储和计算开销随窗口细分程度增加而增长。

3. 漏桶算法（Leaky Bucket）

• 原理
  请求像水一样倒入桶中，桶以固定速率“漏水”（处理请求）。若桶满，新请求被丢弃。
• 实现

ArrayBlockingQueue<Integer> bucket = new ArrayBlockingQueue<>(capacity);
public boolean allowRequest() {
    return bucket.offer(1);  // 桶满则返回false
}

后台线程按固定速率从桶中取出请求处理。

• 特点

• • ✅ 优点：严格限制流出速率，平滑流量。
  • ❌ 缺点：无法应对突发流量（突发请求需排队等待）。

4. 令牌桶算法（Token Bucket）

• 原理
  系统以固定速率向桶中添加令牌，请求需消耗令牌。桶有容量上限，允许突发流量消耗积累的令牌。
• 实现（Guava RateLimiter示例）

RateLimiter limiter = RateLimiter.create(5.0);  // 每秒生成5个令牌
if (limiter.tryAcquire()) {
    // 处理请求
}

• 特点

• • ✅ 优点：支持突发流量，平滑与灵活性兼顾。
  • ❌ 缺点：实现较复杂，需维护令牌生成和消耗逻辑。

5. 分布式限流算法

• 原理
  在分布式系统中，通过Redis等中间件实现跨节点限流。常见方案包括：

• • Redis + Lua：原子性操作保证计数一致性。
  • 滑动窗口日志：记录每个请求时间戳，统计时间窗口内总数。

• 实现示例（Redis Lua脚本）

local key = KEYS[1]
local limit = tonumber(ARGV[1])
local current = redis.call('INCR', key)
if current == 1 then
    redis.call('EXPIRE', key, 1)  -- 1秒过期
end
return current > limit

• 特点

• • ✅ 优点：支持全局限流，适合高并发分布式场景。
  • ❌ 缺点：依赖Redis性能，存在网络延迟风险。

二、算法对比与选型建议

三、实际应用中的选型策略

1. 单机场景

• • 优先选择令牌桶算法（如Guava RateLimiter），兼顾突发流量与平滑性。
  • 若需简单实现，可使用滑动窗口计数器。

1. 分布式场景

• • 使用Redis + Lua脚本实现分布式令牌桶或滑动窗口，保证原子性操作。
  • 复杂场景可选用Sentinel或Resilience4j等框架，内置多种限流策略。

1. 特殊需求

• • 严格恒定速率：漏桶算法（如网络流量整形）。
  • 冷启动保护：令牌桶的预热模式（SmoothWarmingUp）。

四、总结

限流算法的核心目标是平衡系统负载与用户体验。选择时需结合业务场景特点：

• 高并发+突发流量：令牌桶算法。
• 严格速率控制：漏桶算法。
• 分布式全局限流：Redis + Lua或Sentinel。

实际应用中，可结合监控与动态调整（如自适应限流），进一步提升系统鲁棒性。