【知识点随笔分享 | 第九篇】常见的限流算法

朱雀 2024-02-05 19:04 7阅读 0赞

**目录**

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。

![69daf5587f7047c9be451734b0059f96.png][]

## 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：

![7672ceef9bdb4f6c8ec36d459d515bb1.png][]

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。

![9ca20c6bb16c45f68afca81ee07afbc4.png][] 这是滑动窗口限流，他的时间窗口是不断滑动的。

![cf9d68741e674226beba4867ae9e6670.png][]

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。

![bc96aaf70faa4af7a3c43ab07fe641ac.png][]

> 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;
            }
        }
    }

> 用汉堡店举例：令牌桶限流就是 汉堡店 有一个 餐卷桶，并且会按时补充餐卷桶的餐卷数，只有拿到了餐卷才可以购买汉堡

### 优点： ###

令牌桶限流的并发性能比较高，我们可以批量对拿到令牌的请求进行处理。

## 总结: ##

在实际的开发中，其实我们并不用手动去实现这些限流算法，很多第三方库都已经为我们实现了限流算法，我们只需要直接使用就好了。而在实际开发中，常用的限流算法是 滴桶限流和令牌桶限流。因此我们要掌握好这两个限流算法。

如果我的内容对你有帮助，请**点赞，评论，收藏**。创作不易，大家的支持就是我坚持下去的动力！

![69e9169c980f43e0aad31ff9ada88a9c.png][]

[69daf5587f7047c9be451734b0059f96.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/01/30/520018ab7a2e4c978271c4761911dc1d.png
[7672ceef9bdb4f6c8ec36d459d515bb1.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/01/30/08ea273867d3425292319555c189d4ed.png
[9ca20c6bb16c45f68afca81ee07afbc4.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/01/30/2c73ae8471724ca8871187d193c92804.png
[cf9d68741e674226beba4867ae9e6670.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/01/30/33876b73908042519fdd0db384836530.png
[bc96aaf70faa4af7a3c43ab07fe641ac.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/01/30/bad13cd04faa4bcc92f94794d317de33.png
[69e9169c980f43e0aad31ff9ada88a9c.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/01/30/64aa2d2b197d4a9e966bdbef3dc3af93.png