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。
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;
}
}
}
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！
![[kubernetes]Kube-APIServer](https://img-blog.csdnimg.cn/direct/6858af04fb3946759018a87129e90959.png)
