拒绝服务雪崩！4种经典限流算法图文详解（附Java实战代码）

原创

天天困

发布于 2026-01-10 01:42:37

1640

文章被收录于专栏：技术方案技术方案

为什么要限流？

想象一下，你开了一家网红奶茶店，只有3名店员做奶茶。

正常情况：每分钟来5个客人，店员从容应对，大家都很开心。
突发情况：由于某音爆火，突然一分钟涌入100个客人！

如果不做任何限制，店员会瞬间手忙脚乱，点单系统崩溃，甚至做错饮料，最后所有客人都得不到服务（服务雪崩）。

限流（Rate Limiting） 就是为了解决这个问题：在流量过大时，通过限制请求速率，牺牲一部分请求，来保证系统的整体可用性。

1. 固定窗口算法 (Fixed Window)

原理

这是最简单粗暴的算法。我们规定单位时间（比如1秒）内，只能处理固定数量（比如5个）的请求。

维护一个计数器。
每来一个请求，计数器+1。
如果计数器超过阈值，拒绝请求。
每过单位时间，计数器清零。

图解

Java 代码示例

import java.util.concurrent.atomic.AtomicInteger;

public class FixedWindowRateLimiter {
    // 阈值：每秒最多5个请求
    private static final int LIMIT = 5; 
    // 窗口大小：1000毫秒
    private static final long WINDOW_SIZE = 1000; 

    private static AtomicInteger counter = new AtomicInteger(0);
    private static long lastTime = System.currentTimeMillis();

    public static synchronized boolean tryAcquire() {
        long currentTime = System.currentTimeMillis();
        // 如果当前时间已经超过了上一个窗口，重置计数器
        if (currentTime - lastTime > WINDOW_SIZE) {
            counter.set(0);
            lastTime = currentTime;
        }

        // 如果未达到阈值，允许通过
        if (counter.get() < LIMIT) {
            counter.incrementAndGet();
            return true;
        }
        return false;
    }
}

致命缺陷：临界突刺

假设限制是 1秒5个。

如果在 0.8秒到1.0秒 来了5个请求，1.0秒到1.2秒 又来了5个请求。

虽然每个独立的1秒窗口都没超标，但在 0.8秒到1.2秒 这短短0.4秒内，处理了 10个 请求！这可能会瞬间压垮系统。

2. 滑动窗口算法 (Sliding Window)

原理

为了解决固定窗口的“临界突刺”问题，我们把时间窗口划分得更细。

比如把1秒分成5个小格子（每个200ms）。随着时间流逝，窗口像幻灯片一样平滑地向右移动，每次只丢弃最老的一个小格子。

图解

Java 代码示例 (简化版思路)

import java.util.LinkedList;
import java.util.Iterator;

public class SlidingWindowRateLimiter {
    private static final int LIMIT = 5;
    private static final long WINDOW_SIZE = 1000;
    
    // 使用链表记录每个请求的时间戳
    private LinkedList<Long> timestamps = new LinkedList<>();

    public synchronized boolean tryAcquire() {
        long now = System.currentTimeMillis();
        
        // 1. 移除窗口之外的过期请求（比如1秒前的）
        while (!timestamps.isEmpty() && (now - timestamps.peekFirst() > WINDOW_SIZE)) {
            timestamps.removeFirst();
        }
        
        // 2. 检查当前窗口内的请求数
        if (timestamps.size() < LIMIT) {
            timestamps.addLast(now);
            return true;
        }
        
        return false;
    }
}

优缺点

优点：解决了流量突刺问题，限流更精准。
缺点：算法稍复杂，需要存储更多的时间戳数据。Sentinel 等主流框架常用此算法。

3. 漏桶算法 (Leaky Bucket)

原理

把请求想象成水，倒入一个漏桶中。

进水：请求进来的速度是不确定的（可能暴增）。
出水：桶底有一个孔，水以固定速率流出（处理请求）。
溢出：如果桶满了，新进来的水（请求）就会被丢弃。

图解

Java 代码示例

public class LeakyBucketRateLimiter {
    private long capacity = 10; // 桶容量
    private long water = 0;     // 当前水量
    private long leakRate = 2;  // 出水速率：每秒2滴
    private long lastTime = System.currentTimeMillis();

    public synchronized boolean tryAcquire() {
        long now = System.currentTimeMillis();
        // 计算过去这段时间流出了多少水
        long leakedWater = (now - lastTime) / 1000 * leakRate;
        
        // 更新水量（不能小于0）
        water = Math.max(0, water - leakedWater);
        lastTime = now;

        // 尝试加水（处理请求）
        if (water < capacity) {
            water++;
            return true;
        }
        return false;
    }
}

核心特点

强行削峰填谷：无论外面流量多大，系统内部处理速率永远是恒定的。
适用场景：适合保护那些处理能力有限的稀缺资源（如数据库连接）。

4. 令牌桶算法 (Token Bucket) - 推荐

原理

这是目前最常用的算法（如 Google Guava 的 RateLimiter）。

有一个令牌桶，系统以固定速率往里面放入令牌。
请求来了，必须从桶里拿到一个令牌才能被处理。
如果桶满了，令牌就溢出（浪费掉）。
如果桶空了，请求就被拒绝（或等待）。

图解

漏桶 vs 令牌桶

漏桶：限制了流出速率，不能应对突发流量。
令牌桶：限制了流入速率，但允许突发流量（只要桶里有存货，可以瞬间拿走大量令牌）。

Java 代码示例 (使用 Guava)

工业级开发中，我们通常直接使用 Google Guava 库：

import com.google.common.util.concurrent.RateLimiter;

public class TokenBucketDemo {
    // 每秒生成5个令牌
    private static RateLimiter rateLimiter = RateLimiter.create(5.0);

    public static void doSomething() {
        // 尝试获取令牌，如果拿不到会阻塞等待（也可以用 tryAcquire 非阻塞）
        rateLimiter.acquire(); 
        System.out.println("处理请求: " + System.currentTimeMillis());
    }
}

5. 进阶：分布式限流

上面的算法都是针对单机的。如果是微服务架构，几十台服务器，怎么办？

这时通常使用 Redis 来实现。

Redisson 分布式限流

利用 Redis 的原子性，结合 Lua 脚本实现全系统的流量控制。

// 伪代码示例
RRateLimiter rateLimiter = redissonClient.getRateLimiter("myKey");
// 初始化：每秒最多10个
rateLimiter.trySetRate(RateType.OVERALL, 10, 1, RateIntervalUnit.SECONDS);

if (rateLimiter.tryAcquire()) {
    // 处理业务
} else {
    // 限流
}

总结

算法	特点	优点	缺点	适用场景
固定窗口	简单计数	实现极其简单	存在临界突刺问题	流量平稳的简单场景
滑动窗口	细分时间格	解决临界问题，精度高	实现稍繁琐	很多限流框架的底层实现 (如 Sentinel)
漏桶	宽进严出	输出速率恒定，平滑流量	无法处理突发流量	保护下游严格受限的系统
令牌桶	严进宽出	允许突发流量	实现稍复杂	最常用，兼顾稳定与突发 (如 Guava)

希望这篇文章能帮你搞懂限流！如果觉得有用，记得点赞收藏哦！

原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。

如有侵权，请联系 cloudcommunity@tencent.com 删除。

算法

原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。

如有侵权，请联系 cloudcommunity@tencent.com 删除。

算法

#限流算法

#服务雪崩

登录后参与评论

0 条评论

热度