限流算法整理——滑动窗口限流算法

限流算法描述

滑动窗口限流需要将每个窗口空间划分为无限小的窗口区间，并且动态调整区间的起始点，并且在调整完毕之后需要判断各个区间，累加各个区间的请求，查看是否到达最大的阈值，以此返回允许请求还是拒绝请求

算法实现

结构定义

首先需要定义结构，因为在滑动窗口中，起到限流作用的应该是最大请求数和当前的小时间窗口（单位： 时间/ 毫秒），一开始的窗口起点应该是最新的当前系统时间

 private long windowStart = System.currentTimeMillis();
//滑动窗口的单位（小）窗口长度
 private long windowSize;
//限流最大的请求数量
 private int maxRequest;
private Map<Long, LongAdder> windowCount = new ConcurrentHashMap<>();

限流分析

首先进入tryAcquire方法中需要判断最新的时间是否已经走过了窗口的右侧，如果是，更新窗口，并且清空窗口内的请求

 long currentTimeMillis = System.currentTimeMillis();
 long windowEnd = windowStart + windowSize;
 if (windowEnd < System.currentTimeMillis()) {
       //重新计数
       windowStart = System.currentTimeMillis();
       windowCount.clear();
 }

之后，进入到窗口中请求的计算，需要对更新过后的时间窗口区间进行request的统计，为了保证多线程情况下的并发安全问题，这里是哟inglongAdder作为计数器，并且对方法进行synchronized关键字修饰

		long windowId = currentTimeMillis - (currentTimeMillis % windowSize);
		LongAdder count = windowCount.computeIfAbsent(windowId, k -> new LongAdder());
        // 尝试增加计数
        count.increment();
        // 检查是否超过限制
        return count.longValue() <= maxRequest;

注意这部分的关键就是计算窗口标识的部分，我们用当前时间 - 当前时间对于时间窗口的取模，来判断属于哪个编号的窗口，举例说明：

-假设窗口大小是1000毫秒（即1秒），当前时间是12345ms。currentTimeMillis % windowSizeInMs 计算 12345 % 1000，结果是 45。 然后我们从这个当前时间中减去余数 12345 - 45，得到 12300，因此这个时间的请求属于 12300这个时间窗口

我们最终在mian函数中执行初始化和测试用例，给出限制请求大小为2，时间窗口为1s即1000ms，在for循环中模拟 10次请求

public static void main(String[] args) {
        SlidingWindowDemo rateLimiter = new SlidingWindowDemo(2, 1000); // 窗口容量为10，窗口大小为1秒

        // 模拟请求
        for (int i = 0; i < 10; i++) {
            // 模拟请求之间的时间间隔
            try {
                TimeUnit.MILLISECONDS.sleep(200); // 每个请求间隔200毫秒
            } catch (InterruptedException e) {
                e.printStackTrace();
            }

            // 尝试获取限流器
            boolean acquired = rateLimiter.tryAcquire();
            System.out.println("Request " + (i + 1) + ": " + (acquired ? "Acquired" : "Denied"));
        }
    }

最终运行结果

收到拒绝消息，说明限流算法成功