go限流、计数器固定窗口算法/计数器滑动窗口算法
一、问题
问题1:后端接口只能支撑每10秒1w个请求,要怎么来保护它呢?
问题2:发短信的接口,不超过100次/时,1000次/24小时,要怎么实现?
二、计数器固定窗口算法
所谓固定窗口,就是只设置了一个时间段,给这个时间段加上一个计数器。 常见的就是统计每秒钟的请求量。 这里就是一个QPS计数器。 在这一秒种内的所有请求,只要给这个计数器递增就可以得到当前的并发量了。 用这个方法也就可以解决前面的问题1。可以直接使用系统的当前UNIX时间戳,精确到秒钟。 这个时间戳作为key,设置一个较短的过期时间,比如:10s。
package main
import (
"fmt"
"time"
)
type SlidingWindow struct {
WindowSize int
Window []int
LastUpdateTime time.Time
WindowDuration time.Duration
CurrentIndex int
Count int
MaxAllowedRequest int
}
func NewSlidingWindow(windowSize int, windowDuration time.Duration, maxRequest int) *SlidingWindow {
if windowSize <= 0 {
panic("windowSize must be greater than 0")
}
return &SlidingWindow{
WindowSize: windowSize,
Window: make([]int, windowSize),
LastUpdateTime: time.Now(),
WindowDuration: windowDuration,
CurrentIndex: 0,
MaxAllowedRequest: maxRequest,
}
}
func (sw *SlidingWindow) IncrementCount() {
now := time.Now()
if now.Sub(sw.LastUpdateTime) >= sw.WindowDuration { //比较时间是否超过限定时间
sw.ResetWindow()
}
sw.Count++
sw.Window[sw.CurrentIndex] = sw.Count //窗口总量加1
if sw.Count > sw.MaxAllowedRequest { //最好用窗口总量去计算。这里为了显示两种效果
fmt.Println("Max allowed request exceeded")
}
sw.CurrentIndex = (sw.CurrentIndex + 1) % sw.WindowSize //窗口往后移动一个位置
}
func (sw *SlidingWindow) ResetWindow() {
for i := range sw.Window {//将窗口归零
sw.Window[i] = 0
}
sw.Count = 0
sw.LastUpdateTime = time.Now() //记录最后一次更新
}
func main2() {
windowSize := 5 //窗口粒度,问题1的话可以简化掉。
windowDuration := time.Second * 10//十秒的访问量
maxRequest := 10000//最大访问量
slidingWindow := NewSlidingWindow(windowSize, windowDuration, maxRequest)
for i := 0; i < 10; i++ {
slidingWindow.IncrementCount()
time.Sleep(time.Second)
}
}
三、计数器滑动窗口算法
固定窗口就一个计数器,而滑动窗口就需要有多个计数器。 具体需要多少个计数器,要看窗口的范围和粒度来决定窗口大小。 比如:时间窗口的范围是24小时,时间窗口的粒度是1小时,那么窗口大小就是24,需要的计数器也就是24个。 我们再来回顾下前面的问题2。 如果我们用上面的固定窗口算法,需要2个计数器,一个是小时的计数器,一个是24小时,也就是天的计数器。 很明显,天的计数器会有很大的误差。 比如:昨天14点前没有任何请求,然后在14点开始,每小时都有100次请求。 到昨天的23点,刚好用完了1000次全天的额度。 但是这时候,还是每小时有100个请求, 那么从昨天的14点到今天10点,总共20小时就会有2000次请求,远远超过了24小时最多1500次的限制。 所以,这里使用滑动窗口替代固定窗口会更加合适。 如果想要限流控制点更加精准,那么就可以把窗口粒度设计的更细。 而代价就是窗口大小增加,需要的存储和计算量都会增加。 所以,这里也是需要对精准度和成本做平衡和选择,难以兼得。
package main
import "time"
type RateLimiters struct {
maxHour int
maxDay int
lastHour time.Time
lastDay time.Time
hourWin map[int]int //小时的窗口
}
func GetRateLimiters(hour, day int, first int) *RateLimiters {
return &RateLimiters{
maxHour: hour,
maxDay: day,
lastDay: time.Now(),
lastHour: time.Now(),
hourWin: make(map[int]int),
}
}
func (r *RateLimiters) Add() bool {
now := time.Now()
if now.Sub(r.lastHour) >= time.Hour { //超过一小时
if _, ok := r.hourWin[now.Hour()]; ok { //24小时一个轮回,如果轮回到了第一次开始的时间,重新计数
delete(r.hourWin, now.Hour()) //这里根据需求只清除当前小时,或者所有全部清除(为了计算一天的量)
}
r.lastHour = now
}
if r.hourWin[now.Hour()] >= r.maxHour { //超出限制返回
return false
}
if now.Sub(r.lastDay) >= 24*time.Hour { //超过24小时
r.lastDay = now
}
if sum(r.hourWin) >= r.maxDay {//遍历小时的数量求当日总和
return false
}
r.hourWin[now.Hour()]++ //增加小时访问量
return true
}
func sum(m map[int]int) (total int) {
for _, v := range m {
total += v
}
return total
}
func main() {
hour := time.Now().Hour()
rate := GetRateLimiters(100, 1000, hour)
rate.hourWin[hour] = 0
rate.dayWin[hour] = 0
for i := 0; i <= 1000; i++ {
rate.Add()
}
}