利用固定窗口计数算法限流，精准控制第三方 API 调用频率

使用场景

在调用第三方 API 时，我们通常会在 API 文档中看到对接口访问频率的限制。为了确保不超出这些限制，使用限流算法来控制 API 调用频率是至关重要的。

在作为 API 的使用者时，我们通常需要参考并使用限流算法来控制 API 调用的频率，确保不超过提供方设定的访问限制。例如，我们可以使用固定窗口计数算法来有效管理调用频率。

如果你是 API 的提供者，常用的限流算法则会有所不同。令牌桶算法及其变体通常被广泛应用，它们不仅能有效控制请求速率，还允许一定程度的突发流量，从而提升系统的灵活性和可靠性。

使用固定窗口计数算法管理调用频率

LimitUtil 实现的限流机制属于 固定窗口计数算法（Fixed Window Counter） 的一种变体。

代码中下面两个参数至关重要，根据自己的需求修改。

1. N：时间窗口内最多允许的请求次数。这个参数直接决定了在指定时间窗口内可以处理的最大请求量。如果超过这个数量，多余的请求将被延迟或拒绝。
2. bucket：时间窗口的大小。这个参数定义了时间窗口的长度（通常以毫秒为单位）。它决定了在多长时间内会统计和限制请求次数。

通过合理设置这两个参数，可以有效控制 API 的调用频率，避免超出限制。

代码如下：

import java.util.ArrayList;
import java.util.Collections;
import java.util.List;

public class LimitUtil {
    // 用于循环访问 requestTimeList 的索引，volatile 保证多线程之间的可见性
    private static volatile int seq = 0;

    // 时间窗口大小，单位为毫秒，这里设置为1000毫秒（即1秒）
    private static final int bucket = 1000;

    // 用于存储最近 N 次请求的时间戳列表，volatile 保证线程安全
    private static volatile List<Long> requestTimeList;

    // 每个 bucket 时间窗口内最多允许的请求次数，这里按需求自定义
    private static final int N = 1;

    static {
        // 初始化 requestTimeList，为长度为 N 的列表，所有值均为 0L
        requestTimeList = new ArrayList<>(Collections.nCopies(N, 0L));
    }

    // 私有构造函数，防止实例化该工具类
    private LimitUtil() {
    }

    /**
     * 限流实现，使用 synchronized 修饰，表示对整个类上锁，保证线程安全
     *
     * @throws InterruptedException 如果线程被中断，则抛出该异常
     */
    public static synchronized void tryBeforeRun() throws InterruptedException {
        // 获取当前系统时间（毫秒）
        long now = System.currentTimeMillis();

        // 计算当前请求时间与 seq 索引处的上一次请求时间的间隔
        long interval = now - requestTimeList.get(seq);

        if (interval < 0) {
            // 如果当前时间早于上次请求时间（即 interval < 0），需要等待到上次请求的下一个时间点再执行
            // 计算等待时间，并让线程等待
            Thread.sleep(bucket - interval);

            // 递归调用自己，确保限流逻辑执行
            tryBeforeRun();
        }

        if (interval < bucket) {
            // 如果时间间隔小于 bucket 时间窗口，说明请求太快，需要延迟执行
            requestTimeList.set(seq, requestTimeList.get(seq) + bucket);
            Thread.sleep(bucket - interval);
        } else {
            // 否则，更新当前索引处的请求时间为当前时间
            requestTimeList.set(seq, now);
        }

        // 更新 seq，指向下一个索引位置，采用取模操作实现循环
        seq = (seq + 1) % requestTimeList.size();
    }
}

使用测试

我下面使用 100 个线程并发调用 API，并在调用 API 之前引入限流方法。通过打印每次 API 调用的时间戳，可以观察并验证限流算法的效果以及 API 调用频率的变化。

    @Test
    public void testLimitUtil() {
        // 100个线程并发测试
        ThreadUtil.concurrencyTest(100, () -> {
            try {
                LimitUtil.tryBeforeRun();
            } catch (InterruptedException e) {
                e.printStackTrace();
            }
            this.api();
        });
    }

    private void api() {
        long now = System.currentTimeMillis();
        System.out.println("API 调用时间: " + now / 1000 + "秒，由线程 " + Thread.currentThread().getName() + " 执行");
        // 模拟业务逻辑的处理
    }

设定的 N = 1 和 bucket = 1000 的参数配置。

API 调用时间: 1724903993秒，由线程 hutool-4 执行
API 调用时间: 1724903994秒，由线程 hutool-9 执行
API 调用时间: 1724903995秒，由线程 hutool-7 执行
API 调用时间: 1724903996秒，由线程 hutool-6 执行
API 调用时间: 1724903997秒，由线程 hutool-8 执行
API 调用时间: 1724903998秒，由线程 hutool-2 执行
API 调用时间: 1724903999秒，由线程 hutool-5 执行
API 调用时间: 1724904000秒，由线程 hutool-100 执行
更多的就不展示了。

通过测试结果，可以确认：
限流机制有效：API 调用频率严格控制在每秒一次，符合设定的参数。
无并发问题：每个 API 调用的时间戳显示在不同的秒数，说明限流机制成功避免了多个线程在同一时间窗口内同时调用 API。

一秒钟执行五次

一秒钟执行五次只需要把N调整为5即可。

    // 每个 bucket 时间窗口内最多允许的请求次数，这里按需求自定义
    private static final int N = 5;

测试部分结果如下，符合预期，一秒钟执行最多执行5次api。

API 调用时间: 1724910227秒，由线程 hutool-25 执行
API 调用时间: 1724910227秒，由线程 hutool-23 执行
API 调用时间: 1724910227秒，由线程 hutool-10 执行
API 调用时间: 1724910227秒，由线程 hutool-24 执行
API 调用时间: 1724910227秒，由线程 hutool-5 执行

API 调用时间: 1724910228秒，由线程 hutool-8 执行
API 调用时间: 1724910228秒，由线程 hutool-38 执行
API 调用时间: 1724910228秒，由线程 hutool-3 执行
API 调用时间: 1724910228秒，由线程 hutool-9 执行
API 调用时间: 1724910228秒，由线程 hutool-4 执行

代码逻辑演示如下。

适用场景

这种算法适用于简单的场景，比如在1秒内只允许某个操作执行一次。它的实现简单，适合于限制在某段时间内的请求次数，但可能会在窗口边界处出现短时间内的突发流量问题（即"临界点问题"），这也是固定窗口计数算法的一般特点。

临界点问题验证

    public static void main(String[] args) throws InterruptedException {
        testCriticalPoint();
    }

    public static void testCriticalPoint() throws InterruptedException {
        // 第一个请求，在接近时间窗口的末尾发起
        Thread.sleep(950); // 等待950毫秒，使其接近1秒窗口的结束
        System.out.println("第一次请求: " + System.currentTimeMillis() / 1000 + " 秒");
        LimitUtil.tryBeforeRun();

        // 第二个请求，在下一个时间窗口的开始发起
        Thread.sleep(50); // 等待50毫秒，跨越到下一个时间窗口
        System.out.println("第二次请求: " + System.currentTimeMillis() / 1000 + " 秒");
        LimitUtil.tryBeforeRun();
    }

运行结果:

第一次请求: 1724909724 秒
第二次请求: 1724909724 秒

在上述测试中，LimitUtil 在这两个请求之间没有进行限流，这说明在临界点时 LimitUtil 允许超出预期的请求数量，临界点问题确实存在。

分析：
临界点问题发生的原因在于，固定窗口计数算法只关注窗口内的请求数量，而没有考虑跨越窗口边界时的请求情况。
在这个例子中，虽然两个请求是在不同的时间窗口发起的，但由于时间窗口的计算是以固定的时间单位为基础（例如以秒为单位），因此可能会在窗口边界附近发生短时间内处理多个请求的情况。

解决方案：
为了避免临界点问题，可以考虑使用以下方法：

**滑动窗口计数算法（**Sliding Window Counter）：
通过对请求的时间戳进行更精细的记录，并在窗口内的每个时刻统计请求数量，避免在窗口边界处出现突发流量。

令牌桶算法（Token Bucket Algorithm）：
通过生成和消耗令牌来控制请求速率，允许一定的突发流量，同时控制平均请求速率，平滑处理流量。

滑动窗口平均算法（Sliding Window Rate Limiting）：
将时间窗口进一步细分为更小的子窗口，计算多个子窗口的平均请求数量，避免在窗口边界处出现流量峰值。