常见的限流算法

计数器（固定窗口）算法

原理：

1. 计数器算法是使用计数器在周期内累加访问次数，当达到设定的限流值时，触发限流策略。
2. 下一个周期开始时，进行清零，重新计数。

实现：

• 此算法在单机还是分布式环境下实现都非常简单，使用redis的incr原子自增性和线程安全即可轻松实现。

场景：

• 这个算法通常用于QPS限流和统计总访问量。

对于秒级以上的时间周期来说，会存在一个非常严重的问题，那就是临界问题，如下图：

假设1min内服务器的负载能力为100，因此一个周期的访问量限制在100，然而在第一个周期的最后5秒和下一个周期的开始5秒时间段内，分别涌入100的访问量，虽然没有超过每个周期的限制量，但是整体上10秒内已达到200的访问量，已远远超过服务器的负载能力，由此可见，计数器算法方式限流对于周期比较长的限流，存在很大的弊端。
 

滑动窗口算法

原理：

• 滑动窗口算法是将时间周期分为N个小周期，分别记录每个小周期内访问次数，并且根据时间滑动删除过期的小周期。

如下图，假设时间周期为1min，将1min再分为2个小周期，统计每个小周期的访问数量，则可以看到，第一个时间周期内，访问数量为75，第二个时间周期内，访问数量为100，超过100的访问则被限流掉了   

由此可见，当滑动窗口的格子划分的越多，那么滑动窗口的滚动就越平滑，限流的统计就会越精确。

此算法可以很好的解决固定窗口算法的临界问题。

实现：

https://github.com/alibaba/Sentinel/wiki/%E4%BB%8B%E7%BB%8D

漏桶算法

1. 漏桶算法是访问请求到达时直接放入漏桶，如当前容量已达到上限（限流值），则进行丢弃（触发限流策略）。
2. 漏桶以固定的速率进行释放访问请求（即请求通过），直到漏桶为空。

令牌桶算法

原理：

• 令牌桶算法是程序以r（r=时间周期/限流值）的速度向令牌桶中增加令牌，直到令牌桶满，请求到达时向令牌桶请求令牌，如获取到令牌则通过请求，否则触发限流策略

实现：

Guava中的RateLimiter

限流方案：

• 分布式限流：nginx实现应用服务器集群的负载均衡；遇到流量洪峰(秒杀场景)时，将90%的用户请求打到排队动画页面。
• 进入应用服务器前限流：配置nginx的限流模块(limit_conn、limit_req)
• 在应用服务器内限流：配置tomcat的线程池。
• 调用业务接口前限流：使用MQ削峰(将请求发送到MQ中，然后MQ以一定的速度将请求发送给业务接口)。
• 在业务接口中限流：Guava的RateLimiter

    
流量整形(traffic shaping)：

• 概念：流量整形即主动调整(限制)流量的输出速率。
• 说明：流量整形通常使用缓冲区和令牌桶来完成：首先将数据缓存在缓冲区中，然后通过令牌桶均匀的发送这些被缓存的数据。
• 应用：当数据的发送速度过快时，需要通过流量整形来控制数据的发送速率。eg：调用第三方api接口时，第三方api接口对QPS有限制。
   

参考：

https://blog.csdn.net/weixin_41846320/article/details/95941361