不依赖外部库的情况下，限流算法有什么实现的思路？本文介绍了3种实现限流的方式。

一、漏桶算法

  • 算法思想
    与令牌桶是“反向”的算法，当有请求到来时先放到木桶中，worker以固定的速度从木桶中取出请求进行相应。如果木桶已经满了，直接返回请求频率超限的错误码或者页面
  • 适用场景
    流量最均匀的限流方式，一般用于流量“整形”，例如保护数据库的限流。先把对数据库的访问加入到木桶中，worker再以db能够承受的qps从木桶中取出请求，去访问数据库。不太适合电商抢购和微博出现热点事件等场景的限流，一是应对突发流量不是很灵活，二是为每个user_id/ip维护一个队列(木桶)，workder从这些队列中拉取任务，资源的消耗会比较大。
  • go语言实现
    通常使用队列来实现，在go语言中可以通过buffered channel来快速实现，任务加入channel，开启一定数量的worker从channel中获取任务执行。
package mainimport ("fmt""sync""time")// 每个请求来了，把需要执行的业务逻辑封装成Task，放入木桶，等待worker取出执行type Task struct { handler func()Result // worker从木桶中取出请求对象后要执行的业务逻辑函数resChanchanResult // 等待worker执行并返回结果的channeltaskIDint}// 封装业务逻辑的执行结果typeResultstruct {}// 模拟业务逻辑的函数funchandler()Result { time.Sleep(300 * time.Millisecond)return Result{}}funcNewTask(id int)Task {return Task{ handler: handler, resChan: make(chan Result), taskID: id, }}// 漏桶type LeakyBucket struct { BucketSize int// 木桶的大小 NumWorker int// 同时从木桶中获取任务执行的worker数量 bucket chan Task // 存方任务的木桶}funcNewLeakyBucket(bucketSize int, numWorker int) *LeakyBucket {return &LeakyBucket{ BucketSize: bucketSize, NumWorker: numWorker, bucket: make(chan Task, bucketSize), }}func(b *LeakyBucket)validate(task Task)bool {// 如果木桶已经满了，返回falseselect {case b.bucket <- task:default: fmt.Printf("request[id=%d] is refused\n", task.taskID)returnfalse }// 等待worker执行 <-task.resChan fmt.Printf("request[id=%d] is run\n", task.taskID)returntrue}func(b *LeakyBucket)Start() {// 开启worker从木桶拉取任务执行gofunc() {for i := 0; i < b.NumWorker; i++ {gofunc() {for { task := <-b.bucket result := task.handler() task.resChan <- result } }() } }()}funcmain() { bucket := NewLeakyBucket(10, 4) bucket.Start()var wg sync.WaitGroupfor i := 0; i < 20; i++ { wg.Add(1)gofunc(id int) {defer wg.Done() task := NewTask(id) bucket.validate(task) }(i) } wg.Wait()}

二、令牌桶算法

  • 算法思想
    想象有一个木桶，以固定的速度往木桶里加入令牌，木桶满了则不再加入令牌。服务收到请求时尝试从木桶中取出一个令牌，如果能够得到令牌则继续执行后续的业务逻辑；如果没有得到令牌，直接返回反问频率超限的错误码或页面等，不继续执行后续的业务逻辑
  • 特点：由于木桶内只要有令牌，请求就可以被处理，所以令牌桶算法可以支持突发流量。同时由于往木桶添加令牌的速度是固定的，且木桶的容量有上限，所以单位时间内处理的请求书也能够得到控制，起到限流的目的。假设加入令牌的速度为 1token/10ms，桶的容量为500，在请求比较的少的时候（小于每10毫秒1个请求）时，木桶可以先"攒"一些令牌（最多500个）。当有突发流量时，一下把木桶内的令牌取空，也就是有500个在并发执行的业务逻辑，之后要等每10ms补充一个新的令牌才能接收一个新的请求。
  • 参数设置：木桶的容量 - 考虑业务逻辑的资源消耗和机器能承载并发处理多少业务逻辑。生成令牌的速度 - 太慢的话起不到“攒”令牌应对突发流量的效果。
  • 适用场景：

    适合电商抢购或者微博出现热点事件这种场景，因为在限流的同时可以应对一定的突发流量。如果采用均匀速度处理请求的算法，在发生热点时间的时候，会造成大量的用户无法访问，对用户体验的损害比较大。
  • go语言实现：

    假设每100ms生产一个令牌，按user_id/IP记录访问最近一次访问的时间戳 t_last 和令牌数，每次请求时如果 now - last > 100ms, 增加 (now - last) / 100ms个令牌。然后，如果令牌数 > 0，令牌数 -1 继续执行后续的业务逻辑，否则返回请求频率超限的错误码或页面。
package mainimport ("fmt""sync""time")// 并发访问同一个user_id/ip的记录需要上锁var recordMu map[string]*sync.RWMutexfuncinit() { recordMu = make(map[string]*sync.RWMutex)}funcmax(a, b int)int {if a > b {return a }return b}type TokenBucket struct { BucketSize int// 木桶内的容量：最多可以存放多少个令牌 TokenRate time.Duration // 多长时间生成一个令牌 records map[string]*record // 报错user_id/ip的访问记录}// 上次访问时的时间戳和令牌数type record struct { last time.Time token int}funcNewTokenBucket(bucketSize int, tokenRate time.Duration) *TokenBucket {return &TokenBucket{ BucketSize: bucketSize, TokenRate: tokenRate, records: make(map[string]*record), }}func(t *TokenBucket)getUidOrIp()string {// 获取请求用户的user_id或者ip地址return"127.0.0.1"}// 获取这个user_id/ip上次访问时的时间戳和令牌数func(t *TokenBucket)getRecord(uidOrIp string) *record {if r, ok := t.records[uidOrIp]; ok {return r }return &record{}}// 保存user_id/ip最近一次请求时的时间戳和令牌数量func(t *TokenBucket)storeRecord(uidOrIp string, r *record) { t.records[uidOrIp] = r}// 验证是否能获取一个令牌func(t *TokenBucket)validate(uidOrIp string)bool {// 并发修改同一个用户的记录上写锁 rl, ok := recordMu[uidOrIp]if !ok {var mu sync.RWMutex rl = &mu recordMu[uidOrIp] = rl } rl.Lock()defer rl.Unlock() r := t.getRecord(uidOrIp) now := time.Now()if r.last.IsZero() {// 第一次访问初始化为最大令牌数 r.last, r.token = now, t.BucketSize } else {if r.last.Add(t.TokenRate).Before(now) {// 如果与上次请求的间隔超过了token rate// 则增加令牌，更新last r.token += max(int(now.Sub(r.last) / t.TokenRate), t.BucketSize) r.last = now } }var result boolif r.token > 0 {// 如果令牌数大于1，取走一个令牌，validate结果为true r.token-- result = true }// 保存最新的record t.storeRecord(uidOrIp, r)return result}// 返回是否被限流func(t *TokenBucket)IsLimited()bool {return !t.validate(t.getUidOrIp())}funcmain() { tokenBucket := NewTokenBucket(5, 100*time.Millisecond)for i := 0; i< 6; i++ { fmt.Println(tokenBucket.IsLimited()) } time.Sleep(100 * time.Millisecond) fmt.Println(tokenBucket.IsLimited())}

三、滑动时间窗口算法

  • 算法思想
    滑动时间窗口算法，是从对普通时间窗口计数的优化。

    使用普通时间窗口时，我们会为每个user_id/ip维护一个KV: uidOrIp: timestamp_requestCount。假设限制1秒1000个请求，那么第100ms有一个请求，这个KV变成 uidOrIp: timestamp_1，递200ms有1个请求，我们先比较距离记录的timestamp有没有超过1s，如果没有只更新count，此时KV变成 uidOrIp: timestamp_2。当第1100ms来一个请求时，更新记录中的timestamp并重置计数，KV变成 uidOrIp: newtimestamp_1

    普通时间窗口有一个问题，假设有500个请求集中在前1s的后100ms，500个请求集中在后1s的前100ms，其实在这200ms没就已经请求超限了，但是由于时间窗每经过1s就会重置计数，就无法识别到此时的请求超限。

    对于滑动时间窗口，我们可以把1ms的时间窗口划分成10个time slot, 每个time slot统计某个100ms的请求数量。每经过100ms，有一个新的time slot加入窗口，早于当前时间100ms的time slot出窗口。窗口内最多维护10个time slot，储存空间的消耗同样是比较低的。
  • 适用场景

    与令牌桶一样，有应对突发流量的能力
  • go语言实现

    主要就是实现sliding window算法。可以参考Bilibili开源的kratos框架里circuit breaker用循环列表保存time slot对象的实现，他们这个实现的好处是不用频繁的创建和销毁time slot对象。下面给出一个简单的基本实现：
package mainimport ("fmt""sync""time")var winMu map[string]*sync.RWMutexfuncinit() { winMu = make(map[string]*sync.RWMutex)}type timeSlot struct { timestamp time.Time // 这个timeSlot的时间起点 count int// 落在这个timeSlot内的请求数}funccountReq(win []*timeSlot)int {var count intfor _, ts := range win { count += ts.count }return count}type SlidingWindowLimiter struct { SlotDuration time.Duration // time slot的长度 WinDuration time.Duration // sliding window的长度 numSlots int// window内最多有多少个slot windows map[string][]*timeSlot maxReq int// win duration内允许的最大请求数}funcNewSliding(slotDuration time.Duration, winDuration time.Duration, maxReq int) *SlidingWindowLimiter {return &SlidingWindowLimiter{ SlotDuration: slotDuration, WinDuration: winDuration, numSlots: int(winDuration / slotDuration), windows: make(map[string][]*timeSlot), maxReq: maxReq, }}// 获取user_id/ip的时间窗口func(l *SlidingWindowLimiter)getWindow(uidOrIp string) []*timeSlot { win, ok := l.windows[uidOrIp]if !ok { win = make([]*timeSlot, 0, l.numSlots) }return win}func(l *SlidingWindowLimiter)storeWindow(uidOrIp string, win []*timeSlot) { l.windows[uidOrIp] = win}func(l *SlidingWindowLimiter)validate(uidOrIp string)bool {// 同一user_id/ip并发安全 mu, ok := winMu[uidOrIp]if !ok {var m sync.RWMutex mu = &m winMu[uidOrIp] = mu } mu.Lock()defer mu.Unlock() win := l.getWindow(uidOrIp) now := time.Now()// 已经过期的time slot移出时间窗 timeoutOffset := -1for i, ts := range win {if ts.timestamp.Add(l.WinDuration).After(now) {break } timeoutOffset = i }if timeoutOffset > -1 { win = win[timeoutOffset+1:] }// 判断请求是否超限var result boolif countReq(win) < l.maxReq { result = true }// 记录这次的请求数var lastSlot *timeSlotiflen(win) > 0 { lastSlot = win[len(win)-1]if lastSlot.timestamp.Add(l.SlotDuration).Before(now) { lastSlot = &timeSlot{timestamp: now, count: 1} win = append(win, lastSlot) } else { lastSlot.count++ } } else { lastSlot = &timeSlot{timestamp: now, count: 1} win = append(win, lastSlot) } l.storeWindow(uidOrIp, win)return result}func(l *SlidingWindowLimiter)getUidOrIp()string {return"127.0.0.1"}func(l *SlidingWindowLimiter)IsLimited()bool {return !l.validate(l.getUidOrIp())}funcmain() { limiter := NewSliding(100*time.Millisecond, time.Second, 10)for i := 0; i < 5; i++ { fmt.Println(limiter.IsLimited()) } time.Sleep(100 * time.Millisecond)for i := 0; i < 5; i++ { fmt.Println(limiter.IsLimited()) } fmt.Println(limiter.IsLimited())for _, v := range limiter.windows[limiter.getUidOrIp()] { fmt.Println(v.timestamp, v.count) } fmt.Println("a thousand years later...") time.Sleep(time.Second)for i := 0; i < 7; i++ { fmt.Println(limiter.IsLimited()) }for _, v := range limiter.windows[limiter.getUidOrIp()] { fmt.Println(v.timestamp, v.count) }}
链接：https://juejin.cn/post/6844904051344146439
（版权归原作者所有，侵删）
继续阅读
阅读原文