分布式系统限流算法详解与工程实践

1. 限流策略概述

在分布式系统和高并发场景中，限流是保障系统稳定性的重要手段。作为一名经历过多次流量洪峰的开发者，我深刻理解合理限流策略对系统的重要性。限流本质上是通过控制请求通过的速率，防止系统因突发流量而过载崩溃。

常见的四种限流算法各有特点：

• 计数器算法：实现简单但精度较低
• 滑动窗口：提高了计数精度
• 漏桶算法：强制恒定速率输出
• 令牌桶算法：兼顾突发流量处理能力

在实际项目中，我们需要根据业务特点选择合适的算法。比如电商秒杀适合用令牌桶，而API网关可能更适合滑动窗口。

2. 限流算法原理深度解析

2.1 计数器算法实现细节

计数器算法虽然简单，但在实现时仍需注意几个关键点：

java复制public class CounterLimiter {
    private final long interval; // 时间窗口长度(毫秒)
    private final long limit;    // 窗口内最大请求数
    private long counter = 0;    // 当前计数
    private long windowStart;    // 窗口开始时间
    
    public CounterLimiter(long interval, long limit) {
        this.interval = interval;
        this.limit = limit;
        this.windowStart = System.currentTimeMillis();
    }
    
    public synchronized boolean tryAcquire() {
        long now = System.currentTimeMillis();
        if (now > windowStart + interval) {
            // 进入新时间窗口
            windowStart = now;
            counter = 0;
        }
        if (counter < limit) {
            counter++;
            return true;
        }
        return false;
    }
}

注意：计数器算法在分布式环境下需要使用Redis等分布式计数器，单机实现仅适用于单体应用。

临界值问题是计数器算法的主要缺陷。假设设置每秒100个请求的限流：

• 第0.9秒突然涌入100个请求
• 第1.1秒又涌入100个请求
  虽然两个1秒窗口都没超限，但实际在0.2秒内处理了200个请求，可能导致系统过载。

2.2 滑动窗口算法优化

滑动窗口通过细分时间窗口来解决临界问题。典型实现是将1秒窗口划分为10个100毫秒的子窗口：

java复制public class SlidingWindow {
    private final long windowSize; // 窗口大小(毫秒)
    private final int shardNum;    // 子窗口数量
    private final long shardSize;  // 子窗口大小(毫秒)
    private final long limit;      // 窗口限制数
    
    // 子窗口计数器数组
    private final AtomicInteger[