看完这篇，轻松get限流！
什么是限流？
限流，也叫速率限制（Rate Limiting），是一种限制请求速率的技术。通常用于保护服务自身，或在下游服务已知无法保护自身的情况下，保护下游服务。
互联网场景中，这样的例子也随处可见。比如秒杀抢购，通过限流来限制并发和请求量，从而保护自身或下游系统不被巨型流量冲垮。
（一）防止资源枯竭
限流最常见的一个原因是，通过避免资源枯竭，来提高服务的可用性。常见的导致资源枯竭的原因有：
遭受恶意的攻击（如DDoS攻击、暴力密码猜测攻击等），这些攻击看起来像是来自真实用户，但通常是由僵尸程序或某种脚本机器人生成，往往会在短时间内发起大量的服务请求，导致合法用户无法使用该系统。
（二）管理配额
（三）费用控制
限制键（Limiting Key）
使用限流时，第一步要做的是选择一个合适的限制键。某些场合中，限制键有其他叫法，比如：条件、过滤器等。
本质上限制键是一个用于计数的标识，也是限流算法所作用的对象。比如当基于IP或者用户进行限流，这里IP地址或者用户ID就是一个限制键。
限流算法
（一）漏桶（Leaky Bucket）
漏桶算法是网络世界中流量整形（Traffic Shaping）或速率限制（Rate Limiting）时经常使用的一种算法，它的主要目的是控制数据注入到网络的速率，平滑网络上的突发流量（Bursty Flow）。漏桶算法提供了一种机制，通过它，突发流量可以被整形为一个稳定的流量。
漏桶由一个有限长度的FIFO队列组成。 当一个请求到达时，如果队列中有空间，它就被附加到队列中；否则它将被拒绝。
队列的另一端，则以一个恒定的速率漏出/放行请求。
缺点：
资源利用率低：漏桶并不能高效地利用可用的资源。因为它只在固定的时间间隔放行请求，所以在很多情况下，流量非常低，即使不存在资源争用，也无法有效地消耗资源。
饥饿问题：当短时间内有大量突发请求，即使服务器没有任何负载，每个请求也需要在队列中等待一段时间才能响应。
（二）令牌桶（Token Bucket）
算法过程：
算法使用一个固定容量的桶。
只要桶不满，系统就以一个恒定的速率（比如每秒）向桶中添加令牌。
当请求到来时，就从桶中拿走1个或多个令牌，若没有可用令牌，就拒绝该请求。
优点：允许突发流量。应用程序在本质上往往是突发性的，当有突发流量时，只要桶里的令牌足够，就能处理，因此能够更高效的利用底层资源。
举个例子：假设令牌桶的容量为20，令牌恢复速度为5个/秒。正常情况下，系统可以处理持续的每秒5个请求，也可以处理每隔4秒一次性20个请求的突发情况。
（三）简单计数
最简单的限流算法就是简单计数了，常被用于池类资源场景，如：线程池，连接池等。这类场景的典型特征是资源用完放回。
举个生活中常见的例子：国庆期间，某景区限流，最多只允许1W人进入，当到达1W人后，每出来一个人，才允许再进入一个人。
算法只需为计数器设置一个阈值（通常就是底层资源的可用量），并为请求做简单计数。
算法过程：
请求开始处理时，计数器加一
请求处理完毕时，计数器减一
若计数器超过阈值，则直接拒绝该请求
优点：简单粗暴。
缺点：缺乏灵活性，应用场景有限。
（四）固定窗口计数（Fixed Window Counter）
算法使用一个固定大小的时间窗口（如1分钟），并跟踪窗口内的请求数。每个传入的请求都将增加窗口的计数器，如果计数器超过阈值，则该请求被拒绝。
窗口通常由当前时间戳的下限定义，因此10:01:06和60秒的窗口长度将在10:01:00窗口中。每当时间到达一个新的窗口时，计数器被重置。
举个例子：假设规划的吞吐量是1分钟3个请求，即每秒0.05个请求。恶意用户在0:59，瞬间发送3个请求，在1:00，又瞬间发送3个请求。则在这个1秒瞬间，共发送了6个请求，远超规划速率，瞬间压垮应用。
（五）滑动日志（Sliding Logs）
滑动日志算法通过实时滚动窗口，即精确地计算当前时刻的窗口（而不是由时间戳下限定义的固定窗口），从而消除了静态窗口边界，解决了固定窗口的边界双倍暴击问题。
（六）滑动窗口计数（Sliding Window Counter）
算法不再为每个请求单独保存一个时间戳日志，而是将相同时间戳的日志合并（这是大流量下节省内存的关键），每个日志记录时间戳和该时间戳上发生的请求数。通过对窗口中的所有日志的请求数求和，即可得到当前的实时窗口计数。
优点：提供了灵活性和良好的性能。避免了漏桶的饥饿问题和固定窗口的边界双倍暴击问题。
（七）背压（Back Pressure）
背压是一种阻碍请求通过的反向压力，通常出现在请求速度快于处理速度的上下文中。
它不是一种单纯的限流策略，因为这种策略不是服务器单独完成的，而是需要服务器和客户端合作来应对：
服务器仍然负责限流的部分。不同的是，当服务器压力很大，无法处理更多请求的时候，需要向客户端传递这种压力信号（称之为背压信号），通过响应（如HTTP 429）反向传导给客户端。
然后压力就来到了客户端，客户端需要理解这种反馈，并做出适当的措施，以降低其请求速率，从而适配服务器的处理能力。
客户端可以进行的措施包括：
丢弃这个请求
缓存这个请求，并在将来的某个时刻再次发送
案例：TCP滑动窗口
一个著名的案例是TCP滑动窗口：接收端在每次收到一个数据包后，都会在ACK中带上自己的接口窗口大小，发送方收到ACK后，根据接收方通告的窗口大小，调整自己的发送窗口大小，以动态适配接收方的处理能力。
阻塞调用链（Callstack Blocking）
上面描述的机制实现了一种显示的生产者和消费者的协调机制。
除此之外，还存在一种隐式的协调机制，即阻塞调用链（Callstack Blocking），当下游无法处理时直接阻塞上游。下面是一些例子：
TCP阻塞send：内核有一个固定长度的发送缓冲区，缓冲区满时，会阻塞send方法。
线程池：提交任务到线程池，线程池满后，会阻塞在提交动作上，这将隐式地阻塞上游的生产者。
客户端策略
除了上面描述的背压策略，客户端还需要在网络超时的情况下，参与到限流过程。
（一）超时重试
分布式系统存在特有的三态概念，即成功 ，失败，和超时无响应（结果未知）。当超时发生时，客户端通常需要重试，就和收到背压信号时的处理类似。
（二）退避（Backoff）
重试是“自私的”。换句话说，在客户端重试时，它将花费更多的服务器时间来获得更大的成功几率。在故障很少发生或瞬时发生的情况下，这并不是问题，因为重试请求的总数很小。但如果故障是由过载引起的，重试会增加负载，导致情况进一步恶化。
重试的首选解决方案是退避：客户端不会立即积极地重试，而是在两次尝试之间等待一段时间。
指数退避（exponential backoff）
最佳的退避模式是指数退避，即每次尝试后的等待时间都呈指数级增加。这可能导致很长的退避时间，因为指数函数增长很快。为了避免重试太长时间，实现通常会设置一个上限值。
timeout = min(base * pow(2, attempt), threshold)使用这种方法的一个经典案例是：TCP超时重传时采用的Karn算法。
其他的退避模式
恒定时间：在每次尝试之间等待恒定的时间。例如，使用1秒的恒定延迟，那么重试将在1秒、2秒、3秒、4秒等发生。
斐波纳契：使用斐波纳契数，来获得对应于当前重试的等待时长，比如1，1，2，3，5，8，13，等等。
这个Python退避包提供了一些常用的解决方案。
（三）增加抖动（Jitter）
如果许多客户端同时发出基于时间表的请求（比如每小时查询一次），那么可能会造成周期性的惊群效应 (thundering herd)。该效应指的是由于突发事件而导致的突发的流量激增的情况。
（四）谨慎重试
重试会加重从属系统上的负载：如果对系统的调用超时，且该系统过载，则重试会导致过载问题恶化，而非好转。下面是一些建议：
仅在观察到依赖项运行状况良好时才进行重试，从而避免了这种负载加剧的问题。
当重试无助于提高可用性时，应停止重试。
分布式限流
分布式系统中，可能需要对服务的所有实例进行整体限制，这时就要使用高效的全局存储（如Redis）来跟踪各种限制计数。
（一）竞争条件
集中式数据存储最常见的一个问题是高并发场景下的竞争条件问题。当使用一种简单的“get-then-set”方法，就会发生这种问题。在这种方法中，先获得当前的限流计数器，将其递增，然后写回存储。问题在于，这一系列操作并非原子的，中间可能会插入额外的请求，每个请求都试图写入过期的计数器。这使得消费者可以通过高频的请求来绕过限流控制。
解决方案1：放宽限制
允许计数器超过阈值， 可以设置一个容忍区间（如1%）。举个例子：设定上限为200，但是允许203个请求。这也许算不上解决方案，但某些场景确实能用。
解决方案2：会话保持
通过在负载均衡器中设置会话保持，以便确保来自同一个用户的请求总是由同一个节点串行处理。缺点：缺乏容错能力、节点过载时的扩展性问题。
解决方案3：加锁
解决竞争条件，最常用的方法是加锁，以防止计数器的并发访问。缺点：消费者发出的其他请求的响应延迟，此外锁会很快成为一个严重的性能瓶颈，并且不能很好地伸缩。
解决方案4：Redis+Lua
local curr_count = tonumber(redis.call('GET', key) or "0")
if curr_count + 1 > limit then -- 限流 return 0else -- 放行 redis.call("INCRBY", key, 1) redis.call("EXPIRE", key, 2) return 1end作者简介
孙锦
腾讯云开发者社区【技思广益·腾讯技术人原创集】作者
腾讯游戏后台开发工程师，目前负责游戏后端开发工作，有丰富的游戏后端开发经验，未来希望能够在大规模分布式系统等领域进行深入研究。
推荐阅读