常见的限流算法有哪些？

一、计数器算法

原理 ：

• 使用一个固定窗口（时间段）内的计数器，记录请求的数量。
• 若计数器超过设定的阈值，则拒绝后续请求。

实现 ：

• 定义一个时间窗口（如1秒）。
• 在窗口内维护一个计数器，接收到请求时计数器+1。
• 若计数器超过阈值，则限流；否则允许。

优点 ：

简单易实现，适用于低精度的限流需求。

缺点 ：

边界问题：窗口边界处可能产生突发流量。例如，当前窗口接近阈值，新窗口开始时流量激增。

二、滑动窗口计数器

原理 ：

• 将固定窗口进一步细分为更小的时间片段。
• 根据当前时间的滑动，将多个时间片段内的请求数量进行累加。

实现 ：

• 将1秒分为多个时间片段（如100毫秒）。
• 使用一个队列存储各时间片段的计数。
• 请求时移除过期的时间片段，并累计最新的请求数。

优点 ：

• 缓解固定窗口算法的边界问题。
• 流量控制更加平滑。

缺点 ：

实现较为复杂，存储和计算开销增加。

三、漏桶算法

原理 ：

• 将请求存入一个“桶”中，以恒定速率从桶中取出处理。
• 若请求到达速度超过出水速度，则多余的请求被丢弃或排队。

实现 ：

• 维护一个队列表示漏桶。
• 按固定速率处理请求。
• 若队列满，则丢弃新请求。

优点 ：

• 能平滑突发流量，将其转化为稳定输出。
• 控制请求处理速率。

缺点 ：

丢弃超量请求可能导致用户体验下降。

四、令牌桶算法

原理 ：

• 系统按固定速率向桶中加入“令牌”。
• 每次请求需要消耗一个令牌，若令牌不足，则拒绝请求。

实现 ：

• 维护一个桶存储令牌，设定令牌生成速率和桶容量。
• 请求时，检查桶内是否有足够令牌：
• 有：扣除相应令牌，允许请求。
• 无：拒绝请求。

优点 ：

• 支持突发流量处理（通过允许提前消费桶中积累的令牌）。
• 限流效果较平滑。

缺点 ：

相比漏桶算法实现稍复杂。

五、Sliding Log（滑动日志算法）

原理 ：

• 记录每个请求的时间戳。
• 根据当前时间窗口计算历史请求数量，决定是否限流。

实现 ：

• 使用一个有序集合（如Redis的zset）存储时间戳。
• 请求时清理超出时间窗口的过期时间戳，并统计剩余时间戳数量。
• 若数量未超限，则允许请求；否则限流。

优点 ：

精度高，适合精细化限流。

缺点 ：

存储开销大，尤其在高并发下可能性能较低。

总结

提示：这里对文章进行总结：

例如：以上就是今天要讲的内容，本文仅仅简单介绍了pandas的使用，而pandas提供了大量能使我们快速便捷地处理数据的函数和方法。