四种常用限流算法对比
Leaky Bucket 漏桶
漏桶可理解为是一个限定容量的请求队列。
想象有一个桶，有水（指请求或数据）从上面流进来，水从桶下面的一个孔流出来。水流进桶的速度可以是随机的，但是水流出桶的速度是恒定的。 当水流进桶的速度较慢，桶不会被填满，请求就可以被处理。 当水流进桶的速度过快时，桶会逐渐被填满，当水超过桶的容量就会溢出，即被丢弃。
class LeakyBucketRateLimiter(object):
def __init__(self, capacity, leak_rate):
# 桶容量
self.capacity = capacity
# 水流出的速率 每秒n个单位
self.rate = leak_rate
# 上一次漏水的时间，用来跟本次时间做差值，乘以水流速率计算出这段时间内流出了多少水
self.last_leak_time = int(time.time())
# 桶中当前剩余的水
self.remain_water = 0
def allow_request(self, require_units=1):
now = int(time.time())
leaked_water = (now - self.last_leak_time) * self.rate
self.remain_water = max(0, self.remain_water - leaked_water)
self.last_leak_time = now
print(f"刚刚流出{leaked_water}, 桶容量已达{self.remain_water}")
if self.remain_water + require_units <= self.capacity:
self.remain_water += require_units
return True
return False
if __name__ == "__main__":
leaky_bucket = LeakyBucketRateLimiter(3, 1)
for i in range(10):
print(f"限流结果:", leaky_bucket.allow_request())
print("----")
s = random.randint(1, 5) / 10
time.sleep(s)
结果
刚刚流出0, 桶容量已达0
限流结果: True
----
刚刚流出0, 桶容量已达1
限流结果: True
----
刚刚流出1, 桶容量已达1
限流结果: True
----
刚刚流出0, 桶容量已达2
限流结果: True
----
刚刚流出1, 桶容量已达2
限流结果: True
----
刚刚流出0, 桶容量已达3
限流结果: False
----
刚刚流出0, 桶容量已达3
限流结果: False
----
刚刚流出1, 桶容量已达2
限流结果: True
----
刚刚流出0, 桶容量已达3
限流结果: False
----
刚刚流出0, 桶容量已达3
限流结果: False
----
Token Bucket 令牌桶
在令牌桶算法中，系统会以一个固定的速率向桶中添加令牌。
当有请求（或数据包）到来时，会从桶中删除一定数量的令牌。如果桶中有足够的令牌，请求就可以立即处理； 如果桶中没有足够的令牌，请求就会被阻塞或丢弃，具体行为取决于具体的实现。 桶有容量限制，如果添加令牌时桶已满，新的令牌就会被丢弃。
class TokenBucketRateLimiter(object):
def __init__(self, capacity, refill_rate):
# 容量
self.capacity = capacity
# 产生令牌的速率
self.refill_rate = refill_rate
# 当前已有的可用令牌数
self.current_tokens = capacity
# 上一次产生令牌的时间，用来与当前时间计算并乘以速率，得出这段时间内产生了多少令牌
self.last_refill_time = int(time.time())
def allow_request(self, token_needs=1):
now = int(time.time())
new_tokens = (now - self.last_refill_time) * self.refill_rate
self.current_tokens += min(self.capacity, new_tokens)
self.last_refill_time = now
print(f"刚刚新产生{new_tokens}, 剩余{self.current_tokens}")
if self.current_tokens >= token_needs:
self.current_tokens -= token_needs
return True
return False
if __name__ == "__main__":
token_bucket = TokenBucketRateLimiter(3, 1)
for i in range(10):
print(f"限流结果:", token_bucket.allow_request())
print("----")
s = random.randint(1, 5) / 10
time.sleep(s)
结果
刚刚新产生0, 剩余3
限流结果: True
----
刚刚新产生0, 剩余2
限流结果: True
----
刚刚新产生0, 剩余1
限流结果: True
----
刚刚新产生1, 剩余1
限流结果: True
----
刚刚新产生0, 剩余0
限流结果: False
----
刚刚新产生0, 剩余0
限流结果: False
----
刚刚新产生1, 剩余1
限流结果: True
----
刚刚新产生0, 剩余0
限流结果: False
----
刚刚新产生1, 剩余1
限流结果: True
----
刚刚新产生0, 剩余0
限流结果: False
----
Fixed Window 固定窗口
在一个固定的时间窗口内，只允许一定数量的请求。
如果在这个时间窗口内的请求已经达到了限制，那么新的请求就会被拒绝，过了当前时间窗口后，会进入下一个时间窗口，并重置窗口内的请求数量，重新计算。
class FixedWindowRateLimiter(object):
def __init__(self, max_requests, window_size):
# 单个窗口大小 单位秒
self.window_size = window_size
# 单个窗口中最大可处理的请求数量
self.max_requests = max_requests
# 当前窗口已处理请求
self.current_request = 0
# 窗口计算起始点
self.last_window_start = int(time.time())
def allow_request(self):
now = int(time.time())
if now - self.last_window_start >= self.window_size:
print("窗口刷新")
self.last_window_start = now
self.current_request = 0
print(f"当前窗口已处理请求 {self.current_request} 个")
if self.current_request < self.max_requests:
self.current_request += 1
return True
return False
if __name__ == "__main__":
limiter = FixedWindowRateLimiter(3, 2)
for i in range(10):
print(f"限流结果:", limiter.allow_request())
print("----")
s = random.randint(1, 5) / 10
time.sleep(s)
结果
当前窗口已处理请求 0 个
限流结果: True
----
当前窗口已处理请求 1 个
限流结果: True
----
当前窗口已处理请求 2 个
限流结果: True
----
当前窗口已处理请求 3 个
限流结果: False
----
当前窗口已处理请求 3 个
限流结果: False
----
当前窗口已处理请求 3 个
限流结果: False
----
当前窗口已处理请求 3 个
限流结果: False
----
当前窗口已处理请求 3 个
限流结果: False
----
当前窗口已处理请求 3 个
限流结果: False
----
窗口刷新
当前窗口已处理请求 0 个
限流结果: True
----
Sliding Window 滑动窗口
在固定窗口限流算法中，如果大量请求在一个时间窗口的边界附近到达，可能会造成瞬时的流量突增。 滑动窗口随着时间的推移，动态统计请求量，避免了在窗口边界附近的流量突增。
class SlidingWindowRateLimiter(object):
def __init__(self, max_requests, window_size):
# 最大请求量
self.max_requests = max_requests
# 窗口大小
self.window_size = window_size
# 存放每个请求的时间
self.requests_list = collections.deque()
def allow_request(self):
now = int(time.time())
while self.requests_list and self.requests_list[0] <= (now - self.window_size):
self.requests_list.popleft()
print(f"当前窗口已处理请求 {len(self.requests_list)} 个")
if len(self.requests_list) < self.max_requests:
self.requests_list.append(now)
return True
return False
if __name__ == "__main__":
limiter = SlidingWindowRateLimiter(3, 2)
for i in range(10):
print(f"限流结果:", limiter.allow_request())
print('----')
s = random.randint(1, 5) / 10
time.sleep(s)
结果
当前窗口已处理请求 0 个
限流结果: True
----
当前窗口已处理请求 1 个
限流结果: True
----
当前窗口已处理请求 2 个
限流结果: True
----
当前窗口已处理请求 3 个
限流结果: False
----
当前窗口已处理请求 3 个
限流结果: False
----
当前窗口已处理请求 2 个
限流结果: True
----
当前窗口已处理请求 3 个
限流结果: False
----
当前窗口已处理请求 3 个
限流结果: False
----
当前窗口已处理请求 1 个
限流结果: True
----
当前窗口已处理请求 2 个
限流结果: True
----
还有一种方式，不需要记录具体每个请求的时间点，而通过计算滑动窗口与固定窗口之间时间的偏移，估算出滑动窗口中请求量，这个方式不太准确，但节省了请求时间点的存储成本。
图中所示，已知设窗口大小为 1 小时即 60 分钟，每个窗口内可处理 100 请求，当前时间为 1:15。
在 [12:00–1:00) 的整个绿色窗口中一共有 84 个请求，在 [1:00 to 1:15) 的黄色窗口中，15 分钟内已经处理了 36 个请求，如何计算当前窗口剩余容量？
通过计算滑动窗口与前一窗口重叠部分占比，来估算前一窗口中被占用的容量，(60分钟-15分钟)/60分钟 表示滑动窗口减去黄色当前窗口后，与绿色窗口的重叠，占绿色窗口整体的百分比，也就估算出重叠部分的请求量在总共 84 个请求的占比，得出 63 个请求，再加上当前窗口的 36 请求，一共是 99 请求，那么当前滑动窗口的剩余容量就是 100 - 99 = 1 个请求容量。
class SlidingWindowRateLimiterByEstimate(object):
def __init__(self, max_requests, window_size):
self.max_requests = max_requests
self.window_size = window_size
# 当前窗口起始时间
self.current_window_start = time.time()
# 前一个窗口请求量
self.pre_count = 0
# 当前窗口请求量
self.current_count = 0
def allow_request(self):
now = time.time()
if (now - self.current_window_start) > self.window_size:
# 滑过完整的一个窗口，重置
self.current_window_start = now
self.pre_count = self.current_count
self.current_count = 0
# 通过计算滑动窗口与前一个窗口重叠部分，占整个窗口的占比，估算重叠部分的请求量
# 再加上当前窗口的请求量
# 得出滑动窗口中的请求量
estimate_count = (self.pre_count * (self.window_size - (now - self.current_window_start)) / self.window_size) + self.current_count
print(f"估算请求量：{estimate_count}")
if estimate_count > self.max_requests:
return False
self.current_count += 1
return True
if __name__ == "__main__":
limiter = SlidingWindowRateLimiterByEstimate(3, 2)
for i in range(10):
print(f"限流结果:", limiter.allow_request())
print('----')
s = random.randint(1, 5) / 10
time.sleep(s)
结果
估算请求量：0.0
限流结果: True
----
估算请求量：1.0
限流结果: True
----
估算请求量：2.0
限流结果: True
----
估算请求量：3.0
限流结果: True
----
估算请求量：4.0
限流结果: False
----
估算请求量：4.0
限流结果: False
----
估算请求量：4.0
限流结果: False
----
估算请求量：3.3901939392089844
限流结果: False
----
估算请求量：2.775090217590332
限流结果: True
----
估算请求量：3.366755485534668
限流结果: False
----
参考：
- 图解+代码|常见限流算法以及限流在单机分布式场景下的思考：https://segmentfault.com/a/1190000023552181
- Design a Scalable Rate Limiting Algorithm — System Design：https://medium.com/@NlognTeam/design-a-scalable-rate-limiting-algorithm-system-design-nlogn-895abba44b77
- How to Design a Scalable Rate Limiting Algorithm with Kong API：https://konghq.com/blog/how-to-design-a-scalable-rate-limiting-algorithm/
- 漏桶算法和令牌桶算法，区别到底在哪里？：https://xie.infoq.cn/article/4a0acdd12a0f6dd4a53e0472c
- Rate limiting using the Sliding Window algorithm：https://dev.to/satrobit/rate-limiting-using-the-sliding-window-algorithm-5fjn
本文由 mdnice 多平台发布