限流算法：守护系统稳定的关键盾牌
作为程序员，尤其是后端或架构方向的，面试中被问到限流算法几乎是必考题。这玩意儿太重要了！想象一下，你的服务突然被流量洪峰冲垮，用户体验暴跌，老板脸色铁青... 掌握限流算法，就是给系统穿上防弹衣。今天咱们就掰开了揉碎了聊聊几种核心的限流算法，让你在面试中侃侃而谈。
2025年Java面试宝典重磅分享！ 链接: https://pan.baidu.com/s/1RUVf75gmDVsg8MQp4yRChg?pwd=9b3g 提取码: 9b3g （涵盖分布式、高并发、限流算法等高频考点！）
(图：流量洪峰是系统的噩梦，限流算法是守护神)
为什么限流算法如此重要？
说白了，限流算法的核心目标就一个：保护系统资源，避免被过量请求压垮。特别是在秒杀、大促、热点事件这种场景下，没有限流算法兜底，分分钟雪崩给你看。它决定了系统在高压下的韧性，是高并发、高可用架构的基石之一。面试官问你限流算法，其实是在考察你对系统稳定性的理解深度。
常见的限流算法有哪些？
计数器法（固定窗口）
这是最朴素也是最容易想到的限流算法。思路很简单：
- 设定阈值： 比如每秒允许100个请求。
- 维护计数器： 在时间窗口内（比如1秒），每来一个请求，计数器+1。
- 判断阈值： 如果计数器值超过了100，后续请求就被拒绝（或排队、降级）。
- 重置窗口： 时间窗口结束时（下一秒开始），计数器清零，重新计数。
- 优点： 实现简单，内存消耗小（通常一个计数器即可），理解直观。
- 缺点： 临界问题严重！ 想象一下，窗口切换的那一刻：前1秒的最后100ms来了100个请求（本窗口内允许），紧接着下一秒开始的100ms又来了100个请求（新窗口也允许）。这短短200ms实际通过了200个请求，远超系统每秒100的承受能力！这就是固定窗口限流算法在边界上的脆弱性。
滑动窗口法
为了解决固定窗口的临界问题，滑动窗口限流算法诞生了。它把大窗口切分成更细粒度的小窗口（比如1秒切成10个100ms的小窗口）。
- 设定阈值： 每秒允许100个请求（即每个100ms小窗口平均允许10个）。
- 维护小窗口计数器： 记录当前时间点所在的这个小窗口的请求数。
- 计算当前总请求数： 当前请求到来时，计算它属于哪个小窗口，并累加当前时间点往前推1秒这个大窗口内所有小窗口的计数总和。
- 判断阈值： 如果总和超过100，就限流。
- 优点： 有效缓解了固定窗口的临界突发问题，控制更加平滑、精确。
- 缺点： 实现比固定窗口复杂（需要存储多个小窗口的计数），计算成本稍高（需要累加），小窗口划分越细越精确但消耗越大。它算是限流算法里平衡性较好的一种。
漏桶算法
想象一个底部有固定大小出水口的桶：
- 桶结构： 有一个固定容量的“桶”。
- 请求进水： 请求到达时，相当于水流入桶。
- 恒定速率出水： 桶底有一个小孔，以恒定速率（比如每秒10个）向外“漏”出请求进行处理。
- 判断溢出： 如果桶满了（达到容量上限），新流进来的请求（水）就会被丢弃（溢出）。即使流入是突发，流出也永远保持恒定。
(图：漏桶算法保证匀速输出，超过容量则丢弃)
- 优点： 严格限制流出速率，无论请求多么突发，处理速度始终恒定，输出非常平滑。对下游系统友好。
- 缺点： 无法应对突发流量。即使系统在某一时刻有处理能力（桶没满但流出慢），请求也必须按固定速率处理，可能导致资源利用率不高。在突发但系统有冗余的场景下显得不够灵活。这是强调稳定输出的限流算法。
令牌桶算法
这是目前业界应用非常广泛且灵活的限流算法：
- 令牌桶： 有一个固定容量的桶，用来存放“令牌”。
- 生产令牌： 系统以恒定速率（比如每秒10个）往桶里添加令牌。桶满了，新令牌就丢弃。
- 消费令牌： 请求到达时，必须从桶里取出一个令牌才能被放行处理。取到令牌后，令牌被消耗掉。
- 无令牌处理： 如果桶里没有令牌了，请求要么被拒绝，要么排队等待。
(图：令牌桶允许一定突发，消耗令牌才能放行)
- 优点：
- 允许突发流量： 如果桶里有积攒的令牌，可以一次性处理多个请求（上限是桶容量），这对短时突发很友好。
- 限制平均速率： 长期来看，平均处理速率等于令牌生成速率。
- 灵活性高： 通过调整桶容量和生成速率，可以灵活控制流量。
- 缺点： 实现相对复杂（需要维护令牌生成和消耗的逻辑）。但它能兼顾突发性和长期稳定性，是很多分布式限流算法（如Guava RateLimiter, Sentinel）的基础。
如何选择限流算法？
面试官常问：“这几种限流算法怎么选？” 关键看场景：
- 追求极致简单，对临界问题不敏感？ 计数器法（固定窗口）够用。
- 想平衡实现复杂度和精度，缓解临界问题？ 滑动窗口法是个不错的选择。
- 需要严格保证下游处理速率绝对均匀，平滑如丝？ 选漏桶算法。
- 希望系统能应对合理突发流量，同时控制长期平均速率？ 令牌桶算法通常是首选，它灵活性和实用性最佳。
分布式限流的挑战
实际生产环境往往是分布式系统。单机限流算法（上面讲的）能保护单个节点，但无法控制整个集群的总流量。这就引出了分布式限流算法的挑战：如何协调多个节点，在集群层面精准控制总量？常见方案有基于Redis等中间件实现全局计数器/令牌桶，或者使用网关层统一限流（如Nginx, API Gateway）。这也是面试高阶岗位常问的深水区。
总结与实战建议
理解并掌握这几种核心的限流算法（计数器、滑动窗口、漏桶、令牌桶）是后端工程师的必备技能。面试时，重点讲清楚原理、优缺点和适用场景，最好能结合项目经验说明你用哪种限流算法解决了什么问题。
提升面试竞争力，系统化学习是关键！ 如果你正在准备技术面试，强烈建议系统学习高并发、分布式、微服务等核心知识。面试鸭提供了海量精选面试题和深度解析，涵盖面试高频考点，包括限流算法的各种变体及应用场景。如果大家需要购买面试鸭会员，可以通过面试鸭返利网找到我，返利25元，相当于折上折，非常划算！用知识武装自己，轻松搞定面试关！
(图：面试鸭返利网 - 助力程序员面试通关)
希望这篇关于限流算法的解析能帮到你！搞定基础，理解原理，才能在面试和实战中游刃有余。
