go限流、计数器固定窗口算法/计数器滑动窗口算法
一、问题
问题1：后端接口只能支撑每10秒1w个请求，要怎么来保护它呢？
问题2：发短信的接口，不超过100次/时，1000次/24小时，要怎么实现？
二、计数器固定窗口算法
所谓固定窗口，就是只设置了一个时间段，给这个时间段加上一个计数器。 常见的就是统计每秒钟的请求量。 这里就是一个QPS计数器。 在这一秒种内的所有请求，只要给这个计数器递增就可以得到当前的并发量了。 用这个方法也就可以解决前面的问题1。可以直接使用系统的当前UNIX时间戳，精确到秒钟。 这个时间戳作为key，设置一个较短的过期时间，比如：10s。
package main
import (
"fmt"
"time"
)
type SlidingWindow struct {
WindowSize int
Window []int
LastUpdateTime time.Time
WindowDuration time.Duration
CurrentIndex int
Count int
MaxAllowedRequest int
}
func NewSlidingWindow(windowSize int, windowDuration time.Duration, maxRequest int) *SlidingWindow {
if windowSize <= 0 {
panic("windowSize must be greater than 0")
}
return &SlidingWindow{
WindowSize: windowSize,
Window: make([]int, windowSize),
LastUpdateTime: time.Now(),
WindowDuration: windowDuration,
CurrentIndex: 0,
MaxAllowedRequest: maxRequest,
}
}
func (sw *SlidingWindow) IncrementCount() {
now := time.Now()
if now.Sub(sw.LastUpdateTime) >= sw.WindowDuration { //比较时间是否超过限定时间
sw.ResetWindow()
}
sw.Count++
sw.Window[sw.CurrentIndex] = sw.Count //窗口总量加1
if sw.Count > sw.MaxAllowedRequest { //最好用窗口总量去计算。这里为了显示两种效果
fmt.Println("Max allowed request exceeded")
}
sw.CurrentIndex = (sw.CurrentIndex + 1) % sw.WindowSize //窗口往后移动一个位置
}
func (sw *SlidingWindow) ResetWindow() {
for i := range sw.Window {//将窗口归零
sw.Window[i] = 0
}
sw.Count = 0
sw.LastUpdateTime = time.Now() //记录最后一次更新
}
func main2() {
windowSize := 5 //窗口粒度，问题1的话可以简化掉。
windowDuration := time.Second * 10//十秒的访问量
maxRequest := 10000//最大访问量
slidingWindow := NewSlidingWindow(windowSize, windowDuration, maxRequest)
for i := 0; i < 10; i++ {
slidingWindow.IncrementCount()
time.Sleep(time.Second)
}
}
三、计数器滑动窗口算法
固定窗口就一个计数器，而滑动窗口就需要有多个计数器。 具体需要多少个计数器，要看窗口的范围和粒度来决定窗口大小。 比如：时间窗口的范围是24小时，时间窗口的粒度是1小时，那么窗口大小就是24，需要的计数器也就是24个。 我们再来回顾下前面的问题2。 如果我们用上面的固定窗口算法，需要2个计数器，一个是小时的计数器，一个是24小时，也就是天的计数器。 很明显，天的计数器会有很大的误差。 比如：昨天14点前没有任何请求，然后在14点开始，每小时都有100次请求。 到昨天的23点，刚好用完了1000次全天的额度。 但是这时候，还是每小时有100个请求， 那么从昨天的14点到今天10点，总共20小时就会有2000次请求，远远超过了24小时最多1500次的限制。 所以，这里使用滑动窗口替代固定窗口会更加合适。 如果想要限流控制点更加精准，那么就可以把窗口粒度设计的更细。 而代价就是窗口大小增加，需要的存储和计算量都会增加。 所以，这里也是需要对精准度和成本做平衡和选择，难以兼得。
package main
import (
"fmt"
"time"
)
type RateLimiter struct {
perHour int
perDay int
hourWindow []int
dayWindow []int
lastHourIdx int
lastDayIdx int
}
func NewRateLimiter(perHour, perDay int) *RateLimiter {
return &RateLimiter{
perHour: perHour,
perDay: perDay,
hourWindow: make([]int, 60),
dayWindow: make([]int, 1440),
lastHourIdx: 0,
lastDayIdx: 0,
}
}
func (rl *RateLimiter) Allow() bool {
now := time.Now()
hourIdx := (now.Minute() + now.Hour()*60) % 60 //记录小时的id，
dayIdx := now.Hour()*60 + now.Minute() //记录天的id
if rl.hourWindow[hourIdx] >= rl.perHour || rl.dayWindow[dayIdx] >= rl.perDay {
return false
}
rl.hourWindow[hourIdx]++
rl.dayWindow[dayIdx]++
rl.cleanUpOldEntries(hourIdx, dayIdx)
return true
}
func (rl *RateLimiter) cleanUpOldEntries(hourIdx, dayIdx int) {
if hourIdx != rl.lastHourIdx {//如果小时id更新了需要窗口往右移动
rl.hourWindow[hourIdx] = 1 //最新小时id的总量为1
rl.hourWindow[rl.lastHourIdx] = 0 //窗口往右移动，上一个归零
rl.lastHourIdx = hourIdx //记录最新id
}
if dayIdx != rl.lastDayIdx {
rl.dayWindow[dayIdx] = 1
rl.dayWindow[rl.lastDayIdx] = 0
rl.lastDayIdx = dayIdx
}
}
func main3() {
limiter := NewRateLimiter(100, 1000)
for i := 0; i < 1200; i++ {
if limiter.Allow() {
fmt.Printf("Request %d allowed\n", i+1)
} else {
fmt.Printf("Request %d blocked\n", i+1)
}
time.Sleep(time.Second)
}
}
