redis实现限流

发表于 更新于 分类于 Waline： 阅读次数： 本文字数： 6.1k 阅读时长 ≈ 6 分钟

Redis 实现限流：从滑动窗口到多方案对比

限流是保障系统稳定性的关键手段，通过控制单位时间内的请求量，防止服务因过载而崩溃。Redis 凭借其高性能和原子操作特性，成为实现分布式限流的常用工具。

滑动窗口限流

基于 Redis 的 ZSet 实现了滑动窗口限流，核心思想是精确统计任意时间窗口内的请求量，避免固定窗口的 “边界突发” 问题。

通过统计该窗口内的行为数量和限制的最大数量maxCount进行比较就可以得出当前的请求是否允许

public class RedisRateLimiter {
    @Autowired
    private StringRedisTemplate stringRedisTemplate;

    @Test
    public void test() {
        for (int i = 0; i < 10; i++) {
            System.out.println(isActionAllow("user/list", "127.0.0.1", 1, 5));
            try {
                Thread.sleep(150);
            } catch (InterruptedException e) {
                e.printStackTrace();
            }

        }

    }

    /**
     * 使用zset实现简单的滑动窗口限流
     *
     * @param uri
     * @param ip
     * @param period   时间窗口 单位秒
     * @param maxCount 最大允许数量
     * @return
     */
    public boolean isActionAllow(String uri, String ip, int period, int maxCount) {
        // key为 uri和ip
        String key = String.format("hist:%s:%s", uri, ip);
        long cur = System.currentTimeMillis();
        List<Object> pipelined = stringRedisTemplate.executePipelined(
                new RedisCallback<Long>() {

                    @Override
                    public Long doInRedis(RedisConnection connection) throws DataAccessException {
                        // 记录行为
                        connection.zAdd(key.getBytes(), cur, String.valueOf(cur).getBytes());
                        // 移除时间窗口之前的行为记录
                        connection.zRemRangeByScore(key.getBytes(), 0, cur - period * 1000);
                        // 获取窗口内的行为数量
                        Long count = connection.zCard(key.getBytes());
                        // 清理冷数据，防止冷数据持续占用内存
                        connection.expire(key.getBytes(), period + 1);
                        return count;
                    }
                }
        );

//        System.out.println(pipelined);
        Object o = pipelined.get(2);
//        System.out.println(o);
        return Long.parseLong(String.valueOf(o)) <= maxCount;
    }
}

如果时间窗口内允许的数量较大，会消耗大量的内存。则不适合该方式

实现原理

  • 存储结构：用 ZSet 存储请求记录，score 为请求时间戳（毫秒级），value 为时间戳（确保唯一性）。
  • 核心操作：
    1. 新增当前请求的时间戳到 ZSet。
    2. 移除时间窗口外的记录（如窗口为 1 秒，则移除 当前时间 - 1000ms 之前的记录）。
    3. 统计窗口内的记录数，若小于等于 maxCount 则允许请求，否则限流。
    4. 为 ZSet 设置过期时间，避免冷数据占用内存。

代码优化：原子性保证

上述代码使用了 pipeline 批量执行命令，但 pipeline 仅能减少网络往返，不能保证操作的原子性。高并发下，可能出现 “新增记录后，其他请求已修改了 ZSet，导致计数不准确” 的问题。

解决方案：用 Lua 脚本封装操作，确保添加、移除、计数三步原子执行：

-- 滑动窗口限流 Lua 脚本
-- KEYS[1]：限流键（如 "hist:user/list:127.0.0.1"）
-- ARGV[1]：当前时间戳（毫秒）
-- ARGV[2]：窗口大小（毫秒，如 1000）
-- ARGV[3]：最大允许请求数
local key = KEYS[1]
local curTime = tonumber(ARGV[1])
local window = tonumber(ARGV[2])
local maxCount = tonumber(ARGV[3])

-- 1. 添加当前请求
redis.call('ZADD', key, curTime, tostring(curTime))
-- 2. 移除窗口外的记录
redis.call('ZREMRANGEBYSCORE', key, 0, curTime - window)
-- 3. 设置过期时间（窗口+1秒，避免频繁删除）
redis.call('EXPIRE', key, window / 1000 + 1)
-- 4. 统计窗口内请求数
local count = redis.call('ZCARD', key)
-- 5. 判断是否允许
return count <= maxCount

Java 调用示例：

public boolean isActionAllowLua(String uri, String ip, int period, int maxCount) {
    String key = String.format("hist:%s:%s", uri, ip);
    long curTime = System.currentTimeMillis();
    String luaScript = "local key = KEYS[1] ..."; // 上述Lua脚本
    // 执行Lua脚本（原子操作）
    Long result = stringRedisTemplate.execute(
        new DefaultRedisScript<>(luaScript, Long.class),
        Collections.singletonList(key),
        String.valueOf(curTime),
        String.valueOf(period * 1000), // 窗口毫秒数
        String.valueOf(maxCount)
    );
    return result != null && result == 1;
}

优缺点分析

  • 优点：流量控制精确，无固定窗口的边界问题（如 1 秒窗口，不会在 0.99 秒和 1.01 秒分别出现 maxCount 次请求）。
  • 缺点：
    • 当 maxCount 很大（如 10 万），ZSet 会存储大量数据，占用内存且 ZCARD 操作耗时增加（O (logN)）。
    • 不适合超高频场景（如每秒 10 万 + 请求）。

其他常见 Redis 限流方案

1. 固定窗口限流（简单高效）

原理：将时间划分为固定窗口（如 1 秒），用 Redis 计数器记录窗口内请求数，超过阈值则限流。

实现：

public boolean fixedWindowLimit(String uri, String ip, int windowSec, int maxCount) {
    String key = String.format("fixed:%s:%s", uri, ip);
    // 原子操作：INCR + 过期时间设置（首次设置时生效）
    Long count = stringRedisTemplate.opsForValue().increment(key);
    if (count != null && count == 1) {
        stringRedisTemplate.expire(key, windowSec, TimeUnit.SECONDS); // 窗口大小即过期时间
    }
    return count != null && count <= maxCount;
}

优缺点：

  • 优点：实现简单，INCR 操作 O (1)，性能极佳。
  • 缺点：窗口边界可能出现 “双倍流量”（如窗口 1 秒，前窗口最后 100ms 和新窗口前 100ms 各接受 maxCount 次请求）。

2. 漏桶算法（平滑流出）

原理：请求像水一样进入漏桶，漏桶以固定速率流出（处理请求），超过桶容量则限流。

实现：用 Redis 的 Hash 存储桶的 “当前水量” 和 “最后处理时间”，每次请求时计算应流出的水量，更新当前水量：

public boolean leakyBucketLimit(String uri, String ip, int rate, int capacity) {
    String key = String.format("leaky:%s:%s", uri, ip);
    long now = System.currentTimeMillis();
    // 原子操作：获取并更新桶状态
    List<Object> result = stringRedisTemplate.executePipelined(new SessionCallback<Object>() {
        @Override
        public Object execute(RedisOperations operations) throws DataAccessException {
            operations.multi();
            operations.opsForHash().entries(key);
            return null;
        }
    });
    // 解析结果，计算当前水量（省略细节）
    // ...
    return currentWater <= capacity;
}

优缺点：

  • 优点：流量输出稳定，适合要求 “匀速处理” 的场景（如 API 调用限速）。
  • 缺点：无法应对突发流量（即使桶空，也只能按固定速率处理）。

3. 令牌桶算法（允许突发）

原理：系统按固定速率向桶中添加令牌，请求需获取令牌才能通过，桶满后令牌溢出（允许一定突发）。

实现：用 Redis 存储 “令牌数” 和 “最后添加令牌时间”，每次请求前计算应添加的令牌数，再尝试获取令牌：

-- 令牌桶限流 Lua 脚本
-- KEYS[1]：限流键（如 "token:user/list:127.0.0.1"）
-- ARGV[1]：当前时间戳（毫秒）
-- ARGV[2]：令牌生成速率（令牌/秒）
-- ARGV[3]：桶容量（最大令牌数）
-- ARGV[4]：本次请求需要的令牌数（默认为1）

local key = KEYS[1]
local now = tonumber(ARGV[1])
local tokenRate = tonumber(ARGV[2])
local capacity = tonumber(ARGV[3])
local required = tonumber(ARGV[4] or 1)

-- 初始化桶（hash结构存储两个字段：last_time和tokens）
local bucket = redis.call("HMGET", key, "last_time", "tokens")
local lastTime = bucket[1] and tonumber(bucket[1]) or now
local tokens = bucket[2] and tonumber(bucket[2]) or capacity  -- 初始令牌数为容量

-- 计算从上次补充到现在应新增的令牌数
local elapsed = now - lastTime  -- 毫秒差
local addTokens = math.floor((elapsed / 1000) * tokenRate)  -- 转换为秒计算

-- 更新令牌数（不超过容量）
tokens = math.min(tokens + addTokens, capacity)

-- 尝试消耗令牌
local allowed = tokens >= required
if allowed then
    tokens = tokens - required
end

-- 更新桶状态（最后补充时间和当前令牌数）
redis.call("HMSET", key, "last_time", now, "tokens", tokens)
-- 设置过期时间（防止冷数据占用内存，1小时无操作则过期）
redis.call("EXPIRE", key, 3600)

-- 返回是否允许（1=允许，0=拒绝）
return allowed and 1 or 0

/**
     * 支持自定义令牌消耗数量的重载方法
     *
     * @param requiredTokens 本次请求需要的令牌数（如大文件上传可消耗多个令牌）
     */
    public boolean tokenBucketLimit(String uri, String ip, int tokenRate, int capacity, int requiredTokens) {
        String key = String.format("token:%s:%s", uri, ip);
        long now = System.currentTimeMillis();  // 当前时间戳（毫秒）

        // 执行Lua脚本
        Long result = stringRedisTemplate.execute(
                tokenBucketScript,
                Collections.singletonList(key),
                String.valueOf(now),
                String.valueOf(tokenRate),
                String.valueOf(capacity),
                String.valueOf(requiredTokens)
        );

        return result != null && result == 1;
    }

优缺点：

  • 优点：兼顾流量平滑和突发需求（如秒杀场景允许短时间内的大量请求）。
  • 缺点：实现较复杂，需精确计算令牌添加量。

方案选择指南

方案 精度 性能 适用场景 缺点
滑动窗口 高 中 流量精度要求高（如支付接口） 内存占用高，大流量压力大
固定窗口 中 高 一般限流（如普通 API） 窗口边界可能超流
漏桶算法 中 中 匀速处理（如消息推送） 不支持突发流量
令牌桶算法 高 中 允许突发（如秒杀、搜索） 实现复杂

分布式限流注意事项

  1. 原子性：所有限流操作必须原子化（用 Lua 脚本或 Redis 原子命令），避免分布式环境下的计数不准。
  2. 内存占用：滑动窗口和令牌桶可能存储大量中间数据，需合理设置过期时间（如窗口大小 + 1 秒）。
  3. Redis 性能：高并发下 Redis 可能成为瓶颈，建议：
    • 分片存储限流键（避免单节点压力）。
    • 对非核心接口降低限流精度（如用固定窗口替代滑动窗口）。