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
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
| 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();
}
}
}
public boolean isActionAllow(String uri, String ip, int period, int maxCount) {
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 {
connection.zAdd(key.getBytes(), cur, String.valueOf(cur).getBytes());
connection.zRemRangeByScore(key.getBytes(), 0, cur - period * 1000);
Long count = connection.zCard(key.getBytes());
connection.expire(key.getBytes(), period + 1);
return count;
}
}
);
Object o = pipelined.get(2);
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：
- 新增当前请求的时间戳到
ZSet。
- 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）。
- 统计窗口内的记录数，若小于等于
maxCount 则允许请求，否则限流。
- 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：