4. 常见限流算法（中）：滑动窗口算法原理、实现与精度权衡

在固定窗口算法中，窗口边界处的突发流量往往会导致限流失效。滑动窗口算法通过将时间窗口细分为多个小格，让窗口“平滑移动”，从而在精度与性能之间取得更好的平衡。本节将深入剖析滑动窗口的核心原理、代码实现以及精度与内存的权衡策略。

4.1 滑动窗口算法核心原理

滑动窗口算法将固定的时间窗口（如 1 秒）划分为 N 个更小的子窗口（slot）。每个子窗口独立记录请求计数。窗口整体以子窗口的粒度向前滑动，每次滑动时丢弃最旧的子窗口数据，并加入新的子窗口。

下图展示了滑动窗口在 1 秒窗口、4 个子窗口（每个 250ms）下的工作流程：

4.2 滑动窗口与固定窗口的精度对比

为了直观理解滑动窗口如何解决边界突发问题，我们对比两种算法在相同场景下的表现：

4.3 Python 实现：基于环形数组的滑动窗口

以下实现使用 环形数组（circular buffer） 存储子窗口计数，避免频繁创建和销毁列表，提升性能。

import time

class SlidingWindowRateLimiter:
    """
    滑动窗口限流器
    :param window_size: 窗口总大小（秒）
    :param slot_count:  子窗口数量
    :param max_requests: 窗口内允许的最大请求数
    """
    def __init__(self, window_size: float, slot_count: int, max_requests: int):
        self.window_size = window_size
        self.slot_count = slot_count
        self.slot_duration = window_size / slot_count  # 每个子窗口时长
        self.max_requests = max_requests

        # 环形数组：存储每个子窗口的请求计数
        self.slots = [0] * slot_count
        # 记录每个子窗口的开始时间戳
        self.slot_timestamps = [0.0] * slot_count
        # 当前总计数
        self.total_count = 0
        # 当前活跃的子窗口索引
        self.current_slot = 0

    def _advance_window(self, now: float):
        """推进窗口：丢弃过期的子窗口，更新总计数"""
        # 计算当前时间对应的子窗口索引
        elapsed = now - self.slot_timestamps[0]
        slots_to_advance = int(elapsed // self.slot_duration)

        if slots_to_advance >= self.slot_count:
            # 如果超过整个窗口，全部重置
            self.slots = [0] * self.slot_count
            self.slot_timestamps = [now] * self.slot_count
            self.total_count = 0
            self.current_slot = 0
            return

        for _ in range(slots_to_advance):
            # 丢弃最旧的子窗口
            old_slot = self.current_slot
            self.total_count -= self.slots[old_slot]
            self.slots[old_slot] = 0
            # 更新该子窗口的时间戳为当前时间
            self.slot_timestamps[old_slot] = now
            # 移动当前索引
            self.current_slot = (old_slot + 1) % self.slot_count

    def allow_request(self) -> bool:
        now = time.time()
        self._advance_window(now)

        # 判断是否超过阈值
        if self.total_count >= self.max_requests:
            return False

        # 允许请求：在当前子窗口计数
        self.slots[self.current_slot] += 1
        self.total_count += 1
        return True

4.4 精度与内存的权衡策略

滑动窗口的精度取决于子窗口数量 N。N 越大，限流越平滑，但内存和计算开销也随之增加。以下是不同 N 值下的权衡分析：

4.5 滑动窗口 vs 令牌桶：何时选择滑动窗口？

滑动窗口和令牌桶是两种最常用的平滑限流算法。下表帮助你在架构选型时做出决策：

4.6 滑动窗口在催收 API 中的部署架构

在实际催收系统中，滑动窗口限流器通常部署在 API 网关层 或 反向代理层，对每个催收员或每个催收渠道独立维护一个滑动窗口实例。下图展示了典型部署架构：

4.7 精度权衡实战：N 值选择决策树

在实际项目中，选择子窗口数量 N 可以遵循以下决策流程：

1. 确定窗口总大小：催收 API 通常使用 1 秒窗口（控制 QPS）或 1 分钟窗口（控制每分钟请求量）。
2. 评估精度需求：催收员手动操作场景，精度要求 ±100ms 即可；系统批量任务场景，精度要求可放宽到 ±500ms。
3. 计算 N 值：N = 窗口总大小 / 可接受误差。例如 1 秒窗口、可接受误差 100ms，则 N = 10。
4. 验证内存开销：每个限流器实例占用 N 个计数器（int 类型）。如果系统有 1000 个催收员同时在线，N=10 时总内存约 1000×10×8 字节 ≈ 80KB，完全可以接受。
5. 压测验证：在生产环境压测中，观察 N 值对 CPU 和延迟的影响，必要时适当降低 N 值。