4. 限流算法（一）：固定窗口计数器算法原理、优缺点、适用场景

固定窗口计数器算法是限流领域最直观、最容易实现的算法之一。它将时间划分为固定的窗口（例如 1 秒、1 分钟），并在每个窗口内维护一个计数器，当请求到达时计数器加 1，若计数器超过预设阈值则拒绝后续请求，直到下一个窗口开始计数器重置。

4.1 算法原理

核心思想：以固定的时间窗口为粒度，统计窗口内的请求总量，超过阈值则触发限流。具体步骤如下：

1. 定义窗口大小：设定一个固定的时间长度，如 1 秒、1 分钟或 1 小时。
2. 初始化计数器：在每个窗口开始时，将计数器置为 0。
3. 请求到达：判断当前请求所属的时间窗口。
4. 计数判断：若当前窗口计数器 < 阈值，则允许请求通过，计数器加 1；否则拒绝请求。
5. 窗口切换：当时间进入下一个窗口时，计数器重置为 0，重复上述过程。

4.2 核心优缺点

4.3 适用场景

• 对突发容忍度较高的场景：如非关键日志上报、批量数据同步、定时任务触发。
• 简单 API 限流：对外提供粗粒度 QPS 限制，允许短时突发。
• 资源受限环境：嵌入式设备、边缘节点，无法承载复杂算法。
• 快速原型验证：项目初期快速上线限流功能，后续再优化。
• 多级限流的前置过滤：作为第一道粗筛，配合滑动窗口或令牌桶做精细控制。

4.4 代码示例（Go 语言）

package main

import (
    "sync"
    "time"
)

type FixedWindowLimiter struct {
    mu         sync.Mutex
    windowSize time.Duration
    threshold  int
    count      int
    windowStart time.Time
}

func NewFixedWindowLimiter(windowSize time.Duration, threshold int) *FixedWindowLimiter {
    return &FixedWindowLimiter{
        windowSize:  windowSize,
        threshold:   threshold,
        windowStart: time.Now(),
    }
}

func (l *FixedWindowLimiter) Allow() bool {
    l.mu.Lock()
    defer l.mu.Unlock()

    now := time.Now()
    // 如果当前时间已超出窗口范围，重置计数器
    if now.Sub(l.windowStart) >= l.windowSize {
        l.windowStart = now
        l.count = 0
    }

    // 判断是否超过阈值
    if l.count < l.threshold {
        l.count++
        return true
    }
    return false
}

4.5 金融压力测试中的注意事项

• 窗口对齐策略：金融系统中建议使用自然时间窗口（如每分钟的 00 秒对齐），便于监控和审计。
• 阈值设置：建议设置为系统容量的 70%~80%，预留缓冲应对临界突变。
• 监控告警：对限流触发次数进行监控，若频繁触发说明阈值设置不合理或系统需要扩容。
• 降级配合：触发限流后应返回明确的错误码（如 429 Too Many Requests），并触发降级逻辑。

4.6 与其他算法的对比