2. 常见限流算法：原理与对比

在金融场景中，API 网关或微服务层通常需要部署限流算法来精确控制请求速率。不同算法在突发处理能力、内存开销、边界精度上差异显著。本节从原理出发，对比四种主流算法的适用场景与工程代价。

2.1 计数器算法（Counter Algorithm）

计数器算法是最简单的实现方式：将时间划分为固定窗口（如 1 秒），每个窗口维护一个计数器，请求到达时计数器加 1；若计数器超过阈值则拒绝请求；窗口结束时重置计数器。

计数器算法流程

1. 获取当前时间窗口索引（如 timestamp / windowSize）。
2. 若窗口索引与上次不同，重置计数器为 0。
3. 计数器加 1。
4. 若计数器 > 阈值，拒绝请求；否则放行。

伪代码示例

// 计数器限流（1秒窗口，阈值100）
long currentWindow = System.currentTimeMillis() / 1000;
if (currentWindow != lastWindow) {
    counter = 0;
    lastWindow = currentWindow;
}
if (++counter > 100) {
    return false; // 限流
}
return true; // 放行

2.2 滑动窗口算法（Sliding Window Algorithm）

滑动窗口算法将固定窗口细分为多个小格子（如 1 秒窗口分为 10 个 100ms 格子），每个格子独立计数。窗口随请求时间滑动，统计当前时间点前一个完整窗口内的总请求数。这消除了计数器算法的边界突发问题，但需要更多内存存储子窗口计数。

滑动窗口数据结构

// 滑动窗口（1秒窗口，10格）
class SlidingWindow {
    long[] counters = new long[10]; // 每格100ms
    long windowSize = 1000;         // 1秒
    int slotCount = 10;
    long slotSize = 100;            // 100ms

    boolean allow() {
        long now = System.currentTimeMillis();
        int slotIndex = (int)((now % windowSize) / slotSize);
        // 清理过期格子
        // 统计当前窗口总请求数
        // 若 < 阈值则当前格子+1并放行
    }
}

2.3 漏桶算法（Leaky Bucket Algorithm）

漏桶算法将请求视为水滴，以恒定速率从桶底漏出；桶容量有限，当桶满时新请求被丢弃。漏桶强制输出为平滑的恒定速率，适合保护下游系统不被突发流量冲垮，但无法应对突发短时高并发。

漏桶算法状态

• 桶容量（capacity）：最大积压请求数。
• 漏水速率（leakRate）：每秒处理请求数。
• 当前水量（water）：桶中积压的请求数。
• 上次漏水时间（lastLeakTime）：用于计算应漏水量。

伪代码示例

// 漏桶限流（容量100，速率50/s）
long now = System.currentTimeMillis();
// 先漏水：根据时间差计算应漏水量
long elapsed = now - lastLeakTime;
water = Math.max(0, water - elapsed * leakRate / 1000);
lastLeakTime = now;

if (water < capacity) {
    water++;
    return true; // 放行
}
return false; // 桶满，拒绝

2.4 令牌桶算法（Token Bucket Algorithm）

令牌桶算法以固定速率向桶中添加令牌，请求到达时需消耗一个令牌才能放行。桶有最大令牌数限制。与漏桶不同，令牌桶允许一定程度的突发——只要桶中有累积令牌，可一次性消耗多个令牌应对突发流量。

令牌桶算法状态

• 桶容量（capacity）：最大令牌存储数，决定突发上限。
• 令牌生成速率（rate）：每秒放入令牌数。
• 当前令牌数（tokens）：桶中可用令牌。
• 上次填充时间（lastRefillTime）：用于计算应补充令牌数。

伪代码示例

// 令牌桶限流（容量200，速率100/s）
long now = System.currentTimeMillis();
long elapsed = now - lastRefillTime;
tokens = Math.min(capacity, tokens + elapsed * rate / 1000);
lastRefillTime = now;

if (tokens >= 1) {
    tokens--;
    return true; // 放行
}
return false; // 无令牌，拒绝

2.5 四种算法对比总表

2.6 算法选择决策树

在金融系统架构中，可按以下逻辑快速选择限流算法：

• 需要严格恒定输出速率？ → 漏桶算法（对账、批量导出）。
• 需要容忍突发且实现简单？ → 令牌桶算法（交易、查询、秒杀）。
• 需要高精度且无边界突发？ → 滑动窗口算法（风控、敏感操作）。
• 仅做粗略保护，资源受限？ → 计数器算法（非核心、边缘服务）。

2.7 四种算法核心流程对比图

2.8 金融场景选型建议