3、限流算法基础：漏桶算法原理与适用场景

漏桶算法（Leaky Bucket）是限流领域最经典的算法之一，其核心思想是将突发流量“削峰填谷”，以恒定速率处理请求。在自愈剧本的 Runbook 验证中，漏桶常用于保护下游脆弱服务，防止流量尖峰击穿系统。

3.1 算法原理

漏桶算法将系统抽象为一个底部有孔的固定容量水桶：

• 桶容量（Capacity）：桶的最大容量，对应系统允许的最大突发请求数。
• 漏水速率（Leak Rate）：桶底部孔洞的流出速率，对应系统恒定的处理速率。
• 流入请求（Incoming Requests）：任意速率的水流注入桶中。
• 溢出丢弃（Overflow Drop）：当桶满时，新注入的水（请求）直接溢出丢弃。

无论外部请求如何突发，漏桶始终以固定的漏水速率向下游转发请求，从而实现对后端服务的平滑保护。

3.2 漏桶算法工作流程

1. 请求到达：新请求进入系统，检查当前桶中水量。
2. 容量判断：若桶中水量 + 1 ≤ 桶容量，则请求入桶；否则请求被丢弃（限流）。
3. 恒定漏水：系统以固定速率从桶中取出请求进行处理。
4. 处理完成：请求被下游服务消费，桶中水量减少。

3.3 漏桶 vs 令牌桶：核心差异

3.4 适用场景分析

漏桶算法在以下场景中表现优异：

• 数据库连接池保护：数据库连接数有限，漏桶确保每秒查询数恒定，防止连接风暴。
• 第三方 API 调用：外部 API 通常有严格的 QPS 限制，漏桶可确保调用速率不超标。
• 消息队列消费：消费者处理能力固定，漏桶可平滑生产者突发消息。
• 硬件设备控制：如打印机、传感器等物理设备，处理速率固定，漏桶天然匹配。

3.5 漏桶算法实现示例

// 漏桶限流器（Go 语言示例）
type LeakyBucket struct {
    capacity   int           // 桶容量
    leakRate   int           // 每秒漏水速率
    water      int           // 当前水量
    lastLeakMs int64         // 上次漏水时间戳（毫秒）
    mu         sync.Mutex
}

func (lb *LeakyBucket) Allow() bool {
    lb.mu.Lock()
    defer lb.mu.Unlock()

    now := time.Now().UnixMilli()
    // 计算时间间隔内应漏掉的水量
    elapsed := now - lb.lastLeakMs
    leaked := int(elapsed) * lb.leakRate / 1000

    if leaked > 0 {
        lb.water -= leaked
        if lb.water < 0 {
            lb.water = 0
        }
        lb.lastLeakMs = now
    }

    // 判断是否允许请求
    if lb.water < lb.capacity {
        lb.water++
        return true
    }
    return false // 桶满，丢弃请求
}

3.6 漏桶算法的局限性

• 缺乏弹性：即使下游有能力处理更多请求，漏桶也不会加速。
• 响应延迟：突发请求在桶中排队，可能增加平均响应时间。
• 参数敏感：桶容量和漏水速率需要精确配置，否则容易过度限流或保护不足。

3.7 自愈剧本中的漏桶实践

在 Runbook 验证案例中，漏桶算法通常作为“限流保护”步骤的核心组件：