📚 课程目录第3章漏桶算法详解

漏桶算法详解：原理、参数与适用场景

漏桶算法（Leaky Bucket）是流量整形（Traffic Shaping）领域最经典的算法之一。与令牌桶的“允许突发”哲学不同，漏桶强制输出以恒定速率进行，是构建绝对平滑流量的首选方案。本节将深入剖析其核心机制、关键参数、适用边界，并与令牌桶进行系统性对比。

一、核心原理：恒定速率泄流

漏桶算法的命名源自其物理模型：想象一个底部有固定大小漏洞的桶。无论注入水流的速度如何波动，水只能以漏洞允许的恒定速率从桶中流出。当桶被注满时，多余的水会溢出（即请求被拒绝）。

从图中可以看出，漏桶算法包含三个核心行为：

流入：请求以任意速率进入桶中，桶作为缓冲区暂存请求。
泄流：桶底以固定速率（R）处理请求，无论桶内积压多少。
溢出：当桶内积压请求达到桶容量（C）时，新请求被直接丢弃。

二、关键参数详解

漏桶算法只有两个核心参数，但它们的配置直接影响系统的流量整形效果：

参数	符号	定义	配置建议
桶容量	C	桶能容纳的最大未处理请求数（或字节数）	根据后端处理延迟和允许的最大排队时间设定；通常为流出速率的 2~5 倍
流出速率	R	桶底漏洞的恒定处理速率（请求/秒或字节/秒）	等于后端服务的最大安全吞吐量；建议预留 10%~20% 余量

参数配置经验： 假设后端服务安全处理能力为 1000 QPS，平均处理延迟 50ms。建议设置 R = 1000 QPS，C = 1000 × 0.05 × 2 = 100 个请求（即允许最多 100ms 的排队积压）。这样既能平滑流量，又不会让请求等待过久。

三、适用场景与局限性

漏桶算法并非万能，它在特定场景下表现出色，但在其他场景下则不如令牌桶灵活。

3.1 适用场景

数据库连接池限流：数据库连接数必须严格限制，漏桶的恒定速率特性可以防止连接池被突发流量打满。
消息队列消费速率控制：消费者处理能力固定时，漏桶能确保消费速率不超过处理上限，避免消息积压导致 OOM。
硬件设备 I/O 限流：磁盘、网卡等硬件设备有固定的处理能力，漏桶算法可以精确匹配硬件瓶颈。
视频流/音频流平滑：流媒体传输需要恒定码率，漏桶算法天然适合此类场景。

3.2 局限性

无法应对突发流量：即使系统有闲置处理能力，漏桶也不允许短时间内的突发请求，可能导致用户体验下降。
对空闲期不敏感：系统空闲时，漏桶不会“积累”处理能力，所有空闲时间都被浪费。
参数调整不灵活：流出速率固定后，无法动态适应后端处理能力的变化（如弹性伸缩）。

避坑提示： 不要将漏桶算法用于需要“允许突发但限制平均速率”的场景（如 API 网关限流）。此时应优先考虑令牌桶算法。漏桶更适合“无论负载如何，输出必须绝对平滑”的硬约束场景。

四、漏桶 vs 令牌桶：核心对比

漏桶和令牌桶是流量控制领域最常被混淆的一对算法。下表从多个维度进行系统性对比：

对比维度	漏桶算法	令牌桶算法
核心思想	恒定速率泄流，强制平滑输出	累积令牌，允许突发输出
突发处理	不允许突发，输出严格恒定	允许突发，突发大小受桶容量限制
空闲期行为	空闲期不积累处理能力	空闲期积累令牌，后续可突发
参数数量	2 个：桶容量 C、流出速率 R	2 个：桶容量 C、令牌填充速率 R
流量整形效果	绝对平滑，无抖动	相对平滑，允许短时抖动
典型应用	数据库连接池、硬件 I/O、流媒体	API 网关、CDN 限速、微服务限流
实现复杂度	低，只需一个计数器和一个定时器	中，需要令牌生成器和桶状态维护

五、代码实现示例

以下是一个基于 Python 的漏桶算法实现，展示了核心逻辑：

import time
import threading

class LeakyBucket:
    def __init__(self, capacity: int, leak_rate: float):
        """
        :param capacity: 桶容量（最大积压请求数）
        :param leak_rate: 流出速率（请求/秒）
        """
        self.capacity = capacity
        self.leak_rate = leak_rate
        self.water = 0  # 当前桶内积压请求数
        self.last_leak_time = time.time()
        self.lock = threading.Lock()

    def _leak(self):
        """执行泄流操作"""
        now = time.time()
        elapsed = now - self.last_leak_time
        # 计算这段时间内应流出的请求数
        leaked = elapsed * self.leak_rate
        self.water = max(0, self.water - leaked)
        self.last_leak_time = now

    def allow_request(self) -> bool:
        """判断是否允许请求通过"""
        with self.lock:
            self._leak()
            if self.water < self.capacity:
                self.water += 1
                return True
            else:
                return False  # 桶已满，请求被丢弃

# 使用示例
bucket = LeakyBucket(capacity=10, leak_rate=2.0)  # 桶容量10，每秒处理2个请求
for i in range(20):
    if bucket.allow_request():
        print(f"请求 {i+1}: 通过")
    else:
        print(f"请求 {i+1}: 被限流")
    time.sleep(0.1)  # 模拟请求间隔 100ms

  实现要点：
  使用 _leak() 方法在每次请求到达时计算时间差，动态更新桶内水位，避免使用独立定时器线程。
线程锁 Lock 保证并发安全，适用于多线程环境。
水位计算使用浮点数，避免整数除法导致的精度丢失；实际生产环境可考虑使用毫秒级时间戳。

六、总结

漏桶算法以其“强制恒定输出”的特性，在需要绝对平滑流量的场景中不可替代。它与令牌桶算法形成了完美的互补：令牌桶负责“允许突发、控制平均”，漏桶负责“强制平滑、消除抖动”。在实际系统设计中，两者经常组合使用——先用令牌桶控制平均速率和突发上限，再通过漏桶对输出做最终整形，从而兼顾灵活性与平滑性。