10-Sentinel与Gateway的限流对比，滑动窗口、令牌桶、漏桶_哔哩哔哩_bilibili
拒绝宕机！一文详解分布式限流方案（附代码实现） （很详细的文章，有代码实现）
Redis--Zset使用场景举例(滑动窗口实现限流)_redis 滑动窗口-CSDN博客
【Redis Lua脚本 分布式限流 窗口 令牌桶 漏桶】_redis 令牌桶-CSDN博客
滑动窗口
使用Redis 中 zset数据类型。
滑动窗口是一种流量控制策略，用于控制一定时间内请求的访问数量。
其原理是：将时间划分成规定的时间片段，每个片段有固定的时间间隔，如1s，1min，1h，然后定义一个时间窗口，比如5s，5min等，该窗口会随着时间向右移动。此外还需要计数器计算窗口内的请求数。当窗口移动时，会把已经走过的时间片段的请求数删掉。每当请求进入系统时，会检查计数器中的请求数是否已经满了，如果计数未满，则请求允许被执行；否则执行相应的拒绝方法。
例如 60s 内 限制100个请求，那么窗口大小为60
向zset添加数据：zadd key score member 将 score设置为 请求时间戳 ，member保证唯一性
删除zset某个score范围内的数据： zremrangebyscore key min max min设置为【无穷小】 ，max为 【当前时间戳 - 窗口大小】
统计zset中数据的数量 ： zcard key 这个数量就是窗口内请求数量。
具体步骤
最好用lua脚本
- 计算删除范围的max值，删除 窗口 外的数据。
- 统计zset中数量 判断是否 超过阈值。
- 超过，不允许请求。没超过，允许请求并向zset中添加数据
zadd key timestamp member
总结：先删，再统计，最后再加。
漏桶
漏桶算法的原理就是 将请求加入漏桶中，漏桶以固定速率出水，如果请求在漏桶中溢出就拒绝请求
那么这个漏桶就可以使用一定长度的队列来实现，长度就是这个漏桶所能容纳请求的数量，再通过另一个线程从队列的另一端去不断取出任务执行就可以了
漏桶的问题
漏桶算法存在的问题就是只能以固定速率处理到来的请求，无法处理突发请求 ，也就是一瞬间如果有超过漏桶大小的请求数量过来的话，超出的那部分请求就会被无情的抛弃
那么漏桶算法的这个问题在令牌桶算法中得到了解决 ，如果请求一开始数量较少，令牌桶中会积累令牌数量，当有突发流量到来的时候，会去使用已经积累的令牌数量来去处理这些请求。并且 RateLimiter 的实现中 还可以对未来令牌数量透支 ，这样 RateLimiter 实现的令牌桶算法就可以很好的应对突发流量了，不过这样带来的缺点就是如果一直并发量比较高，导致对未来的令牌数量一直透支，会导致后边请求的阻塞等待时间逐渐变长，解决方法就是适当的加一些请求拒绝策略就可以缓解这种现象
漏桶算法和令牌桶算法还有一点区别就是：
漏桶算法是需要将请求给存储在队列中，而在令牌桶算法中，并没有真正去产生令牌，而是根据时间差来计算这段时间应该产生的令牌数， 所以令牌桶算法的性能相对于漏桶算法来说是比较高的！
令牌桶
令牌桶算法的原理就是 系统使用恒定速率往桶中放入令牌，如果请求需要被处理，就从桶中获取令牌，如果没有令牌的话，请求被拒绝
RateLimiter 就是基于令牌桶算法实现的，在他里边并没有真正的去创建令牌实体，而是根据时间差来计算这一段时间产生的令牌数，这样做的好处就是 性能比较高
令牌桶和漏桶的比较
漏桶算法 ：主要用于平滑流量，对于突发流量的应对不好，如果突发流量过大超出了队列长度就会被无情抛弃；并且需要将请求存储在队列中
令牌桶算法 ：
- 为了更好应对突发流量引入了透支令牌的优化，但是如果一直透支对后来的请求也很不友好，有利有弊；
- 并且
RateLimiter中对令牌桶算法还做出了优化，并不真正去生成令牌实体，而是根据时间去计算应该生成的令牌数，降低系统开销
RateLimiter 的guava 自带工具类，适用于单机限流，支持令牌桶限流。
单机限流与分布式限流
单机限流
单机限流针对的是单体架构应用。
单机限流可以直接使用 Google Guava 自带的限流工具类 RateLimiter 。 RateLimiter 基于令牌桶算法，可以应对突发流量。
Guava 地址：github.com/google/guav…
除了最基本的令牌桶算法(平滑突发限流)实现之外，Guava 的RateLimiter还提供了 平滑预热限流 的算法实现。
平滑突发限流就是按照指定的速率放令牌到桶里，而平滑预热限流会有一段预热时间，预热时间之内，速率会逐渐提升到配置的速率。
分布式限流
分布式限流针对的分布式/微服务应用架构应用，在这种架构下，单机限流就不适用了，因为会存在多种服务，并且一种服务也可能会被部署多份。
分布式限流常见的方案：
- 借助中间件架限流：可以借助 Sentinel 或者使用 Redis 来自己实现对应的限流逻辑。
- 网关层限流：比较常用的一种方案，直接在网关层把限流给安排上了。不过，通常网关层限流通常也需要借助到中间件/框架。就比如 Spring Cloud Gateway 的分布式限流实现RedisRateLimiter就是基于 Redis+Lua 来实现的，再比如 Spring Cloud Gateway 还可以整合 Sentinel 来做限流。
如果你要基于 Redis 来手动实现限流逻辑的话，建议配合 Lua 脚本来做。
网上也有很多现成的优秀的限流脚本供你参考，就比如 Apache 网关项目 ShenYu 的 RateLimiter 限流插件就基于 Redis + Lua 实现了 令牌桶算法/并发令牌桶算法、漏桶算法、滑动窗口 算法。
ShenYu 地址: github.com/apache/incu…
另外，如果不想自己写 Lua 脚本的话，也可以直接利用 Redisson 中的 RRateLimiter 来实现分布式限流，其底层实现就是基于 Lua 代码+令牌桶算法。
