引言：为什么需要限流？

在分布式系统高并发场景下，限流是保护系统稳定的重要防线。当每秒请求量突破阈值时，可能导致服务器资源耗尽、响应延迟飙升，甚至引发雪崩效应。本文将深入讲解Java实现的5种主流限流方案，包含代码示例和适用场景分析。

一、计数器限流法（固定窗口）

最基础的限流实现，适合简单场景：

java
public class CounterLimiter {
private final AtomicInteger counter = new AtomicInteger(0);
private final int limit;
private long lastResetTime = System.currentTimeMillis();

public CounterLimiter(int limitPerSecond) {
    this.limit = limitPerSecond;
}

public boolean tryAcquire() {
    long now = System.currentTimeMillis();
    if (now - lastResetTime > 1000) {
        counter.set(0);
        lastResetTime = now;
    }
    return counter.incrementAndGet() <= limit;
}

}

特点分析：
- 优点：实现简单，内存消耗低
- 缺点：窗口临界点可能出现双倍流量（如第999ms和第1001ms各允许100次请求）

二、滑动窗口限流

优化计数器法的临界问题，典型实现如Redis+Lua：

java
// 使用Redis实现的滑动窗口
public boolean isAllowed(String key, int windowSize, int limit) {
long now = System.currentTimeMillis();
long windowStart = now - windowSize * 1000L;

redisTemplate.opsForZSet().removeRangeByScore(key, 0, windowStart);
long count = redisTemplate.opsForZSet().count(key, windowStart, now);

if (count < limit) {
    redisTemplate.opsForZSet().add(key, UUID.randomUUID().toString(), now);
    return true;
}
return false;

}

适用场景：分布式系统环境下的精准限流

三、漏桶算法

恒定速率处理请求，适合流量整形：

java
public class LeakyBucket {
private final long capacity;
private final long leakRate; // 毫秒/滴
private long waterLevel;
private long lastLeakTime;

public synchronized boolean tryConsume() {
    leakWater();
    if (waterLevel < capacity) {
        waterLevel++;
        return true;
    }
    return false;
}

private void leakWater() {
    long now = System.currentTimeMillis();
    long elapsed = now - lastLeakTime;
    waterLevel = Math.max(0, waterLevel - elapsed * leakRate);
    lastLeakTime = now;
}

}

核心优势：能绝对保证处理速率不超过设定值

四、令牌桶算法（推荐）

兼顾灵活性和保护性，Guava RateLimiter的实现原理：

java
public class TokenBucket {
private final int capacity;
private double tokens;
private long lastRefillTime;
private final double refillRate; // tokens/ms

public synchronized boolean tryAcquire(int tokensNeeded) {
    refillTokens();
    if (tokens >= tokensNeeded) {
        tokens -= tokensNeeded;
        return true;
    }
    return false;
}

private void refillTokens() {
    long now = System.currentTimeMillis();
    double elapsed = now - lastRefillTime;
    tokens = Math.min(capacity, tokens + elapsed * refillRate);
    lastRefillTime = now;
}

}

业务场景：
- API调用频率限制
- 突发流量吸收（允许短时间内超过平均速率）

五、分布式限流实践

结合Nginx+Redis+Lua的三层防护：

java
// Spring Cloud Gateway限流配置
@Bean
public RedisRateLimiter redisRateLimiter() {
return new RedisRateLimiter(
10, // 每秒10个令牌
20, // 桶容量20
Duration.ofSeconds(1)
);
}

// 路由配置
routes:
- id: order-service
uri: lb://order-service
predicates:
- Path=/api/orders/**
filters:
- name: RequestRateLimiter
args:
redis-rate-limiter.replenishRate: 10
redis-rate-limiter.burstCapacity: 20

方案选型指南

1. 单机简单场景：计数器/滑动窗口
2. 需要处理突发流量：令牌桶
3. 严格恒定速率：漏桶算法
4. 分布式系统：Redis+Lua实现

性能优化Tip：
- 使用LongAdder替代AtomicInteger
- 考虑分段锁优化
- 预热机制应对冷启动

结语

合理的限流策略需要结合业务特性，通常建议在网关层做全局限流，在方法级做细粒度控制。实际生产环境中，建议结合监控系统动态调整阈值，既保护系统又不影响正常业务流量。