保障服务稳定的三大利器：熔断降级、服务限流和故障模拟。限流系统是当前很多系统都需要考虑的场景。首先在Nginx层面是可以做限流的，除此之外，在微服务层面还是有很多空间可以施展的。
限流的话，主要思路分为请求数量限制和消费能力限制两类。前者主要是限制一段时间内的总并发数、后者主要是限制消费者的消费能力。
限流算法
限流算法来说，主要包含令牌桶算法、漏桶算法和计数器等。对于简单的计数器算法，通过AtomicLong#incrementAndGet()来进行粗暴的控制，因为容易导致“突刺现象”（比如单位时间1s内的前10ms，已经通过了100个请求，那后面的990ms，只能拒绝），所以这里不做推荐。
令牌桶算法
令牌工厂：匀速生成令牌
令牌桶：拥有固定的令牌数
应用者：一次可以申请N个令牌，没有令牌不能进行后续处理。
如果使用Redis来实现的话会比较简单，大概思路如下：
1/ 获取令牌：依靠List的leftPop来获取令牌
Objectresult = redisTemplate.opsForList().leftPop("limit_list");
2/ 向令牌桶添加令牌
redisTemplate.opsForList().rightPush("limit_list",UUID.randomUUID().toString());
漏桶算法
漏桶：容量固定
流速：任意
流出水滴：固定速率
滑动窗口
用Redis的list数据结构可以轻而易举的实现该功能：保证每N秒内至多M个请求，缺点就是zset的数据结构会越来越大。实现方式相对也是比较简单的。
1/ 请求进来：UUID生成唯一的value；score用当前的时间戳
redisTemplate.opsForZSet().add("limit",UUID.randomUUID().toString(),currentTime);
2/ 限流：zset的range方法可以统计两个时间戳内的请求，达到限流效果
Integercount = redisTemplate.opsForZSet().rangeByScore("limit", currentTime -
网友评论