上一篇文章讲到了利用令牌桶（token bucket）和漏桶（leaky bucket）算法进行访问频率限制，这些非常通用，但是也有一些问题，怎么解决（更准确说应该是缓解）呢？
回到最初问题的来源，其实只要把所有的请求都记录下来，每次新来一个请求看最近一段时间有没有超标即可。然而，一般并不能这么粗暴的记录每一条记录的时间戳，然后统计，因为内存可能扛不住，CPU可能也扛不住。
于是，有了固定窗口计数（Fixed Window Counter）这样的算法。算法做的就是每小段时间用一个值记录起始时间，另一个值记录个数即可。比如，限制是每1分钟60次，那么就在每个整分点（11:11:00）这样开始计数，每次来请求就增加记录次数，如果超过60次，就意味着频率超标了。然后每个这样的记录的过期时间是1分钟，这样，如果一个用户访问几次之后，不再访问，内存中对应的记录值也会清掉。事实上Github好多实现就是用了这样的算法。
这样的做法，明显有个不合理的部分。那就是频率峰值可能不均分，例如，虽然设置的是1分钟访问5次，但假设访问都集中在11:00:40，这样子，11点11分确实只访问了5次。接下来，11:01:00数据清除，11:01:15秒有5次访问，也符合规范。然而， 11:00:40 到11:01:15这段时间（不足1分钟），却能访问10次！
中间这段时间，其实超标啦
看来这样的方法也不行，问题在于：
- 不能在周期边界暴力清空
- 随着时间推移，确实需要清掉一些旧的不用了的数据
基于这两点，于是有了最终比较符合需求的算法：滑动窗口计数（Sliding window counters）。我突然意识到这个方法，是因为前段时间瞄了一下TCP协议（真是牛逼的协议啊），然后网上一查，发现早就被别人提出来了（见文末参考文档）。
算法思路在于，不是单纯地记录每次请求的时间戳（开头说了，可能太耗空间），而是把请求按照一段一段计数。比如， 1分钟5次这样的要求，可以把一分钟划分成60秒，然后每秒只用一个数字表示这一秒有多少个请求。这样，请求再多，也只需要60个数字记录（因为分成了60份）。同理，1小时100次，可以把时间划分成分钟，进行记录。
然后， 每次有新请求来的时候，删除已经没用的数据（超过限定期限的，比如上面说的1小时），然后算出时间戳，计数增加。如果没有超过限制，那么，就设置整个数据（下面示例中的“user_A"）的过期时间（如果以后用户都不访问了， 这些数据会在过期之后被回收掉）。
一个用户的记录示例：
"user_A": {"11:00:00": 5, "11:01:00": 3}
份数划分的意义何在呢？显然首先是为了省内存（同时统计也快），其次是为了控制误差。事实上，这个算法是有误差的。比如假设1小时被划分成60份， 也就是每分钟一份，11:00:40的访问会被记录在11点整上， 而12:00:10会被记录在12点整上，这两个整点其实在不同的时间段，也就是说考虑12点整的访问时，已经不用去考虑11点整的访问量了。而实际上，11:00:40和12:00:10的相差是不足一个小时的，逻辑上它们的访问量应该算在同一个小时里。
不过，实际中，算法实现的时候，应该能接受这样的误差（如果不能接受，需要在清楚过期数据的时候，注意这样的边界问题，比如额外保留一份小时间段的数据。因为算法本身无法区分11:00:00和11:00:40这样的访问）。
这个算法设置好合理的划分（如果用redis，不要超过128，因为效率），自己估算好最大误差值（很显然，极端情况下，依然可以在同一个时间段内允许两倍的访问），应该可以在实际运用中起到比较好的效果了。
说了这么多，我在Github上搜了一下，似乎还没有Golang对应的实现。接下来，我会想办法抽时间实现一下。
更新：
实现过程中，滑动窗口计数的时候，发现太多需要改动一段一段计数的地方。感觉用hash不如序列化然后用string存取快。
实现地址：
restrictor
参考文章：
https://blog.figma.com/an-alternative-approach-to-rate-limiting-f8a06cf7c94c
网友评论