限流系列
开源组件 rate-limit: 限流
高可用之限流-01-入门介绍
高可用之限流-02-如何设计限流框架
高可用之限流-03-Semaphore 信号量做限流
高可用之限流-04-fixed window 固定窗口
高可用之限流-05-slide window 滑动窗口
高可用之限流-06-slide window 滑动窗口 sentinel 源码
高可用之限流-07-token bucket 令牌桶算法
高可用之限流 08-leaky bucket漏桶算法
高可用之限流 09-guava RateLimiter 入门使用简介 & 源码分析
背景
在如今的互联网已经作为社会底子办法的大环境下，上面的这个场景其实离我们并不是那么远，同时也会显得没那么极端。
例如，层出不穷的营销玩法，一个接着一个的社会热门，以及互联网冰山之下的黑产、刷子的发达发展，更加使得这个场景变的那么的需要去考虑、去顾忌。
因为随时都有可能会涌入超出你预期的流量，然后压垮你的体系。
那么限流的作用就很显而易见了：只要体系没宕机，体系只是因为资源不够，而无法应对大量的请求，为了包管有限的体系资源可以或许提供最大化的服务本领，因而对体系按照预设的规则进行流量（输出或输入）限制的一种方法，确保被接收的流量不会凌驾体系所能承载的上限。
限流
服务治理自己的概念比力大，包括鉴权、限流、降级、熔断、监控告警等等。
场景需求
比如限制微服务集群单台呆板每秒请求次数，我们还需要针对不同调用方甚至不同接口进行更加细粒度限流：
比如限制 A 调用方对某个服务的某个的接口的每秒最大请求次数。
流
限流中的“流”字该如何解读呢？要限制的指标到底是什么？
不同的场景对“流”的定义也是不同的，可以是网络流量，带宽，每秒处理的事务数 (TPS)，每秒请求数 (hits per second)，并发请求数，
甚至还可能是业务上的某个指标，比如用户在某段时间内允许的最多请求短信验证码次数。
从包管体系稳定可用的角度考量，对于微服务体系来说，最好的一个限流指标是：并发请求数。
通过限制并发处理的请求数量，可以限制任何时刻都不会有过多的请求在消耗资源
，比如：我们通过配置 web 容器中 servlet worker 线程数量为 200，则任何时刻最多都只有 200 个请求在处理，凌驾的请求都会被壅闭排队。
对比 TPS 和 hits per second 的两个指标，我们选择使用 hits per second 作为限流指标。
因为，对 TPS 的限流实际上是无法做的，TPS 表示每秒处理事务数，事务的开始是接收到接口请求，事务的结束是处理完成返回，所以有肯定的时间跨度，假如事务开始限流计数器加一，事务结束限流计数器减一，则就等同于并发限流。
而假如把事务请求接收作为计数时间点，则就退化为按照 hits per second 来做限流，而假如把事务结束作为计数时间点，则计数器的数值并不能代表体系当下以及接下来的体系访问压力。
对 hits per second 的限流是否是一个有效的限流指标呢？答案是肯定的，这个值是可观察可统计的，所以方便配置限流规则，而且这个值在肯定水平上反应体系当前和接下来的性能压力，对于这一指标的限流确实也可以达到限制对体系资源的使用。
有了流的定义之后，我们接下来看几种常用的限流算法：固定时间窗口，滑动时间窗口，令牌桶算法，漏桶算法以及他们的改进版本。
常见算法
固定时间窗口
起首需要选定一个时间起点，之后每次接口请求到来都累加计数器，假如在当前时间窗口内，根据限流规则（比如每秒钟最大允许 100 次接口请求），
累加访问次数凌驾限流值，则限流熔断拒绝接口请求。
当进入下一个时间窗口之后，计数器清零重新计数。
限流计谋过于粗略，无法应对两个时间窗口临界时间内的突发流量。
我们举一个例子：假设我们限流规则为每秒钟不凌驾 100 次接口请求，第一个 1s 时间窗口内，100 次接口请求都集中在最后的 10ms 内，
在第二个 1s 的时间窗口内，100 次接口请求都集中在最开始的 10ms 内，固然两个时间窗口内流量都符合限流要求 ( |
