【PmHub面试篇】PmHub中基于Redis加Lua脚本的计数器算法限流实现面试专题解析
你好，欢迎来到本次关于PmHub中基于Redis加Lua脚本的计数器算法限流实现的面试系列分享。在这篇文章中，我们将深入探讨这一技术领域的相关面试题预测。若想对相关内容有更透彻的理解，强烈推荐参考之前发布的博文：【PmHub后端篇】PmHub中基于Redis加Lua脚本的计数器算法限流实现
1 什么是限流？在什么场景下需要使用限流？
- 限流是一种控制流量的方法，主要用于防止系统过载，保障服务的稳定性。
- 在高并发场景下，比如电商秒杀、抢购活动等，我们需要限流来防止系统被突发的大量请求压垮。
2 常用算法有哪些？
常用算法包括计数器、滑动窗口、漏桶、令牌桶等。
| 限流算法 | 原理 | 优点 | 缺点 |
|---|---|---|---|
| 计数器（Counter）法 | 在固定时间窗口内统计请求数，超过阈值则拒绝请求 | 实现简单，适用于固定时间窗口的流量控制 | 无法处理突发流量 |
| 滑动窗口计数器法 | 将固定时间窗口分成多个小窗口，通过滑动小窗口动态统计总请求数 | 平滑处理流量，比固定窗口更有效 | 实现复杂度较高 |
| 漏桶（Leaky Bucket）算法 | 请求进入漏桶，漏桶以恒定速率出水，当桶满时新的请求被丢弃 | 平滑突发流量，严格控制请求处理速率 | 可能导致请求延迟增加 |
| 令牌桶（Token Bucket）算法 | 系统按恒定速率生成令牌，请求消耗令牌，当没有令牌时请求被拒绝或排队 | 允许突发流量处理，能长期控制处理速率 | 实现相对复杂，需要管理令牌 |
| 漏桶与令牌桶的组合 | 将漏桶与令牌桶结合，既能控制平均速率，又能应对突发流量 | 综合两者优点，既能平滑流量又能应对突发流量 | 实现复杂度更高 |
3 能简要介绍一下计数器算法的基本原理吗？
- 计数器算法的基本原理是在固定时间窗口内对请求次数进行计数。
- 如果请求次数超过设定的阈值，就拒绝后续的请求。这个时间窗口可以是1秒、1分钟等。
4 为什么选择 Redis+Lua 实现限流？
- Redis具有高性能、单线程的特点，能够处理高并发请求。
- 同时，Redis提供了丰富的数据结构和原子操作，使得限流算法的实现更加简单高效。
- Lua 脚本减少网络交互次数，并通过原子性避免并发问题。
- 相比本地缓存（如 Guava），Redis 支持跨服务实例的统一限流，更适合微服务架构。
5 您是如何在Redis中实现计数器算法的限流的？能详细描述一下实现过程吗？
- 注解+AOP 切面+Lua 脚本，
- 用自己理解的话来描述，具体应用场景，在登录接口添加限流。
- 简述实现过程：定义限流配置（RedisConfig）->自定义限流注解->AOP 切面实现限流逻辑-> 登录接口应用注解
6 登录接口为何需要单独限流？
- 登录接口通常配置在网关白名单，绕过网关认证，无法被全局限流捕获。
- 登录接口易被暴力破解或高频刷取，需独立防护。通过 Redis+Lua 可精准限制单个用户 / IP 的请求频率。
7 您是如何处理并发请求的？在高并发场景下，限流策略是否依然有效？
- 通过Redis单线程的特点和Lua脚本的原子性来处理并发请求，确保计数器的准确性。
- 在高并发场景下，限流策略依然有效，因为Redis的高性能和Lua脚本的原子操作可以应对大量请求。
8 有自己压测过吗？怎么压测的？
- 有, 使用JMeter发送1秒10个请求, 或者1秒100请求等
- 在不同的并发请求下, 所得出的结果均符合预期
9 当限流计数器达到上限时，您是如何处理用户请求的？是否有备用方案？
- 当计数器达到上限时，我们会拒绝后续的请求，并返回一个友好的错误信息。
- 同时，我们会记录这些被拒绝的请求，以便后续进行分析和调整限流策略。
10 参考链接
- PmHub实现Redis加Lua脚本基于计数器算法的限流
- Redis+Lua登录限流相关