lssffy的博客

本文全面剖析接口限流的原理、常见算法、优缺点及实现细节，并以电商订单接口（QPS 10 万，P99 延迟 < 50ms）为例，展示如何设计和实现高效的限流系统。以下基于 Java 21、Spring Boot 3.3、Redis 7.2、MySQL 8.0 实现订单接口限流，部署于 Kubernetes（8 核 CPU、16GB 内存、50 节点）。实现使用 Redisson 提供高效的分布式令牌桶。接口限流通过令牌桶算法，结合 Redis 和 Spring Boot，实现高性能、分布式一致的限流系统。

漏桶算法（Leaky Bucket Algorithm）是一种通过模拟漏水的桶来控制数据流量的算法，具有均匀和稳定的流量输出特性。其主要目的是防止系统因为突发的大量请求而被压垮，通过逐步控制请求的处理速率，达到均衡系统负载的目的。漏桶算法中的“漏桶”可以理解为一个用于存储数据的容器，当数据请求到达时被放入漏桶中，桶内的请求会以恒定速率流出，模拟了水从桶底部均匀漏出的情形。漏桶算法是一种经典的限流与流量整形算法，它通过固定速率处理流量，确保系统在高并发环境下能够保持稳定性。

GC Root是Java虚拟机垃圾回收（GC）过程中追踪活动对象的起点。GC Root用于标识存活对象，它们是垃圾回收器在执行标记-清除或其他回收算法时，首先检查的对象。GC Root本身始终被认为是存活的对象，任何直接或间接被GC Root引用的对象也会被视为存活对象。在Java虚拟机中，垃圾回收器通过从GC Root开始遍历对象图（通常采用可达性分析算法），来判断哪些对象是存活的，哪些对象可以被回收。这一过程称为“根可达性分析”。

布隆过滤器（Bloom Filter）是一种用于判断元素是否存在于集合中的数据结构。如果布隆过滤器判断某个元素不存在，则该元素一定不在集合中。如果布隆过滤器判断某个元素存在，则可能存在一定的误判，这意味着元素不一定真的在集合中。布隆过滤器通过牺牲一定的准确性（存在误判率），换取了极低的内存使用和查询效率。

是一个非常有用的工具，能够为每个线程提供独立的变量副本，在并发编程中提供了极大的便利。然而，在线程池环境下，由于线程的复用机制，如果不显式清理中的变量，会导致内存泄漏问题。因此，在多线程编程中，尤其是使用线程池时，开发者必须小心使用，并在任务执行完后调用remove()方法来避免潜在的内存泄漏问题。

它可以用很少的内存快速判断元素是否存在，但有一个特点：它可能会误判某个元素存在，但绝不会误判某个实际存在的元素为不存在。它具有极高的查询效率和较低的内存占用，尽管存在一定的误判率，但在许多实际场景中，这种误判率是可以接受的。：布隆过滤器可能会误判某个实际不在集合中的元素为存在，因为不同元素的哈希结果可能会映射到相同的位，从而造成误判。将布隆过滤器放在缓存和数据库之间，查询时先通过布隆过滤器判断，如果布隆过滤器认为不存在，则直接返回，而不去查询数据库。如果有任意一个位置上的位为0，则可以确定这个元素不存在。