令牌桶算法案例

wen java案例 2026-08-04 7

本文目录导读：

令牌桶算法案例

案例1：API网关限流（最典型）
案例2：流量整形（平滑突发流量）
案例3：分布式系统中的单机限流
案例4：多级限流（网关 + 服务）
关键设计要点
实际应用案例总结

我来通过几个实际案例来讲解令牌桶算法的应用。

案例1：API网关限流（最典型）

import time
import threading
from collections import deque
class TokenBucket:
    def __init__(self, capacity, refill_rate):
        """
        capacity: 桶容量（最大令牌数）
        refill_rate: 每秒补充令牌数
        """
        self.capacity = capacity
        self.refill_rate = refill_rate
        self.tokens = capacity  # 初始状态桶是满的
        self.last_refill_time = time.time()
        self.lock = threading.Lock()
    def try_acquire(self, tokens=1):
        with self.lock:
            # 计算自上次补充以来应添加的令牌数
            now = time.time()
            delta = now - self.last_refill_time
            self.tokens = min(self.capacity, 
                             self.tokens + delta * self.refill_rate)
            self.last_refill_time = now
            # 尝试获取令牌
            if self.tokens >= tokens:
                self.tokens -= tokens
                return True
            return False
# 使用示例：API限流
api_bucket = TokenBucket(capacity=10, refill_rate=2)  # 突发10个请求，每秒恢复2个
def api_request(user_id):
    if api_bucket.try_acquire():
        print(f"时间 {time.time():.2f}: 用户{user_id} 请求成功")
        # 处理请求
        return "success"
    else:
        print(f"时间 {time.time():.2f}: 用户{user_id} 请求被限流")
        return "rate_limited"
# 模拟并发请求
import random
for i in range(20):
    time.sleep(0.1)  # 每100ms一个请求
    api_request(random.randint(1, 5))

案例2：流量整形（平滑突发流量）

class TrafficShaper:
    def __init__(self, peak_rate, sustained_rate, bucket_size):
        """
        peak_rate: 峰值速率（请求/秒）
        sustained_rate: 持续速率（请求/秒）
        bucket_size: 令牌桶大小
        """
        self.bucket = TokenBucket(capacity=bucket_size, 
                                 refill_rate=sustained_rate)
        self.peak_rate = peak_rate
        self.min_interval = 1.0 / peak_rate
        self.last_request_time = 0
    def wait_and_send(self, data):
        """等待令牌并发送数据"""
        # 控制峰值速率
        now = time.time()
        if now - self.last_request_time < self.min_interval:
            wait_time = self.min_interval - (now - self.last_request_time)
            time.sleep(wait_time)
        # 获取令牌
        if self.bucket.try_acquire():
            self.last_request_time = time.time()
            print(f"发送数据包大小: {len(data)} bytes")
            return True
        return False
# 使用示例：网络流量整形
shaper = TrafficShaper(peak_rate=10, sustained_rate=3, bucket_size=5)
# 模拟数据发送
import random
for i in range(15):
    data = "x" * random.randint(100, 1000)
    success = shaper.wait_and_send(data)
    if not success:
        print(f"等待：数据包 {i} 被缓冲")

案例3：分布式系统中的单机限流

import asyncio
from datetime import datetime
class ServiceRateLimiter:
    def __init__(self, service_name, qps, burst_percentage=0.5):
        """
        service_name: 服务名称
        qps: 每秒钟的查询量
        burst_percentage: 允许的突发比例
        """
        self.service_name = service_name
        self.base_qps = qps
        # 允许的突发量 = 基础QPS * 突发百分比
        burst_capacity = int(qps * (1 + burst_percentage))
        self.bucket = TokenBucket(
            capacity=burst_capacity,  # 100 * 1.5 = 150
            refill_rate=qps          # 正常速率
        )
        self.total_requests = 0
        self.rejected_requests = 0
    async def validate_request(self, user_id, request_type):
        """验证请求是否允许处理"""
        self.total_requests += 1
        if self.bucket.try_acquire():
            # 记录成功请求
            print(f"[{datetime.now().strftime('%H:%M:%S')}] "
                  f"服务 {self.service_name} 接受请求: "
                  f"用户 {user_id}, 类型 {request_type}")
            return True
        else:
            self.rejected_requests += 1
            print(f"[{datetime.now().strftime('%H:%M:%S')}] "
                  f"服务 {self.service_name} 拒绝请求: "
                  f"用户 {user_id}, 原因: 限流")
            return False
    def get_stats(self):
        """获取限流统计信息"""
        reject_rate = (self.rejected_requests / self.total_requests * 100 
                      if self.total_requests > 0 else 0)
        return {
            'total_requests': self.total_requests,
            'rejected_requests': self.rejected_requests,
            'reject_rate': f"{reject_rate:.2f}%"
        }
# 使用示例
import asyncio
async def simulate_service_load():
    # 创建一个支持100 QPS的服务，允许50%的突发
    rate_limiter = ServiceRateLimiter("订单服务", qps=100, burst_percentage=0.5)
    # 模拟突发流量
    tasks = []
    for i in range(200):
        if i < 50:  # 模拟初始突发
            await asyncio.sleep(0.01)  # 10ms一个请求
        else:
            await asyncio.sleep(0.02)  # 20ms一个请求
        task = asyncio.create_task(
            rate_limiter.validate_request(
                user_id=i % 10,
                request_type="create_order"
            )
        )
        tasks.append(task)
    await asyncio.gather(*tasks)
    # 输出统计信息
    stats = rate_limiter.get_stats()
    print(f"\n限流统计: {stats}")
# 运行模拟
asyncio.run(simulate_service_load())

案例4：多级限流（网关 + 服务）

class MultiLevelRateLimiter:
    """多级限流：全局 + 用户级 + IP级"""
    def __init__(self, global_qps=1000, user_qps=10, ip_qps=5):
        self.global_bucket = TokenBucket(capacity=global_qps, 
                                        refill_rate=global_qps)
        self.user_buckets = {}   # {user_id: TokenBucket}
        self.ip_buckets = {}     # {ip_address: TokenBucket}
        self.user_qps = user_qps
        self.ip_qps = ip_qps
    def check_all_levels(self, user_id, ip_address):
        """检查所有级别的限流"""
        # 1. 全局限流
        if not self.global_bucket.try_acquire():
            print(f"全局限流生效")
            return False
        # 2. 用户级限流
        if user_id not in self.user_buckets:
            self.user_buckets[user_id] = TokenBucket(
                capacity=self.user_qps,
                refill_rate=self.user_qps
            )
        if not self.user_buckets[user_id].try_acquire():
            print(f"用户 {user_id} 限流生效")
            return False
        # 3. IP级限流
        if ip_address not in self.ip_buckets:
            self.ip_buckets[ip_address] = TokenBucket(
                capacity=self.ip_qps,
                refill_rate=self.ip_qps
            )
        if not self.ip_buckets[ip_address].try_acquire():
            print(f"IP {ip_address} 限流生效")
            return False
        return True
# 使用示例
limiter = MultiLevelRateLimiter(global_qps=1000, user_qps=3, ip_qps=2)
def process_request(request):
    user_id = request['user_id']
    ip = request['ip']
    if limiter.check_all_levels(user_id, ip):
        print(f"请求处理成功: 用户{user_id}, IP:{ip}")
        return 200
    else:
        print(f"请求被拒绝: 用户{user_id}, IP:{ip}")
        return 429  # Too Many Requests
# 模拟测试
requests = [
    {'user_id': 'A', 'ip': '192.168.1.1'},
    {'user_id': 'A', 'ip': '192.168.1.1'},
    {'user_id': 'A', 'ip': '192.168.1.1'},
    {'user_id': 'A', 'ip': '192.168.1.1'},  # 应该被拒绝（用户限流）
    {'user_id': 'B', 'ip': '192.168.1.1'},  # 应该被拒绝（IP限流）
    {'user_id': 'B', 'ip': '192.168.1.2'},  # 应该成功
]
for req in requests:
    process_request(req)

关键设计要点

参数选择建议

# 不同场景的参数配置示例
# API网关：高吞吐、低延迟
api_config = {
    'capacity': 1000,
    'refill_rate': 500  # 每秒500个请求
}
# 数据库保护：防止过载
db_config = {
    'capacity': 20,
    'refill_rate': 5  # 每秒5个查询
}
# 短信服务：严格限制
sms_config = {
    'capacity': 10,
    'refill_rate': 1/60  # 每分钟1条
}
# 文件上传：允许突发但限制持续速率
upload_config = {
    'capacity': 100,  # 允许突发100个
    'refill_rate': 10  # 每钞10个
}

性能优化技巧

class OptimizedTokenBucket:
    """高性能令牌桶实现"""
    def __init__(self, tokens_per_sec, bucket_size):
        self.tokens_per_sec = tokens_per_sec
        self.bucket_size = bucket_size
        self.tokens = bucket_size
        self.last_refill = time.monotonic()
        self.lock = threading.Lock()
    def acquire(self, tokens=1):
        """原子操作，减少锁竞争"""
        with self.lock:
            now = time.monotonic()
            # 使用单调时钟避免时间跳跃
            self.tokens = min(self.bucket_size,
                             self.tokens + (now - self.last_refill) * self.tokens_per_sec)
            self.last_refill = now
            if self.tokens >= tokens:
                self.tokens -= tokens
                return True
            return False
    # 批量版本
    def acquire_batch(self, num_tokens):
        """批量获取令牌，用于批次操作"""
        acquired = []
        with self.lock:
            for _ in range(num_tokens):
                if self.acquire():
                    acquired.append(time.monotonic())
                else:
                    break
        return acquired

实际应用案例总结

场景	桶容量	补充速率	特点
API网关	1000	500/s	允许突发，平稳持续流量
用户级别	10	2/s	防止单个用户滥用
数据库保护	100	30/s	防止连接池过载
短信服务	5	1/min	严格控制频率
文件上传	50	10/s	应对突发上传

这些案例展示了令牌桶算法的核心优势：

允许突发流量：桶容量支持突发
平滑限流：持续限制速率
灵活配置：可针对不同需求调整参数
简单高效：实现简单，性能好

选择令牌桶而不是漏桶的原因通常是需要支持突发流量,这是Web应用、API服务等场景的常见需求。