滑动窗口算法是一种基于时间窗口的限流算法，它将时间划分为若干个固定大小的窗口，每个窗口内记录了该时间段内的请求次数。通过动态地滑动窗口，可以动态调整限流的速率，以应对不同的流量变化。
整个限流可以概括为两个主要步骤：
- 统计窗口内的请求数量
- 应用限流规则
Redis有序集合每个value有一个score（分数），基于score我们可以定义一个时间窗口，然后每次一个请求进来就设置一个value，这样就可以统计窗口内的请求数量。key可以是资源名，比如一个url，或者ip+url，用户标识+url等。value在这里不那么重要，因为我们只需要统计数量，因此value可以就设置成时间戳，但是如果value相同的话就会被覆盖，所以我们可以把请求的数据做一个hash，将这个hash值当value，或者如果每个请求有流水号的话，可以用请求流水号当value，总之就是要能唯一标识一次请求的。
所以，简化后的命令就变成了：
ZADD 资源标识 时间戳 请求标识Java代码
public boolean isAllow(String key) { ZSetOperations<String, String> zSetOperations = stringRedisTemplate.opsForZSet(); // 获取当前时间戳 long currentTime = System.currentTimeMillis(); // 当前时间 - 窗口大小 = 窗口开始时间 long windowStart = currentTime - period; // 删除窗口开始时间之前的所有数据 zSetOperations.removeRangeByScore(key, 0, windowStart); // 统计窗口中请求数量 Long count = zSetOperations.zCard(key); // 如果窗口中已经请求的数量超过阈值，则直接拒绝 if (count >= threshold) { return false; } // 没有超过阈值，则加入集合 String value = "请求唯一标识（比如：请求流水号、哈希值、MD5值等）"; zSetOperations.add(key, String.valueOf(currentTime), currentTime); // 设置一个过期时间，及时清理冷数据 stringRedisTemplate.expire(key, period, TimeUnit.MILLISECONDS); // 通过 return true; }上面代码中涉及到三条Redis命令，并发请求下可能存在问题，所以我们把它们写成Lua脚本
local key = KEYS[1] local current_time = tonumber(ARGV[1]) local window_size = tonumber(ARGV[2]) local threshold = tonumber(ARGV[3]) redis.call('ZREMRANGEBYSCORE', key, 0, current_time - window_size) local count = redis.call('ZCARD', key) if count >= threshold then return tostring(0) else redis.call('ZADD', key, tostring(current_time), current_time) return tostring(1) end完整的代码如下：
package com.example.demo.controller; import org.springframework.beans.factory.annotation.Autowired; import org.springframework.data.redis.core.StringRedisTemplate; import org.springframework.data.redis.core.ZSetOperations; import org.springframework.data.redis.core.script.DefaultRedisScript; import org.springframework.stereotype.Service; import java.util.Collections; import java.util.concurrent.TimeUnit; /** * 基于Redis有序集合实现滑动窗口限流 * @Author: ChengJianSheng * @Date: 2024/12/26 */ @Service public class SlidingWindowRatelimiter { private long period = 60*1000; // 1分钟 private int threshold = 3; // 3次 @Autowired private StringRedisTemplate stringRedisTemplate; /** * RedisTemplate */ public boolean isAllow(String key) { ZSetOperations<String, String> zSetOperations = stringRedisTemplate.opsForZSet(); // 获取当前时间戳 long currentTime = System.currentTimeMillis(); // 当前时间 - 窗口大小 = 窗口开始时间 long windowStart = currentTime - period; // 删除窗口开始时间之前的所有数据 zSetOperations.removeRangeByScore(key, 0, windowStart); // 统计窗口中请求数量 Long count = zSetOperations.zCard(key); // 如果窗口中已经请求的数量超过阈值，则直接拒绝 if (count >= threshold) { return false; } // 没有超过阈值，则加入集合 String value = "请求唯一标识（比如：请求流水号、哈希值、MD5值等）"; zSetOperations.add(key, String.valueOf(currentTime), currentTime); // 设置一个过期时间，及时清理冷数据 stringRedisTemplate.expire(key, period, TimeUnit.MILLISECONDS); // 通过 return true; } /** * Lua脚本 */ public boolean isAllow2(String key) { String luaScript = "local key = KEYS[1]n" + "local current_time = tonumber(ARGV[1])n" + "local window_size = tonumber(ARGV[2])n" + "local threshold = tonumber(ARGV[3])n" + "redis.call('ZREMRANGEBYSCORE', key, 0, current_time - window_size)n" + "local count = redis.call('ZCARD', key)n" + "if count >= threshold thenn" + " return tostring(0)n" + "elsen" + " redis.call('ZADD', key, tostring(current_time), current_time)n" + " return tostring(1)n" + "end"; long currentTime = System.currentTimeMillis(); DefaultRedisScript<String> redisScript = new DefaultRedisScript<>(luaScript, String.class); String result = stringRedisTemplate.execute(redisScript, Collections.singletonList(key), String.valueOf(currentTime), String.valueOf(period), String.valueOf(threshold)); // 返回1表示通过，返回0表示拒绝 return "1".equals(result); } }这里用StringRedisTemplate执行Lua脚本，先把Lua脚本封装成DefaultRedisScript对象。注意，千万注意，Lua脚本的返回值必须是字符串，参数也最好都是字符串，用整型的话可能类型转换错误。
String requestId = UUID.randomUUID().toString(); DefaultRedisScript<String> redisScript = new DefaultRedisScript<>(luaScript, String.class); String result = stringRedisTemplate.execute(redisScript, Collections.singletonList(key), requestId, String.valueOf(period), String.valueOf(threshold));好了，上面就是基于Redis有序集合实现的滑动窗口限流。顺带提一句，Redis List类型也可以用来实现滑动窗口。
接下来，我们来完善一下上面的代码，通过AOP来拦截请求达到限流的目的
为此，我们必须自定义注解，然后根据注解参数，来个性化的控制限流。那么，问题来了，如果获取注解参数呢？
举例说明：
@Retention(RetentionPolicy.RUNTIME) @Target(ElementType.METHOD) public @interface MyAnnotation { String value(); } @Aspect @Component public class MyAspect { @Before("@annotation(myAnnotation)") public void beforeMethod(JoinPoint joinPoint, MyAnnotation myAnnotation) { // 获取注解参数 String value = myAnnotation.value(); System.out.println("Annotation value: " + value); // 其他业务逻辑... } }注意看，切点是怎么写的 @Before("@annotation(myAnnotation)")
是@Before("@annotation(myAnnotation)")，而不是@Before("@annotation(MyAnnotation)")
myAnnotation，是参数，而MyAnnotation则是注解类
此处参考
https://www.cnblogs.com/javaxubo/p/16556924.html
言归正传，我们首先定义一个注解
package com.example.demo.controller; import java.lang.annotation.*; /** * 请求速率限制 * @Author: ChengJianSheng * @Date: 2024/12/26 */ @Documented @Target(ElementType.METHOD) @Retention(RetentionPolicy.RUNTIME) public @interface RateLimit { /** * 窗口大小（默认：60秒） */ long period() default 60; /** * 阈值（默认：3次） */ long threshold() default 3; }定义切面
package com.example.demo.controller; import jakarta.servlet.http.HttpServletRequest; import lombok.extern.slf4j.Slf4j; import org.aspectj.lang.JoinPoint; import org.aspectj.lang.annotation.Aspect; import org.aspectj.lang.annotation.Before; import org.springframework.beans.factory.annotation.Autowired; import org.springframework.data.redis.core.StringRedisTemplate; import org.springframework.data.redis.core.ZSetOperations; import org.springframework.stereotype.Component; import org.springframework.web.context.request.RequestContextHolder; import org.springframework.web.context.request.ServletRequestAttributes; import org.springframework.web.servlet.support.RequestContextUtils; import java.util.concurrent.TimeUnit; /** * @Author: ChengJianSheng * @Date: 2024/12/26 */ @Slf4j @Aspect @Component public class RateLimitAspect { @Autowired private StringRedisTemplate stringRedisTemplate; // @Autowired // private SlidingWindowRatelimiter slidingWindowRatelimiter; @Before("@annotation(rateLimit)") public void doBefore(JoinPoint joinPoint, RateLimit rateLimit) { // 获取注解参数 long period = rateLimit.period(); long threshold = rateLimit.threshold(); // 获取请求信息 ServletRequestAttributes servletRequestAttributes = (ServletRequestAttributes) RequestContextHolder.getRequestAttributes(); HttpServletRequest httpServletRequest = servletRequestAttributes.getRequest(); String uri = httpServletRequest.getRequestURI(); Long userId = 123L; // 模拟获取用户ID String key = "limit:" + userId + ":" + uri; /* if (!slidingWindowRatelimiter.isAllow2(key)) { log.warn("请求超过速率限制！userId={}, uri={}", userId, uri); throw new RuntimeException("请求过于频繁！"); }*/ ZSetOperations<String, String> zSetOperations = stringRedisTemplate.opsForZSet(); // 获取当前时间戳 long currentTime = System.currentTimeMillis(); // 当前时间 - 窗口大小 = 窗口开始时间 long windowStart = currentTime - period * 1000; // 删除窗口开始时间之前的所有数据 zSetOperations.removeRangeByScore(key, 0, windowStart); // 统计窗口中请求数量 Long count = zSetOperations.zCard(key); // 如果窗口中已经请求的数量超过阈值，则直接拒绝 if (count < threshold) { // 没有超过阈值，则加入集合 zSetOperations.add(key, String.valueOf(currentTime), currentTime); // 设置一个过期时间，及时清理冷数据 stringRedisTemplate.expire(key, period, TimeUnit.SECONDS); } else { throw new RuntimeException("请求过于频繁！"); } } }加注解
@RestController @RequestMapping("/hello") public class HelloController { @RateLimit(period = 30, threshold = 2) @GetMapping("/sayHi") public void sayHi() { } }最后，看Redis中的数据结构
最后的最后，流量控制建议看看阿里巴巴 Sentinel
https://sentinelguard.io/zh-cn/
