滑动窗口算法用于应对请求在时间周期中分布不均匀的情况，能够更精确的应对流量变化，比较著名的应用场景就是TCP协议的流量控制，不过今天要说的是服务限流场景中的应用。

算法原理

这里假设业务需要每秒钟限流100次，先来看固定窗口算法的两个问题：

漏检

如下图所示，单看第1秒和第2秒，其请求次数都没有超过100，所以使用固定窗口算法时不会触发限流。但是第1秒的后500ms的请求数加上第2秒的前500毫秒的请求数就超过了100，这时候可能会给系统带来伤害，使用固定窗口算法时不能检测到这种情况。

太刚

针对漏检的问题，你可能会说，可以把时间窗口设置为500ms，把限流阈值设置为50。那么来看下图，除了第2个计数周期超过了50，从而触发限流，前后几个计数周期的请求都很正常，甚至都不会超过阈值的50%，可能第2个计数周期的情况实在太特殊，1天都不会出现第2次，如果对系统不会造成影响，能不能通融下，做不到！固定窗口算法这时候就会显得太过刚性。

那么滑动窗口如何来解决这两个问题呢？还是先来看图：

如上图所示：

滑动窗口的时间跨度是1秒，每个小计数周期的时间跨度是500ms，此处的滑动窗口包含2个小计数周期。
随着时间的前进，滑动窗口包含的小计数周期会以500ms为单位向前移动，但始终是包含2个小计数周期。
判断是否限流时，需要将当前滑动窗口包含的2个小计数周期的计数值加起来。
相比固定窗口计数器算法，滑动窗口可以有效减少漏检，如上图滑动窗口移动到了500-1500ms，发现总数超过100，则触发限流；滑动窗口在0-1000ms、1000-2000ms时都不会触发限流，即使其中某个小周期的计数值超过了阈值的半数，但是总数没有超过100，就不会限流，能够应对极少出现的突发流量情况。

从分析还可以看出，滑动窗口的小周期划分的越多，则检测越准确，但用于跟踪的计数也越多，使用的内存和计算量都会增大。

算法实现

这里讲两种实现方法：进程内即内存滑动窗口算法、基于Redis的滑动窗口算法。

进程内即内存滑动窗口算法

这里介绍一种性能比较高的方法，使用数组实现滑动窗口，这是环形队列的一种特例，如下图所示：

假设滑动窗口需要5个小的计数周期，则初始化一个长度为5的整形数组，数字表示数组中的第几个元素。
我们知道队列有头有尾，从队头取出数据，向队尾插入数据，带括号的数字表示是队列中的第几个元素。
滑动窗口向前移动时，队尾向右移动1位，同时队头也向右移动1位。
队尾和队头向右移动都可能会溢出数组，此时让它们回到数组的起始位置，即图中数组的第1个位置。

基于Redis的滑动窗口算法

基于Redis时也可以使用类似环形队列的方法，比如定义5个KV作为数组的5个元素。不过我之前实现时采用了一种更直观的方式，每个小的计数周期都创建一个KV，同时设置一个绝对超过滑动窗口时间跨度的过期时间，用不到的小计数周期不会一直占用内存；判断是否触发限流时，把这些小滑动窗口的计数值累加起来就可以了。当然实际实现时还需要完善一些细节上的处理，比如怎么找到这些小计数周期，会有多种方案，存起来或者临时计算都可以。

这些操作逻辑可以封装在一个Lua script中，因为Lua script在Redis中执行时也是原子操作，所以Redis的限流计数在分布式部署时天然就是准确的。

应用算法

这里以限流组件 FireflySoft.RateLimit 为例，实现ASP.NET Core中的滑动窗口限流。

1、安装Nuget包

有多种安装方式，选择自己喜欢的就行了。

包管理器命令：

Install-Package FireflySoft.RateLimit.AspNetCore

或者.NET命令:

dotnet add package FireflySoft.RateLimit.AspNetCore

或者项目文件直接添加：

<ItemGroup>
<PackageReference Include="FireflySoft.RateLimit.AspNetCore" Version="2.*" />
</ItemGroup>

2、使用中间件

在Startup中使用中间件，演示代码如下（下边会有详细说明）：

public void ConfigureServices(IServiceCollection services)
        {
           ...
           app.AddRateLimit(new InProcessSlidingWindowAlgorithm(
                new[] {
                		// 构造函数有两个参数：滑动窗口的时间长度、小计数周期的时间长度
                    new SlidingWindowRule(TimeSpan.FromSeconds(5), TimeSpan.FromSeconds(1))
                    {
                        ExtractTarget = context =>
                        {
                        		// 提取限流目标
                            return (context as HttpContext).Request.Path.Value;
                        },
                        CheckRuleMatching = context =>
                        {
                        		// 判断当前请求是否需要限流处理
                            return true;
                        },
                        Name="sliding window limit rule",
                        LimitNumber=100, // 限流阈值，这里即5秒最多100次请求
                    }
                })
            );
            ...
        }

public void Configure(IApplicationBuilder app, IWebHostEnvironment env)
        {
            ...
            app.UseRateLimit();
            ...
        }

如上需要先注册服务，然后使用中间件。

注册服务的时候需要提供限流算法和对应的规则：

这里使用进程内固定窗口算法InProcessSlidingWindowAlgorithm，还可以使用RedisSlidingWindowAlgorithm，需要传入一个Redis连接。两种算法都支持同步和异步方法。
限流阈值是100，限流滑动窗口是5秒，小计数周期是1秒。
ExtractTarget用于提取限流目标，这里是每个不同的请求Path。如果有IO请求，这里还支持对应的异步方法ExtractTargetAsync。
CheckRuleMatching用于验证当前请求是否限流。如果有IO请求，这里还支持对应的异步方法CheckRuleMatchingAsync。
默认被限流时会返回HttpStatusCode 429，可以在AddRateLimit时使用可选参数error自定义这个值，以及Http Header和Body中的内容。

基本的使用就是上边例子中的这些了。

如果还是基于传统的.NET Framework，则需要在Application_Start中注册一个消息处理器RateLimitHandler，算法和规则部分都是共用的，具体可以看Github上的使用说明：https://github.com/bosima/FireflySoft.RateLimit#aspnet

FireflySoft.RateLimit 是一个基于 .NET Standard 的限流类库，其内核简单轻巧，能够灵活应对各种需求的限流场景。

其主要特点包括：

多种限流算法：内置固定窗口、滑动窗口、漏桶、令牌桶四种算法，还可自定义扩展。
多种计数存储：目前支持内存、Redis两种存储方式。
分布式友好：通过Redis存储支持分布式程序统一计数。
限流目标灵活：可以从请求中提取各种数据用于设置限流目标。
支持限流惩罚：可以在客户端触发限流后锁定一段时间不允许其访问。
动态更改规则：支持程序运行时动态更改限流规则。
自定义错误：可以自定义触发限流后的错误码和错误消息。
普适性：原则上可以满足任何需要限流的场景。

Github开源地址：https://github.com/bosima/FireflySoft.RateLimit

ASP.NET Core中使用滑动窗口限流