高并发架构实战：基于 Redis + Lua 脚本实现生产级滑动窗口限流器
【摘要】 在微服务与开放 API 架构中，突发高并发流量极易引发级联故障击穿底层数据库。传统的固定窗口计数器在临界点存在“双倍突发流量”的致命缺陷。本文深入剖析滑动时间窗口（Sliding Window Log）算法原理，并结合 Redis Sorted Set 与原子性 Lua 脚本，实现一个轻量、精准的分布式高并发限流方案。
一、 为什么传统的固定窗口限流会失效？
最朴素的限流方案是固定窗口计数器（如利用 Redis 的
INCR 和 EXPIRE，限制 1 分钟最多 100 次请求）。但在生产环境中，它存在严重的临界双倍突发问题：-
场景复现：限制为 1 分钟 100 次请求。客户端在
00:59发送了 100 个请求，窗口重置后，紧接着在01:01又发送了 100 个请求。 -
后果：在
00:59到01:01这短短 2 秒的滑动区间内，系统实际放行了 200 个请求，瞬间打垮下游服务。
| 限流算法 | 优点 | 缺点 | 适用场景 |
| 固定窗口 | 实现极简，内存消耗极低 | 窗口边界存在流量突变穿透漏洞 | 对限流精度要求不高、流量平稳的场景 |
| 令牌桶（Token Bucket） | 允许瞬时突发流量，平滑塑形 | 分布式多节点协同维护成本较高 | 基础设施层网关（如 Ingress、Kong、Nginx） |
| 滑动日志（Sliding Window Log） | 绝对精准，彻底消灭临界突发效应 | 需保存窗口内请求记录，内存占用略高于计数器 | 核心业务接口防刷、短信/支付防爆破 |
二、 滑动窗口核心原理与 Redis ZSET 建模
滑动时间窗口的核心在于：只统计当前时刻向前推移一个完整周期内的真实请求数。
利用 Redis 的有序集合（
Sorted Set / ZSET），我们可以优雅地完成这一流程：-
Key：限流的业务维度（如limit:sms:user_1001或limit:order_create）。 -
Score：请求到达服务器时的毫秒级时间戳（current_time_ms）。 -
Member：唯一请求标识（通常使用毫秒时间戳 + 随机序列或UUID）。
每次请求到来时，执行以下 4 步原子操作：
-
淘汰过期记录：清除窗口期之前的所有冷数据（
Score < now - window_size）。 -
统计窗口请求数：获取当前集合中的元素总个数。
-
阈值判定：若总数已达上限，拒绝请求；若未超限，将本次请求写入集合。
-
刷新兜底过期时间：为该 Key 续期，防止僵尸 Key 永久占用 Redis 内存。
三、 生产级 Lua 脚本实现
在高并发场景下，如果使用客户端分步调用 Redis 命令，各命令之间存在网络 RTT（往返耗时），多线程并发时极易产生脏读，导致限流失效。必须将逻辑封装为 Lua 脚本，由 Redis 单线程引擎原子执行。
1. 原子 Lua 脚本代码
Lua
-- 参数说明：
-- KEYS[1]: 限流的 Key
-- ARGV[1]: 当前时间戳（毫秒）
-- ARGV[2]: 窗口大小（毫秒，如 60000 代表 1 分钟）
-- ARGV[3]: 窗口内最大允许请求数（如 100）
-- ARGV[4]: 唯一请求标识（防 member 冲突）
local key = KEYS[1]
local now = tonumber(ARGV[1])
local window = tonumber(ARGV[2])
local max_permits = tonumber(ARGV[3])
local member = ARGV[4]
-- 1. 计算过期边界，移除窗口外的历史请求
local clear_before = now - window
redis.call('ZREMRANGEBYSCORE', key, 0, clear_before)
-- 2. 统计当前窗口内的有效请求总数
local current_requests = redis.call('ZCARD', key)
-- 3. 判断是否超出阈值
if current_requests < max_permits then
-- 未超限：将当前请求加入集合，返回 1 放行
redis.call('ZADD', key, now, member)
-- 设置 Key 的 TTL（窗口时间再加 1 秒冗余），避免内存泄露
redis.call('EXPIRE', key, math.ceil(window / 1000) + 1)
return 1
else
-- 已超限：直接返回 0 拒绝
return 0
end
2. 客户端调用示例（以 Python 为例）
Python
import time
import uuid
import redis
# 连接云上分布式 Redis 实例
r = redis.Redis(host='127.0.0.1', port=6379, db=0, decode_responses=True)
# 注册并缓存 Lua 脚本 SHA 校验码，减少网络带宽消耗
rate_limit_lua = """...上面编写的 Lua 脚本内容..."""
limit_script = r.register_script(rate_limit_lua)
def is_allowed(user_id: str, max_requests: int = 5, window_seconds: int = 10) -> bool:
"""
判断该用户在过去的 window_seconds 秒内是否未超过 max_requests 次
"""
key = f"rate_limit:{user_id}"
now_ms = int(time.time() * 1000)
window_ms = window_seconds * 1000
unique_member = f"{now_ms}_{uuid.uuid4().hex[:6]}"
# 原子执行 Lua 脚本
result = limit_script(keys=[key], args=[now_ms, window_ms, max_requests, unique_member])
return result == 1
# 压测模拟验证
user = "developer_test_01"
for i in range(7):
allowed = is_allowed(user, max_requests=5, window_seconds=10)
print(f"请求 {i+1}: {'【放行】' if allowed else '【拦截 429 Too Many Requests】'}")
time.sleep(0.5)
控制台输出：
Plaintext
请求 1: 【放行】
请求 2: 【放行】
请求 3: 【放行】
请求 4: 【放行】
请求 5: 【放行】
请求 6: 【拦截 429 Too Many Requests】
请求 7: 【拦截 429 Too Many Requests】
四、 生产落地优化与避坑建议
-
分布式时钟一致性：Lua 脚本中的
now参数建议由统一网关层传入，或在 Lua 脚本内部直接调用redis.call('TIME')获取 Redis 服务器的时间戳，避免应用实例之间因本地 NTP 时钟偏移导致计算边界失准。 -
极端大流量下的内存防膨胀：ZSET 滑动日志会记录每次请求的 member。如果单 Key 在窗口内需要支持上万甚至数十万级别的吞吐，ZSET 会占用较多内存。这种超大规模场景下，建议降级为滑动窗口计数器（Sliding Window Counter），将 1 分钟切分为 6 个 10 秒的小桶分别计数，兼顾极低内存与平滑限流。
-
降级与容灾设计：当云 Redis 出现网络抖动或超时告警时，限流中间件应具备本地“Fail-Open（默认放行）”或“降级为本地简易限流”的熔断策略，避免限流组件自身故障拖垮核心交易链路。
【声明】本内容来自华为云开发者社区博主，不代表华为云及华为云开发者社区的观点和立场。转载时必须标注文章的来源（华为云社区）、文章链接、文章作者等基本信息，否则作者和本社区有权追究责任。如果您发现本社区中有涉嫌抄袭的内容，欢迎发送邮件进行举报，并提供相关证据，一经查实，本社区将立刻删除涉嫌侵权内容，举报邮箱：
cloudbbs@huaweicloud.com
- 点赞
- 收藏
- 关注作者
评论（0）