面试题答案
一键面试1. 采用分层限流策略
- 思路：将限流分为粗粒度和细粒度两个层次。粗粒度限流用于快速过滤大部分超出流量的请求，减少细粒度限流的计算压力。例如，在一个电商系统中，首先基于IP地址进行粗粒度限流，设置每个IP每分钟最多请求100次。这可以阻挡恶意IP的大量请求，保护系统资源。
- 优点：提高性能，通过快速拦截明显超出流量的请求，减少后续复杂的计算。同时，细粒度限流可以在更精准的维度（如用户ID、接口类型等）上进行限流，保证限流的精准度。
2. 优化数据结构和算法
- 使用滑动窗口算法：
- 思路：传统的固定窗口算法存在临界问题，滑动窗口算法可以有效解决。例如，在统计用户请求频率时，将时间窗口划分为多个小的子窗口。假设时间窗口为1分钟，划分为6个10秒的子窗口。当一个请求到达时，根据当前时间确定它属于哪个子窗口，然后更新子窗口的请求计数。同时，随着时间推移，过期的子窗口计数会被移除，这样可以更精准地统计请求频率。
- 优点：相比固定窗口算法，滑动窗口算法能够更精准地反映短时间内的流量变化，避免了固定窗口在临界时刻的流量突增问题，提升精准度。在性能方面，虽然计算复杂度有所增加，但合理的窗口划分和数据结构设计（如使用链表或数组记录子窗口计数）可以控制性能损耗。
- 选择合适的数据结构：
- 思路：在Redis中，根据限流维度选择合适的数据结构。对于简单的单维度限流，如基于IP地址的限流，可以使用Redis的字符串类型（String），将IP地址作为键，请求计数作为值。对于多维度组合限流，如同时基于用户ID和接口类型限流，可以使用哈希（Hash）结构，将用户ID和接口类型拼接作为哈希键，请求计数作为哈希值。
- 优点：合适的数据结构可以减少内存占用，提高读写效率，从而提升性能。同时，通过合理的键值设计能够准确记录不同维度组合的限流信息，保证精准度。
3. 缓存与异步处理
- 缓存限流结果：
- 思路：对于一些频繁访问且限流规则相对稳定的接口，将限流结果进行缓存。例如，某个热门商品的查询接口，由于商品信息变化不频繁，对该接口的限流结果可以缓存一段时间。每次请求到达时，先从缓存中获取限流结果，如果命中则直接返回，避免重复查询Redis进行限流判断。
- 优点：大大提高了请求处理速度，减少了对Redis的访问压力，提升性能。同时，通过合理设置缓存过期时间，能够在一定时间内保证限流精准度。
- 异步更新限流数据：
- 思路：对于一些对实时性要求不是特别高的限流场景，可以采用异步方式更新限流数据。比如，在统计用户每天的请求次数时，可以在请求处理完成后，通过消息队列（如Kafka）将请求记录发送到后台任务，由后台任务异步更新Redis中的限流计数。
- 优点：避免了同步更新限流数据对请求处理线程的阻塞，提高了系统的并发处理能力和性能。虽然存在一定的延迟，但对于一些非实时性要求的限流场景，不会影响限流的整体精准度。