限流的核心是保护系统稳定性。Golang通过令牌桶算法（rate包）实现单机限流，结合Redis+Lua脚本支持分布式环境下的固定或滑动窗口限流，可在HTTP中间件或gRPC拦截器中统一控制，动态配置限流规则并集成Prometheus监控告警，确保微服务在高并发下稳定运行。
在高并发场景下，Golang 微服务如果没有合理的限流机制，很容易因为突发流量导致系统崩溃。限流不是为了提升性能，而是为了保护系统稳定性。通过控制单位时间内处理的请求数量，可以有效防止资源耗尽、响应延迟升高甚至服务雪崩。Golang 因其轻量级协程和高效调度机制，非常适合实现高性能的限流策略。
基于令牌桶算法的限流实现
令牌桶是限流中最常用的算法之一，它允许一定程度的突发流量，同时保证长期速率可控。Golang 标准库 golang.org/x/time/rate 提供了开箱即用的令牌桶实现。
使用示例：
package main
<p>import (
"fmt"
"time"
"golang.org/x/time/rate"
)</p><p>func main() {
// 每秒生成 5 个令牌，最多容纳 10 个
limiter := rate.NewLimiter(5, 10)</p><pre class='brush:php;toolbar:false;'>for i := 0; i < 20; i++ {
if limiter.Allow() {
fmt.Println("请求通过", i)
} else {
fmt.Println("请求被拒绝", i)
}
time.Sleep(100 * time.Millisecond)
}}
立即学习“go语言免费学习笔记（深入）”；
该方式适合单机限流。对于微服务架构，可为每个接口或用户绑定独立的限流器，结合 context 控制超时与取消。
分布式环境下使用 Redis + Lua 实现限流
单机限流无法满足集群部署需求。借助 Redis 的原子操作能力，配合 Lua 脚本可实现分布式的滑动窗口或固定窗口限流。
常见方案：基于 Redis 的 fixed window 或 sliding window 算法。
示例 Lua 脚本（固定窗口）：
-- KEYS[1]: 限流 key（如: ip:192.168.1.1）
-- ARGV[1]: 时间窗口大小（秒）
-- ARGV[2]: 最大请求数
local key = KEYS[1]
local window = tonumber(ARGV[1])
local max = tonumber(ARGV[2])
<p>local current = redis.call("INCR", key)
if current == 1 then
redis.call("EXPIRE", key, window)
end</p><p>return current <= max</p><div class="aritcle_card flexRow">
<div class="artcardd flexRow">
<a class="aritcle_card_img" href="/xiazai/skill8096" title="Alibabacloud Sdk Client Initialization For Golang"><img
src="https://img.php.cn/upload/skill/000/000/081/179186233233253.jpg" alt="Alibabacloud Sdk Client Initialization For Golang" onerror="this.onerror='';this.src='/static/lhimages/moren/morentu.png'" ></a>
<div class="aritcle_card_info flexColumn">
<a href="/xiazai/skill8096" title="Alibabacloud Sdk Client Initialization For Golang">Alibabacloud Sdk Client Initialization For Golang</a>
<p>初始化并管理阿里云SDK Go 客户端，涵盖 sync.Once 单例、goroutine 安全、endpoint 与 region 配置、VPC 端点及调试。</p>
</div>
<a href="/xiazai/skill8096" title="Alibabacloud Sdk Client Initialization For Golang" class="aritcle_card_btn flexRow flexcenter"><b></b><span>下载</span> </a>
</div>
</div>Golang 调用代码片段：
func isAllowed(redisClient *redis.Client, key string) bool {
script := redis.NewScript(luaScript)
result, err := script.Run(context.Background(), redisClient, []string{key}, 60, 100).Result()
return err == nil && result.(int64) == 1
}
这种方式适用于跨节点共享状态的场景，比如按用户 ID 或客户端 IP 限流。
结合中间件实现统一限流控制
在微服务中，通常将限流逻辑封装在 HTTP 中间件或 RPC 拦截器中，避免重复编码。
以 Gin 框架为例：
func RateLimit(limiter *rate.Limiter) gin.HandlerFunc {
return func(c *gin.Context) {
if !limiter.Allow() {
c.JSON(429, gin.H{"error": "too many requests"})
c.Abort()
return
}
c.Next()
}
}
<p>// 使用
r := gin.Default()
r.GET("/api/data", RateLimit(rate.NewLimiter(1, 5)), getDataHandler)</p>对于 gRPC 服务，可通过 interceptor 实现类似功能，对特定方法进行限流。
动态配置与监控告警
硬编码限流阈值不利于运维。建议将限流规则存储在配置中心（如 etcd、Consul），支持动态调整。
关键点：
- 不同接口设置不同阈值，读接口可宽松，写接口应严格
- 结合 Prometheus 记录限流次数，设置 Grafana 告警
- 异常流量出现时自动降级或触发熔断机制
例如使用 Prometheus 暴露指标：
requestsLimited := promauto.NewCounter(prometheus.CounterOpts{
Name: "http_requests_limited_total",
Help: "Total number of limited requests",
})
<p>// 在限流拦截处增加计数
requestsLimited.Inc()</p>基本上就这些。Golang 实现限流不复杂，但要根据业务场景选择合适算法。单机用 rate 包足够，分布式推荐 Redis + Lua，再配合中间件和监控体系，就能构建稳定可靠的流量控制系统。
