滑动窗口该用time.AfterFunc而非time.Ticker，因其基于绝对时间点调度可自动对齐窗口边界，避免累积漂移；每次触发后重新计算下一轮绝对时间点并调用time.AfterFunc，且回调中不可阻塞。
滑动窗口该用 time.Ticker 还是 time.AfterFunc？
直接用 time.Ticker 做窗口推进容易累积时间漂移，尤其在指标采集频率高（如 100ms 窗口）或 GC 暂停明显时。更稳妥的方式是每次窗口结束时用 time.AfterFunc 启动下一轮——它基于绝对时间点调度，能自动对齐预期窗口边界。
实操建议：
- 初始化窗口起始时间用
start := time.Now().Truncate(window)，避免首次偏移 - 每次触发后重新计算下一个触发点：
next := start.Add(window)，再调time.AfterFunc(next.Sub(time.Now()), ...) - 别在
AfterFunc回调里做阻塞操作（如写磁盘、HTTP 请求），否则会拖慢下一次触发
窗口数据结构选 slice 还是 container/list？
绝大多数场景用 []struct{ts time.Time; val float64} 就够了。Go 的 slice append + 切片截断比 container/list 内存开销小、缓存局部性好，且滑动窗口天然按时间顺序追加+淘汰，不需要双向链表的任意插入能力。
关键细节：
- 预分配容量：
buf := make([]item, 0, int(window/duration)+1)，避免频繁扩容 - 淘汰旧数据用切片重切：
buf = buf[i:]，不是遍历删除；用二分查找定位第一个 >=now.Add(-window)的索引 - 如果需支持乱序写入（如日志延迟到达），才考虑改用 map + 时间桶，但会显著增加内存和 GC 压力
prometheus.Counter 能直接用于滑动窗口求均值吗？
不能。Counter 是单调递增的累计值，没有时间维度信息。想算“过去 60 秒请求量均值”，你得自己维护一个带时间戳的样本队列，再对其中 ts > now.Add(-60*time.Second) 的样本求和并除以数量。
常见错误：
- 误用
prometheus.NewGaugeVec存每个窗口的快照——这会导致指标数爆炸（每窗口 1 个 metric），Prometheus server 无法有效 scrape - 把 Counter 的
Inc()和窗口更新混在一起调用，造成采样时机错位 - 正确做法：用本地内存 buffer 统计，只在窗口结束时暴露一个
Gauge或通过prometheus.NewHistogramVec记录分布
如何避免高并发写入时的锁竞争？
窗口统计最常卡在写入路径上。别一上来就用 sync.Mutex 包整个 buffer 更新逻辑——细粒度拆分更有效：
- 用
sync/atomic维护一个 uint64 类型的计数器（如总请求数），读写都无锁 - 对需要时间序列分析的字段（如响应时间分布），用分片数组：比如 8 个
[]float64，写入时shardID := uint64(ts.UnixNano()) % 8，最后合并时再加锁汇总 - 如果使用
sync.RWMutex，确保读多写少；写操作仅在窗口切换瞬间发生，其余时间全是读，所以读锁开销可接受
真正难处理的是窗口切换与写入同时发生的竞态——必须在切换前先停止新写入（比如用 atomic.CompareAndSwapUint32(&writing, 1, 0) 打断写入流），再原子替换 buffer 引用，最后恢复写入。
