Redis 滑动窗口通过有序集合存储时间戳，结合 Lua 脚本实现原子操作，能高效清理过期数据并统计请求数。其基于内存操作，响应速度快，支持集群扩展，具备高并发下的稳定性。通过设置过期时间和分片策略，可有效优化内存占用，实现实时流量控制与精准统计，是生产环境中广泛采用的限流方案。
滑动窗口 redis 实现
1. 滑动窗口算法的核心概念 滑动窗口算法通过将时间划分为多个子区间 (即“桶”),并对每个子区间的请求计数进行统计，从而实现了更精细的流量控制。相比固定窗口算法，滑动窗口能够更好地平滑流量突刺问题 [^3]。2. 基于 Redis 的实现逻辑 Redis 提供了丰富的数据结构支持，其中有序集合 (Sorted Set) 非常适合用来存储滑动窗口的时间戳和对应的请求次数。具体实现思路如下：时间分片：将整个时间窗口划分成若干个小的时间片段 (例如每秒一个片段)。每个片段对应一个键值对。过期处理：利用 Redis 的 TTL 功能或主动清理超出时间范围的数据，确保内存占用可控。原子操作：使用 Lua 脚本保证增删查改的一致性和高效性。3. 示例代码 以下是一个简单的滑动窗口限流器的实现示例，采用 Python 结合 redis-py 客户端库完成。importtimeimportredisdefsliding_window_limiter(redis_client, key_prefix, window_size_seconds, max_requests, current_time=None):""" 滑动窗口限流器函数 :param redis_client: Redis 连接实例 :param key_prefix: 键名前缀 :param window_size_seconds: 时间窗口大小 (单位：秒) :param max_requests: 最大允许请求数量 :param current_time: 当前时间戳，默认为 None 表示实时获取 :return: 是否允许当前请求通行 """ifnotcurrent_time: current_time =int(time.time())# 构造 Redis Sorted Set 的 Key 名称 key_name =f"{key_prefix}:sliding_window"# 删除超过时间窗口范围的旧记录 pipeline = redis_client.pipeline() pipeline.zremrangebyscore(key_name,'-inf', current_time - window_size_seconds) pipeline.execute()# 获取当前窗口内的总请求数 total_requests = redis_client.zcard(key_name)iftotal_requests >= max_requests:returnFalse# 请求被拒绝# 将当前请求加入到 Sorted Set 中 redis_client.zadd(key_name, {current_time: current_time}) redis_client.expire(key_name, window_size_seconds +1)# 设置过期时间 returnTrue# 请求被接受# 初始化 Redis 客户端 r = redis.StrictRedis(host='localhost', port=6379, db=0, decode_responses=True)# 测试调用 if__name__ =="__main__": allowed = sliding_window_limiter(r,"test",10,5)# 10 秒内最多允许 5 次请求 print(f"Request Allowed:{allowed}")（资料日期为 2025 年 4 月 5 日）
窗口精准实时统计基于 Redis 的滑动窗口算法 (redis 滑动)
滑动窗口算法是一种常用的统计算法，它可以对一段时间内的数据进行按时序、按事件计数、求和等操作。它的基本操作是在上次统计的时候删除过期的数据，然后将新的数据加入窗口，以此来维护窗口数据的实时状态。滑动窗口算法可以用来统计诸如 QPS(每秒请求数) 等指标，例如可以用在 API 统计中。滑动窗口算法的基本实现是使用队列来存储统计值，队列中的元素表示某个时间段内的统计值 (如 1 秒、5 秒或 10 秒),然后通过删除过期数据和添加新数据的方式实现滑动。基于 Redis 的滑动窗口算法 在实际应用中，单个节点的处理能力可能无法满足业务的需要，需要通过分布式架构来提高性能。这时，我们可以选择使用 Redis 来存储数据。Redis 是一个高效的键值对存储系统，具有很高的并发性和响应速度，对于实时统计窗口来说，可以作为数据存储和处理的组件。（2025 年 5 月 26 日）
滑动窗口限流算法：基于 Redis 有序集合的实现与优化
滑动窗口限流算法是一种基于时间窗口的流量控制策略，它将时间划分为固定大小的窗口，并在每个窗口内记录请求次数。通过动态滑动窗口，算法能够灵活调整限流速率，以应对流量的波动。统计窗口内的请求数量：记录当前时间窗口内的请求次数。应用限流规则：根据预设的阈值判断是否允许当前请求通过。Redis 的有序集合 (Sorted Set) 为滑动窗口限流提供了理想的实现方式。每个有序集合的成员都有一个分数 (score),我们可以利用分数来定义时间窗口。每当有请求进入时，将当前时间戳作为分数，并将请求的唯一标识作为成员添加到集合中。这样，通过统计窗口内的成员数量，即可实现限流。Redis 命令简化 通过 Redis 的 ZADD 命令，我们可以将请求的时间戳和唯一标识添加到有序集合中：ZADD 资源标识 时间戳 请求标识 一键获取完整项目代码 bash 以下是基于 Java 和 Redis 的滑动窗口限流实现：publicbooleanisAllow(Stringkey){ZSetOperations
Redis 如何支持实时分析？流数据处理架构详解
1、Redis 实时分析的技术优势 企业日常数据处理，尤其是在数字化转型过程中，往往面临“需秒级响应业务数据”的挑战。传统数据库 (如 MySQL、Oracle) 擅长批量处理，但面对高并发、低延迟访问需求时，容易成为“瓶颈”。Redis，作为内存级高性能数据存储，以毫秒级读写能力和丰富的数据结构，被广泛应用于实时分析场景。它的主要技术优势包括：内存存储 + 持久化：所有数据操作都在内存中完成，极大提升访问速度，同时支持 AOF、RDB 等持久化机制，保证数据安全可靠。丰富的数据结构：String、Hash、List、Set、SortedSet、Stream 等，适用于多种实时统计和分析需求。高并发 + 低延迟：单节点支持数万 QPS，集群模式下可线性扩展。原子操作和事务支持：可实现实时计数、去重、排行、窗口分析等复杂计算。下表对比了 Redis 与主流数据存储在实时分析场景中的关键指标：Redis 在实时分析中的最大价值，就是帮助企业突破传统数据库的性能限制，实现高并发、实时反馈的数据驱动业务。实时用户行为分析：如电商秒杀、实时 PV/UV 统计、社交媒体点赞/评论量计数。实时监控与告警：金融风控、IoT 设备状态、运维异常自动推送。实时推荐与排序：商品推荐、内容分发、广告竞价排名。实时流数据处理：如数据流窗口统计、滑动窗口、事件聚合。核心观点：Redis 的实时性和灵活性，已成为企业数字化运营不可或缺的基础能力。（搜索结果收录于 2025 年 10 月 17 日）
FAQ
滑动窗口算法相比固定窗口有什么优势？
滑动窗口能够更好地平滑流量突刺问题，避免临界点突发流量。
Redis 实现滑动窗口如何保证原子性？
使用 Lua 脚本保证增删查改的一致性和高效性。
是否支持分布式集群环境？
支持，Redis 集群模式下的滑动窗口计算具备查询数据集持久性、数据处理完整等特点。