Redis多规则限流和防重复提交思考与实践

Redis如何多规则限流和防重复提交? 市面上很多介绍redis如何实现限流的,但是大部分都有一个缺点,就是只能实现单一的限流,比如1分钟访问1次或者60分钟访问10次这种,但是如果想一个接口两种规则都需要满足呢,我们的项目又是分布式项目,应该如何解决,下面就介绍一下redis实现分布式多规则限流的方式。如何一分钟只能发送一次验证码,一小时只能发送10次验证码等等多种规则的限流。2. 使用 Zset 进行存储,解决临界值访问问题。通过以上要求设计注解(先想象出最终实现效果)如何防止接口被恶意打击(短时间内大量请求)3.1 先确定最终需要的效果。 阅读详情

👉 这是一个或许对你有用的社群

🐱 一对一交流/面试小册/简历优化/求职解惑,欢迎加入「芋道快速开发平台」知识星球。下面是星球提供的部分资料: 

f80fa3cce2e3bc2c0579ff171d6d44a1.gif

👉这是一个或许对你有用的开源项目

国产 Star 破 10w+ 的开源项目,前端包括管理后台 + 微信小程序,后端支持单体和微服务架构。

功能涵盖 RBAC 权限、SaaS 多租户、数据权限、商城、支付、工作流、大屏报表、微信公众号、CRM 等等功能:

  • Boot 仓库:https://gitee.com/zhijiantianya/ruoyi-vue-pro

  • Cloud 仓库:https://gitee.com/zhijiantianya/yudao-cloud

  • 视频教程:https://doc.iocoder.cn

【国内首批】支持 JDK 21 + SpringBoot 3.2.2、JDK 8 + Spring Boot 2.7.18 双版本 

来源:juejin.cn/post/
7298635806475386916


简介

市面上很多介绍redis如何实现限流的,但是大部分都有一个缺点,就是只能实现单一的限流,比如1分钟访问1次或者60分钟访问10次这种,但是如果想一个接口两种规则都需要满足呢,我们的项目又是分布式项目,应该如何解决,下面就介绍一下redis实现分布式多规则限流的方式。

基于 Spring Boot + MyBatis Plus + Vue & Element 实现的后台管理系统 + 用户小程序,支持 RBAC 动态权限、多租户、数据权限、工作流、三方登录、支付、短信、商城等功能

  • 项目地址:https://github.com/YunaiV/ruoyi-vue-pro

  • 视频教程:https://doc.iocoder.cn/video/

思考

  1. 如何一分钟只能发送一次验证码,一小时只能发送10次验证码等等多种规则的限流

  2. 如何防止接口被恶意打击(短时间内大量请求)

  3. 如何限制接口规定时间内访问次数

基于 Spring Cloud Alibaba + Gateway + Nacos + RocketMQ + Vue & Element 实现的后台管理系统 + 用户小程序,支持 RBAC 动态权限、多租户、数据权限、工作流、三方登录、支付、短信、商城等功能

  • 项目地址:https://github.com/YunaiV/yudao-cloud

  • 视频教程:https://doc.iocoder.cn/video/

解决方法

记录某IP访问次数

使用 String结构 记录固定时间段内某用户IP访问某接口的次数

  • RedisKey = prefix : className : methodName

  • RedisVlue = 访问次数

拦截请求:

  1. 初次访问时设置 「[RedisKey] [RedisValue=1] [规定的过期时间]」

  2. 获取 RedisValue 是否超过规定次数,超过则拦截,未超过则对 RedisKey 进行加1

分析: 规则是每分钟访问 1000 次

  1. 考虑并发问题

  • 假设目前 RedisKey => RedisValue 为 999

  • 目前大量请求进行到第一步( 获取Redis请求次数 ),那么所有线程都获取到了值为999,进行判断都未超过限定次数则不拦截,导致实际次数超过 1000 次

  • 「解决办法:」 保证方法执行原子性(加锁、lua)

  1. 考虑在临界值进行访问

  • 思考下图

84ddf28007817acd8c837bca0ab071ee.jpeg
图片

代码实现: 比较简单,参考:https://gitee.com/y_project/RuoYi-Vue/blob/master/ruoyi-framework/src/main/java/com/ruoyi/framework/aspectj/RateLimiterAspect.java``。

Zset解决临界值问题

使用 Zset 进行存储,解决临界值访问问题

4424722b84d827b861785c92eff4401b.jpeg
图片

网上几乎都有实现,这里就不过多介绍

实现多规则限流

先确定最终需要的效果
  • 能实现多种限流规则

  • 能实现防重复提交

通过以上要求设计注解(先想象出最终实现效果)

@RateLimiter(
    rules = {
            // 60秒内只能访问10次
            @RateRule(count = 10, time = 60, timeUnit = TimeUnit.SECONDS),
            // 120秒内只能访问20次
            @RateRule(count = 20, time = 120, timeUnit = TimeUnit.SECONDS)

    },
    // 防重复提交 (5秒钟只能访问1次)
    preventDuplicate = true
)
编写注解(RateLimiter,RateRule)

编写 RateLimiter 注解。

/**
 * @Description: 请求接口限制
 * @Author: yiFei
 */
@Target(ElementType.METHOD)
@Retention(RetentionPolicy.RUNTIME)
@Inherited
public @interface RateLimiter {

    /**
     * 限流key
     */
    String key() default RedisKeyConstants.RATE_LIMIT_CACHE_PREFIX;

    /**
     * 限流类型 ( 默认 Ip 模式 )
     */
    LimitTypeEnum limitType() default LimitTypeEnum.IP;

    /**
     * 错误提示
     */
    ResultCode message() default ResultCode.REQUEST_MORE_ERROR;

    /**
     * 限流规则 (规则不可变,可多规则)
     */
    RateRule[] rules() default {};

    /**
     * 防重复提交值
     */
    boolean preventDuplicate() default false;

    /**
     * 防重复提交默认值
     */
    RateRule preventDuplicateRule() default @RateRule(count = 1, time = 5);
}

编写RateRule注解

@Target(ElementType.ANNOTATION_TYPE)
@Retention(RetentionPolicy.RUNTIME)
@Inherited
public @interface RateRule {

    /**
     * 限流次数
     */
    long count() default 10;

    /**
     * 限流时间
     */
    long time() default 60;

    /**
     * 限流时间单位
     */
    TimeUnit timeUnit() default TimeUnit.SECONDS;

}
拦截注解 RateLimiter
  • 确定redis存储方式

    • RedisKey = prefix : className : methodName

    • RedisScore = 时间戳

    • RedisValue = 任意分布式不重复的值即可

  • 编写生成 RedisKey 的方法

/**
 * 通过 rateLimiter 和 joinPoint 拼接  prefix : ip / userId : classSimpleName - methodName
 *
 * @param rateLimiter 提供 prefix
 * @param joinPoint   提供 classSimpleName : methodName
 * @return
 */
public String getCombineKey(RateLimiter rateLimiter, JoinPoint joinPoint) {
    StringBuffer key = new StringBuffer(rateLimiter.key());
    // 不同限流类型使用不同的前缀
    switch (rateLimiter.limitType()) {
        // XXX 可以新增通过参数指定参数进行限流
        case IP:
            key.append(IpUtil.getIpAddr(((ServletRequestAttributes) Objects.requireNonNull(RequestContextHolder.getRequestAttributes())).getRequest())).append(":");
            break;
        case USER_ID:
            SysUserDetails user = SecurityUtil.getUser();
            if (!ObjectUtils.isEmpty(user)) key.append(user.getUserId()).append(":");
            break;
        case GLOBAL:
            break;
    }
    MethodSignature signature = (MethodSignature) joinPoint.getSignature();
    Method method = signature.getMethod();
    Class<?> targetClass = method.getDeclaringClass();
    key.append(targetClass.getSimpleName()).append("-").append(method.getName());
    return key.toString();
}

编写lua脚本

编写lua脚本 (两种将时间添加到Redis的方法)。

Zset的UUID value值

UUID(可用其他有相同的特性的值)为Zset中的value值

  • 参数介绍

    • KEYS[1] = prefix : ? : className : methodName

    • KEYS[2] = 唯一ID

    • KEYS[3] = 当前时间

    • ARGV = [次数,单位时间,次数,单位时间, 次数, 单位时间 ...]

  • 由java传入分布式不重复的 value 值

-- 1. 获取参数
local key = KEYS[1]
local uuid = KEYS[2]
local currentTime = tonumber(KEYS[3])
-- 2. 以数组最大值为 ttl 最大值
local expireTime = -1;
-- 3. 遍历数组查看是否超过限流规则
for i = 1, #ARGV, 2 do
    local rateRuleCount = tonumber(ARGV[i])
    local rateRuleTime = tonumber(ARGV[i + 1])
    -- 3.1 判断在单位时间内访问次数
    local count = redis.call('ZCOUNT', key, currentTime - rateRuleTime, currentTime)
    -- 3.2 判断是否超过规定次数
    if tonumber(count) >= rateRuleCount then
        return true
    end
    -- 3.3 判断元素最大值,设置为最终过期时间
    if rateRuleTime > expireTime then
        expireTime = rateRuleTime
    end
end
-- 4. redis 中添加当前时间
redis.call('ZADD', key, currentTime, uuid)
-- 5. 更新缓存过期时间
redis.call('PEXPIRE', key, expireTime)
-- 6. 删除最大时间限度之前的数据,防止数据过多
redis.call('ZREMRANGEBYSCORE', key, 0, currentTime - expireTime)
return false
根据时间戳作为Zset中的value值
  • 参数介绍

    • KEYS[1] = prefix : ? : className : methodName

    • KEYS[2] = 当前时间

    • ARGV = [次数,单位时间,次数,单位时间, 次数, 单位时间 ...]

  • 根据时间进行生成value值,考虑同一毫秒添加相同时间值问题

    • 以下为第二种实现方式,在并发高的情况下效率低,value是通过时间戳进行添加,但是访问量大的话会使得一直在调用 redis.call('ZADD', key, currentTime, currentTime),但是在不冲突value的情况下,会比生成 UUID 好

-- 1. 获取参数
local key = KEYS[1]
local currentTime = KEYS[2]
-- 2. 以数组最大值为 ttl 最大值
local expireTime = -1;
-- 3. 遍历数组查看是否越界
for i = 1, #ARGV, 2 do
    local rateRuleCount = tonumber(ARGV[i])
    local rateRuleTime = tonumber(ARGV[i + 1])
    -- 3.1 判断在单位时间内访问次数
    local count = redis.call('ZCOUNT', key, currentTime - rateRuleTime, currentTime)
    -- 3.2 判断是否超过规定次数
    if tonumber(count) >= rateRuleCount then
        return true
    end
    -- 3.3 判断元素最大值,设置为最终过期时间
    if rateRuleTime > expireTime then
        expireTime = rateRuleTime
    end
end
-- 4. 更新缓存过期时间
redis.call('PEXPIRE', key, expireTime)
-- 5. 删除最大时间限度之前的数据,防止数据过多
redis.call('ZREMRANGEBYSCORE', key, 0, currentTime - expireTime)
-- 6. redis 中添加当前时间  ( 解决多个线程在同一毫秒添加相同 value 导致 Redis 漏记的问题 )
-- 6.1 maxRetries 最大重试次数 retries 重试次数
local maxRetries = 5
local retries = 0
while true do
    local result = redis.call('ZADD', key, currentTime, currentTime)
    if result == 1 then
        -- 6.2 添加成功则跳出循环
        break
    else
        -- 6.3 未添加成功则 value + 1 再次进行尝试
        retries = retries + 1
        if retries >= maxRetries then
            -- 6.4 超过最大尝试次数 采用添加随机数策略
            local random_value = math.random(1, 1000)
            currentTime = currentTime + random_value
        else
            currentTime = currentTime + 1
        end
    end
end

return false
编写 AOP 拦截
@Autowired
private RedisTemplate<String, Object> redisTemplate;

@Autowired
private RedisScript<Boolean> limitScript;

/**
 * 限流
 * XXX 对限流要求比较高,可以使用在 Redis中对规则进行存储校验 或者使用中间件
 *
 * @param joinPoint   joinPoint
 * @param rateLimiter 限流注解
 */
@Before(value = "@annotation(rateLimiter)")
public void boBefore(JoinPoint joinPoint, RateLimiter rateLimiter) {
    // 1. 生成 key
    String key = getCombineKey(rateLimiter, joinPoint);
    try {
        // 2. 执行脚本返回是否限流
        Boolean flag = redisTemplate.execute(limitScript,
                ListUtil.of(key, String.valueOf(System.currentTimeMillis())),
                (Object[]) getRules(rateLimiter));
        // 3. 判断是否限流
        if (Boolean.TRUE.equals(flag)) {
            log.error("ip: '{}' 拦截到一个请求 RedisKey: '{}'",
                    IpUtil.getIpAddr(((ServletRequestAttributes) Objects.requireNonNull(RequestContextHolder.getRequestAttributes())).getRequest()),
                    key);
            throw new ServiceException(rateLimiter.message());
        }
    } catch (ServiceException e) {
        throw e;
    } catch (Exception e) {
        e.printStackTrace();
    }
}

/**
 * 获取规则
 *
 * @param rateLimiter 获取其中规则信息
 * @return
 */
private Long[] getRules(RateLimiter rateLimiter) {
    int capacity = rateLimiter.rules().length << 1;
    // 1. 构建 args
    Long[] args = new Long[rateLimiter.preventDuplicate() ? capacity + 2 : capacity];
    // 3. 记录数组元素
    int index = 0;
    // 2. 判断是否需要添加防重复提交到redis进行校验
    if (rateLimiter.preventDuplicate()) {
        RateRule preventRateRule = rateLimiter.preventDuplicateRule();
        args[index++] = preventRateRule.count();
        args[index++] = preventRateRule.timeUnit().toMillis(preventRateRule.time());
    }
    RateRule[] rules = rateLimiter.rules();
    for (RateRule rule : rules) {
        args[index++] = rule.count();
        args[index++] = rule.timeUnit().toMillis(rule.time());
    }
    return args;
}

以上,欢迎大家提出意见。


欢迎加入我的知识星球,全面提升技术能力。

👉 加入方式,“长按”或“扫描”下方二维码噢:

088e2635b72db674a713d0e0ced693cf.png

星球的内容包括:项目实战、面试招聘、源码解析、学习路线。

a0f2215fa816edb2c03f747cd3cb784d.png

d0adadde679fbc07c338180238f52285.png17d80becce3d6b94155e094cd26c4856.png11fe305efd6ca5da5a4ef1c1be2616ec.pnga507c87f060aa754a845227b7ef8c977.png

文章有帮助的话,在看,转发吧。
谢谢支持哟 (*^__^*)
基于 国产USRP B210 的通信+侦测+干扰三合一实验平台,解锁无线攻防全场景! 在当代复杂电磁环境与多样化通信需求并存的背景下,软件定义无线电(SDR)技术正展现出前所未有的系统灵活性与功能可重构性。由两台USRP-LW B210软件无线电设备模拟无线链路通信过程,能够模拟多种无线通信信号传输及图像传输场景,适用于通信协议验证、抗干扰测试及教学实验。,支持"通信-侦测-干扰-优化"的闭环实验流程,为无线通信领域的教学科研与工程应用提供了一套经济高效、功能完备的解决方案。系统可对通信链路信号进行快速、自动化侦测、识别、告警,并支持多种干扰信号生成、模式切换及效果评估功能。 阅读详情

相关推荐

CUDA编译踩坑实录:如何正确设置-gencode参数适配你的GPU算力

本文深入解析CUDA编译中-gencode参数的核心原理与实战配置,帮助开发者解决常见的'Unsupported gpu architecture'错误。通过厘清虚拟架构与真实架构的区别,并提供多版本兼容的CMake配置方案,确保编译出的代码能精准适配不同GPU算力,兼顾性能与广泛兼容性。

weixin_28829903的博客 339

高并发场景:redis+lua防重校验

不过该说不说还是得开搞,所谓的并发无非就是要想办法减少io的操作,尽量少查表,其余配置方面的问题就看公司舍不舍得花钱了。注意:真实下单操作是分为了订单前置操作 (前置校验和生成防重令牌)和提交订单两个接口来写的,这里为了测试简单合并了。最近公司有个商城项目说要30分钟达到1亿的并发量。当时听到突然猛了一下。其中防重校验这一部分选用了redis集合lua来做,来防止多次提交。

爪哇人的博客 1104

华为鸿蒙系统也能用!5分钟搞定谷歌三件套安装(附最新APK下载链接)

本文为华为鸿蒙系统用户提供了一份详尽的谷歌三件套(Google Play服务、商店及框架)手动安装指南。文章核心在于无需Root,通过ADB命令获取设备信息,并从可靠来源下载匹配版本的APK,按照正确顺序安装,从而解决海外应用依赖问题,实现5分钟快速部署。

c7d8e9的博客 6592

使用Redis控制表单重复提交和控制接口访问频率

防重提交有很多方案,从前端的按钮置灰,到后端synchronize锁、Lock锁、借助Redis语法实现简单锁、Redis+Lua分布式锁、Redisson分布式锁,再到DB的悲观锁、乐观锁、借助表唯一索引等等都可以实现防重提交,以保证数据的安全性。这篇文章我们介绍其中一种方案–,最终实现防重提交。

WLQ0621的博客 1235

【强化学习的数学原理-赵世钰】课程笔记(一)基本概念

在B站上学习强化学习的课程笔记,笔记非常详细清晰,会持续更新

qq_64671439的博客 1万+

Windows 上安装 Everything:快速查找电脑上的文件

windows 快速查找文件

jhgj56的博客 1523

Redis 多规则限流和防重复提交方案实现

???? 这是一个或许对你有用的社群???? 一对一交流/面试小册/简历优化/求职解惑,欢迎加入「芋道快速开发平台」知识星球。下面是星球提供的部分资料:《项目实战(视频)》:从书中学,往事上“练”《互联网高频面试题》:面朝简历学习,春暖花开《架构 x 系统设计》:摧枯拉朽,掌控面试高频场景题《精进 Java 学习指南》:系统学习,互联网主流技术栈《必读 Java 源码专栏》:知其然,知其所以然????这是一个或许...

芋艿V 216

从T型结到Wilkinson:5分钟搞懂功分器选型指南(附最新射频测试数据对比)

本文通过对比T型结、电阻型和Wilkinson三种功分器的核心原理与实测数据,提供了清晰的射频功分器选型指南。文章结合最新的2.4GHz ISM频段测试数据,分析了插入损耗、回波损耗和端口隔离度等关键指标,并针对窄带物联网、射频测试及合成系统等不同应用场景,给出了具体的选型建议和实战提醒,帮助工程师根据系统需求做出最优决策。

bush的博客 308

基于Redis+lua 防止用户请求重复提交

package com.example.prevent.controller; import com.google.common.collect.Lists; import org.springframework.beans.factory.annotation.Autowired; import org.springframework.data.redis.core.StringRedisTemplate; import org.springframework.data.redis.core.scri.

Dream_it_possible!的博客 1491

YOLO26 实例分割技术:Mask 分支与特征融合

YOLO26实例分割技术研究摘要:本文提出了一种基于YOLO架构的高效实例分割方法,通过创新设计Mask分支和特征融合策略解决像素级分割精度、多尺度目标处理等挑战。系统采用共享Backbone提取特征,检测分支输出边界框和类别,Mask分支生成原型Mask和组合系数。核心创新包括:1)原型Mask生成与线性组合机制;2)检测与Mask特征共享;3)结合BCE和Dice的多任务损失函数。实验表明该方法在保持实时性的同时实现了高质量分割,为轻量级实例分割提供了新思路。

一键难忘的博客 251

Python 中 dpkt 库的详细使用指南(强大的 Python 数据包解析库)

dpkt 是一个功能强大的 Python 网络数据包解析库,支持解析和构造以太网、IP、TCP/UDP 等多种协议的数据包。其核心功能包括解析各层协议头部、读写 pcap 文件、构造自定义数据包及分析 HTTP 流量等。dpkt 提供简单易用的 API,适用于网络分析、安全研究和流量监控场景。优化技巧包括数据包过滤、批量处理和选择性解析以提高性能,常见问题如数据不完整或协议识别错误可通过异常处理和字段验证解决。典型应用场景涵盖协议分析、网络调试和自定义数据包生成。

数据知道的博客 1万+

限流 VS 重复提交

相同点 针对请求做限制 不同点 一、概念不同 限流:API请求流量的限制 重复提交:用户提交重复内容的限制 二、维度不同 限流:一般针对IP、合作账号,粒度较大 重复提交:针对用户,细粒度 三、解决/实现方式不同 限流:令牌桶算法、漏桶算法 重复提交:Token令牌、...

399

高级电机控制场景实例:基于Simulink的永磁同步电机基于Luenberger观测器的弱磁控制仿真

本文基于Simulink实现表贴式永磁同步电机(SPMSM)的Luenberger观测器弱磁控制仿真,通过构建“观测-弱磁-控制”协同逻辑,突破传统矢量控制的基速限制。利用线性化模型设计观测器实时估计电流与磁链,结合电压极限约束动态注入负d轴电流,实现转速扩展至12000rpm(4倍基速),弱磁区电流THD低于3%,动态响应时间小于5ms,验证了高速运行下系统稳定性与鲁棒性。附完整建模步骤、MATLAB函数代码及性能分析,适用于电动汽车、机床等高速驱动场景,为高级电机控制提供可复现的技术范式。

amy_mhd的博客 33

Redis 实现多规则限流的思考与实践

hello,大家好,我是张张,「架构精进之路」公号作者。简介市面上很多介绍redis如何实现限流的,但是大部分都有一个缺点,就是只能实现单一的限流,比如1分钟访问1次或者60分钟访问10次这种,但是如果想一个接口两种规则都需要满足呢,我们的项目又是分布式项目,应该如何解决,下面就介绍一下redis实现分布式多规则限流的方式。思考如何一分钟只能发送一次验证码,一小时只能发送10次验证码等等多种规则的...

架构精进之路 303

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

SpringBoot接口防刷与限流实战:从原理到Redis+AOP实现

在分布式系统与高并发场景下,接口限流是保障服务稳定性的核心技术之一。其核心原理是通过控制单位时间内的请求数量,防止突发流量压垮系统资源。从技术价值看,有效的限流能够避免服务雪崩、保障核心业务,并提升系统整体的可用性与健壮性。常见的应用场景包括登录防暴力破解、秒杀活动、API调用配额管理等。为实现分布式环境下的精准控制,通常需借助Redis等高性能缓存存储计数状态,并结合AOP(面向切面编程)实现无侵入式的统一拦截。本文以SpringBoot项目为例,深入探讨了如何整合Redis与自定义注解,构建一套可应对接

weixin_33802505的博客 389

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

第十一课:接口质量工程 —— 参数校验、幂等、防重、版本控制

《接口工程:对抗混乱现实的四大防线》摘要 本文系统阐述了构建高质量接口系统的核心工程思维。接口质量不仅要求功能正确,更需要建立四大工程防线:1)参数校验作为第一道门,需建立完整的接口契约;2)幂等设计是应对重复请求的核心能力;3)防重防刷机制抵御恶意与误操作;4)版本控制保障系统演进能力。文章强调从"功能正确"转向"工程正确"的思维转变,通过参数校验、幂等处理、防刷机制和版本控制等工程手段,使接口系统能够应对真实世界的重复请求、网络抖动、恶意攻击和版本演进等挑战,最终

Mark Wu 的博客 902

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

JMeter与Sentinel实战:秒杀系统性能压测与精准限流方案

在高并发系统架构中,性能测试与流量控制是保障服务稳定性的核心技术。性能测试通过模拟真实用户负载,精准定位系统瓶颈,如数据库连接池耗尽、缓存响应延迟或线程池满等典型问题。其技术价值在于将性能问题从定性猜测转变为定量分析,为容量规划与优化提供数据支撑。流量控制则基于实时监控与动态规则,对超出系统处理能力的请求进行限制或降级,防止级联故障,确保核心业务可用。在电商秒杀、大促活动等高并发场景下,结合JMeter进行阶梯式压力测试,并利用Sentinel配置QPS限流与热点参数限流,可构建从问题发现到防护实施的完整闭

diaohong5075的博客 422

ASP.NET Core集成阿里云短信验证码:从API调用到安全防刷实战

短信验证码是现代Web应用中用户身份验证的核心机制之一,它基于一次性密码(OTP)原理,通过向用户注册手机发送动态数字码来确认操作者身份,有效提升了账户安全性。其技术价值在于以较低成本实现了双因素认证,防止密码泄露导致的账户被盗。在用户注册、登录、支付确认等关键业务场景中广泛应用。本文以阿里云短信服务为例,深入探讨了在ASP.NET Core项目中如何通过HttpClientFactory高效、安全地集成第三方短信API,并构建包含验证码生成、Redis存储、校验及多层防刷限流策略的完整后端体系。文中详细解

weixin_34364071的博客 388

Spring Boot接口限流实战:从单机到分布式,应对高并发面试与系统保护

在分布式系统与高并发场景下,接口限流是保障服务稳定性的核心技术之一。其核心原理是通过算法控制单位时间内的请求流量,防止突发流量压垮系统,从而保护服务可用性。从技术价值看,限流不仅是系统保护的“保险丝”,更是实现服务降级、熔断等弹性架构的基础。常见的应用场景包括秒杀活动、API开放平台、核心交易链路等,用以平衡系统负载与用户体验。本文聚焦于令牌桶、滑动窗口等主流算法,并结合Spring Boot生态,详细演示如何通过注解驱动快速整合轻量级限流组件,并深入探讨如何利用Redis实现分布式限流,以解决微服务架构下

weixin_34269583的博客 401

SpringBoot+Vue商城实战:从零搭建一个高并发秒杀系统(附Redis防超卖代码)

本文详细介绍了如何从零开始,使用SpringBoot和Vue技术栈构建一个高并发、高可用的秒杀系统。文章聚焦于解决电商核心场景下的库存一致性难题,重点剖析了利用Redis实现原子库存扣减、分布式锁防超卖、异步下单以及订单状态管理等关键技术方案,并提供了可复用的核心代码,帮助开发者打造能写进简历的实战项目。

weixin_28335283的博客 390

Spring Boot接口防护框架Guardian核心功能解析

在分布式系统架构中,接口安全防护是保障系统稳定性的关键技术。通过限流算法(如令牌桶、漏桶)和幂等设计可有效应对高并发场景,而请求指纹识别和黑名单机制则能防范恶意攻击。Guardian框架将这些防护能力封装为轻量级解决方案,其86KB的核心模块集成了防重提交、智能流量控制等六大功能,采用注解驱动方式显著降低使用门槛。该框架特别适合电商、金融等需要处理敏感操作的领域,实测可拦截90%的重复请求并将幂等校验耗时控制在5ms内,是Spring Boot开发者提升API安全性的高效工具。

weixin_29587015的博客 312

高并发系统稳定性实战:限流与排队机制全链路压测剖析

在分布式系统与微服务架构中,高并发流量管控是保障服务稳定性的核心技术。其核心原理在于通过预设规则对超出系统处理能力的请求进行控制,避免资源耗尽导致服务雪崩。这项技术的核心价值在于,它能在有限的硬件资源下,最大化系统的吞吐能力,并确保核心业务链路的可用性。典型的应用场景包括电商秒杀、API网关、聚合中台等瞬时流量激增的业务。本文以一次真实的聚合平台压测为例,深入探讨了限流与排层的具体实现。其中,重点解析了 Sentinel 的限流实现原理,包括其滑动时间窗口算法,并针对大规模集群场景,探讨了 Sentinel

weixin_33795093的博客 433

从零到一实战:用Redisson给高并发API网关装上分布式限流阀门

你的接口在大促、秒杀或者被恶意刷量的时候,是不是经常出现响应变慢、CPU飙升、数据库连接被占满,最后整条链路雪崩的情况?问题往往不是代码写得不好,而是入口缺少一道"流量阀门"。Redisson 作为 Redis/Valkey 的 Java 客户端,内置了开箱即用的分布式限流器,不需要你引入额外的中间件,就能在 API 网关这一层精准控制放行速率。本文不绕弯子,从底层原理讲到网关落地,手把手带你把

gitblog_00157的博客 451

基于Spring Boot与MySQL的在线票务系统设计与高并发防超卖实现

在分布式系统与高并发场景下,保证数据一致性是后端架构设计的核心挑战之一。其基本原理通常涉及数据库事务、锁机制以及缓存策略,以确保在多个请求同时操作共享资源时,系统状态依然正确。这一技术价值在电商、票务等涉及库存扣减的业务中尤为突出,直接关系到用户体验与商业利益。典型的应用场景包括秒杀活动、在线选座等瞬时高流量业务。本文以在线票务预订系统为具体案例,深入探讨了如何利用数据库乐观锁实现库存的准确扣减,并结合Redis缓存预热与消息队列解耦,构建一个能够应对高并发请求的可靠解决方案。

weixin_33910385的博客 348
上一篇: SpringBoot 引入 liteflow 规则引擎,太香了!
下一篇: 百亿级推送系统的容灾建设与实践
公众号-芋道源码
博客等级 码龄10年 1639粉丝 377原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值