导航：首页 > 开发技术 >

如何解决ASP.NET Core中使用漏桶算法限流的问题

发表于：2026-11-01 作者：千家信息网编辑

千家信息网最后更新 2026年11月01日，这篇文章主要介绍了如何解决ASP.NET Core中使用漏桶算法限流的问题，具有一定借鉴价值，感兴趣的朋友可以参考下，希望大家阅读完这篇文章之后大有收获，下面让小编带着大家一起了解一下。漏桶算法是限流

千家信息网最后更新 2026年11月01日如何解决ASP.NET Core中使用漏桶算法限流的问题

这篇文章主要介绍了如何解决ASP.NET Core中使用漏桶算法限流的问题，具有一定借鉴价值，感兴趣的朋友可以参考下，希望大家阅读完这篇文章之后大有收获，下面让小编带着大家一起了解一下。

漏桶算法是限流的四大主流算法之一，其应用场景各种资料中介绍的不多，一般都是说应用在网络流量控制中。这里举两个例子：

1、目前家庭上网都会限制一个固定的带宽，比如100M、200M等，一栋楼有很多的用户，那么运营商怎么保证某些用户没有使用过多的带宽，从而影响到别人呢？这时就可以使用漏桶算法，限制每个用户访问网络的最大带宽，当然实际会比这复杂很多。

2、有一个祖传接口，当时写的时候没有任何保护措施，现在访问量稍微大点就会崩溃，但是代码谁也改不动。这时候也可以用漏桶算法，把这个接口封装一下，将外部请求通过漏桶算法进行整流，再转发给这个接口，此时访问频率不会超过阈值，接口就不会崩溃了。

算法原理

说了这么多，那漏桶算法到底是怎么解决问题的呢？请看下图。

接收到请求后，先把请求放到一个漏桶中，漏桶以恒定的速率漏出请求，然后漏出的请求被处理；如果接收请求的速度过快，导致漏桶满了，则丢弃新的请求。

可以看出，漏桶算法主要是通过恒速的方式输出，给后续数据处理一个稳定的输入。这样它就能应对一定的突发流量，使系统不会因为请求量突增而导致崩溃，只不过是通过增加延迟的方式，会有那么一点浪费资源，这和令牌桶的处理方式不同，关于令牌桶算法可以看这篇文章：ASP.NET Core中使用令牌桶限流。

还有一个不常提及的好处，恒速的输出有时候也可以提升效率，比如一次允许漏出两个请求，则可以将两次处理合并为一次处理，如果每次处理都涉及到网络IO，则合并处理就有机会减少网络IO的开销。

算法实现

这里讲两种实现方法：进程内即内存漏桶算法、基于Redis的漏桶算法。

进程内即内存漏桶算法

这里在请求时计算漏出数量，没有单独的漏出处理，描述的算法稍显复杂，不过只需要增加一点耐心，也很容易理解。

先来定义几个变量：

对于漏出速率，用 [每X时间周期Y个] 来表示。X时间周期一般是若干秒、分钟、小时等时间跨度。
对于当前时间周期的开始时间用Ts表示，当前时间周期的结束时间用Te表示，当前时间用Ti表示。
对于漏桶容量，用Z来表示。
对于X时间内的所有请求数量，用N来表示。

当请求到达时，则可以按以下次序处理：

如果Ti-Ts<=X，说明还在当前时间周期内，先增加N的值：

比较N和Y，如果N<=Y，则请求无需等待，直接漏出，进入处理阶段；
如果N>Y，则比较N与Y+Z：

如果N<=Y+Z，则请求进入漏桶等待，等待时间为：(math.ceiling((N-Y)/Y)-1)*X+(Te - Ti)，等待结束后漏出，进入处理阶段；

如果N>Y+Z，则请求无法进入漏桶，只能丢弃掉，实现上就是拒绝请求；

如果Ti-Ts>X，则需要创建新的时间周期：

计算过去了几个时间周期：Pn=math.ceiling((Ti-Te)/X)；

重设Ts和Te的值：Ts=上次的Ts+Pn*X，Te=Ts+X；
计算这段时间最大可以漏出的数量：Yo=Pn*Y；
计算N的值：N= N-Yo<=0 ? 0: N-Yo；
此时符合Ti-Ts<=X，又在当前时间周期内了，再回到上边的步骤依次处理。

基于Redis的漏桶算法

基于Redis也可以实现上述的算法，只不过变量的表示方式换成了Redis KV，算法逻辑还是一样的。

这些操作逻辑可以封装在一个Lua script中，因为Lua script在Redis中执行时也是原子操作，所以Redis的限流计数在分布式部署时天然就是准确的。

应用算法

虽然业务服务中不怎么常用，这里还是以限流组件 FireflySoft.RateLimit 为例，实现ASP.NET Core中的漏桶算法限流。

1、安装Nuget包

有多种安装方式，选择自己喜欢的就行了。

包管理器命令：

Install-Package FireflySoft.RateLimit.AspNetCore

或者.NET命令:

dotnet add package FireflySoft.RateLimit.AspNetCore

或者项目文件直接添加：

2、使用中间件

在Startup中使用中间件，演示代码如下（下边会有详细说明）：

public void ConfigureServices(IServiceCollection services)        {           ...           app.AddRateLimit(new InProcessLeakyBucketAlgorithm(                new[] {                                // 三个参数：漏桶的容量、单位时间漏出的数量、漏出的单位时间                    new LeakyBucketRule(20,10, TimeSpan.FromSeconds(1))                    {                        ExtractTarget = context =>                        {                                        // 提取限流目标                            return (context as HttpContext).Request.Path.Value;                        },                        CheckRuleMatching = context =>                        {                                        // 判断当前请求是否需要限流处理                            return true;                        },                        Name="leaky bucket limit rule",                    }                })            );            ...        }public void Configure(IApplicationBuilder app, IWebHostEnvironment env)        {            ...            app.UseRateLimit();            ...        }

如上需要先注册服务，然后使用中间件。

注册服务的时候需要提供限流算法和对应的规则：

这里使用进程内漏桶算法InProcessLeakyBucketAlgorithm，还可以使用RedisLeakyBucketAlgorithm，需要传入一个Redis连接。两种算法都支持同步和异步方法。
漏桶的容量是20，单位时间漏出的数量10，漏出的单位时间是1秒。也就是说1秒漏出10个，1秒内超出10个请求就会被延迟处理，加上漏桶的容量，1秒内超出30个请求就会被限流。
ExtractTarget用于提取限流目标，这里是每个不同的请求Path，可以根据需求从当前请求中提取关键数据，然后设定各种限流目标。如果有IO请求，这里还支持对应的异步方法ExtractTargetAsync。
CheckRuleMatching用于验证当前请求是否限流，传入的对象也是当前请求，方便提取关键数据进行验证。如果有IO请求，这里还支持对应的异步方法CheckRuleMatchingAsync。
默认被限流时会返回HttpStatusCode 429，可以在AddRateLimit时使用可选参数error自定义这个值，以及Http Header和Body中的内容。

基本的使用就是上边例子中的这些了。

如果还是基于传统的.NET Framework，则需要在Application_Start中注册一个消息处理器RateLimitHandler，算法和规则部分都是共用的，具体可以看Github上的使用说明：https://github.com/bosima/FireflySoft.RateLimit

FireflySoft.RateLimit 是一个基于 .NET Standard 的限流类库，其内核简单轻巧，能够灵活应对各种需求的限流场景。

其主要特点包括：