Strategia licznika przesuwnego okna
Poznaj Sliding Window Counter — bardziej oszczędne pamięciowo podejście, które w praktyce przybliża działanie metody logu.
Strategia licznika przesuwnego okna to bezpłatna lekcja API Rate Limiting & Scalability Patterns na CoddyKit. To lekcja 2 z 4. Możesz przeczytać całą lekcję poniżej za darmo — a potem ćwiczyć ją interaktywnie w przeglądarce z wbudowanym edytorem kodu i tutorem AI dostępnym 24/7. To część ścieżki edukacyjnej API Rate Limiting & Scalability Patterns, a Twój postęp synchronizuje się między webem a aplikacją CoddyKit. Kurs API Rate Limiting & Scalability Patterns zawiera 4 lekcji w sumie.
Części tej lekcji nie zostały jeszcze przetłumaczone i są wyświetlane po angielsku.
Intro to Sliding Window Counter
Welcome to our lesson on the Sliding Window Counter (SWC) algorithm!
This algorithm is a clever way to implement rate limiting. It aims to offer better accuracy than the simple Fixed Window Counter, while being more memory-efficient than the precise Sliding Window Log.
Fixed Window's Flaw
Recall that the Fixed Window Counter can suffer from a 'burst' problem. If a user makes requests right at the end of one window and then again right at the start of the next, they can effectively double their allowed requests in a short period.
The Sliding Window Counter helps to mitigate this issue.
The Core Idea: Blending Windows
Instead of just looking at the current fixed window, SWC looks at two fixed windows:
- The current window.
- The previous window.
It then combines their counts using a weighted average to estimate the true request rate over a 'sliding' period.
How the 'Slide' Happens
The 'sliding' effect comes from how we weight the previous window's count. We calculate an overlap percentage based on how far we are into the current window.
For example, if our window size is 60 seconds and we are 30 seconds into the current window, 50% of the previous window is still 'relevant' to our current sliding view.
Components for Calculation
To apply the Sliding Window Counter, you need to track a few pieces of information:
- The total request count for the previous fixed window.
- The total request count for the current fixed window.
- The current timestamp (to determine how far into the current window we are).
- The defined window size (e.g., 60 seconds, 1 minute).
SWC in Action: Scenario
Let's use an example:
- Rate Limit: 10 requests per minute.
- Current Time: 30 seconds into the current minute.
- Previous Minute's Count: 8 requests.
- Current Minute's Count: 3 requests so far.
How many requests have we 'used' in our sliding window?
Step-by-Step Calculation
Here's how we calculate the estimated count:
- Overlap Percentage: We are 30 seconds into a 60-second window, so 30/60 = 0.5 (or 50%).
- Weighted Previous Count: The previous window's count (8) is weighted by
(1 - overlap percentage). So,8 * (1 - 0.5) = 8 * 0.5 = 4. - Estimated Total: Add the weighted previous count to the current count:
4 (weighted prev) + 3 (current) = 7.
So, 7 requests are estimated, leaving 3 requests remaining.
Implementing SWC Logic
This simple Java code snippet demonstrates how to calculate the estimated request count based on the current state of two windows.
Try running it to see the calculation in action!
public class RateLimitCalculator {
public static double calculateEstimatedRequests(
int previousWindowCount,
int currentWindowCount,
long timeElapsedInCurrentWindowMillis,
long windowSizeMillis) {
double overlapPercentage = (double) timeElapsedInCurrentWindowMillis / windowSizeMillis;
// The core Sliding Window Counter calculation
// It weights the previous window's count based on the *overlap*
// and adds it to the current window's count.
double estimatedCount = previousWindowCount * (1 - overlapPercentage) + currentWindowCount;
return estimatedCount;
}
public static void main(String[] args) {
int maxRequestsPerMinute = 10;
long windowSizeMillis = 60 * 1000; // 1 minute
// Scenario: 30 seconds into the current minute
long timeElapsed = 30 * 1000;
// Previous minute had 8 requests
int prevCount = 8;
// Current minute has 3 requests so far
int currentCount = 3;
double estimated = calculateEstimatedRequests(
prevCount,
currentCount,
timeElapsed,
windowSizeMillis
);
System.out.println("Prev count: " + prevCount);
System.out.println("Current count: " + currentCount);
System.out.println("Elapsed in window: " + (timeElapsed / 1000) + "s");
System.out.println("Window size: " + (windowSizeMillis / 1000) + "s");
System.out.println("\nEstimated requests: " + String.format("%.2f", estimated));
if (estimated < maxRequestsPerMinute) {
System.out.println("Request would likely be allowed.");
} else {
System.out.println("Request would likely be denied.");
}
}
}SWC's Key Benefits
The Sliding Window Counter offers several advantages:
- Improved Accuracy: It provides a better approximation of the true rate than Fixed Window, especially around window boundaries.
- Memory Efficiency: Unlike Sliding Window Log, it doesn't need to store every request timestamp, making it less demanding on memory.
- Better Burst Handling: It reduces the chance of allowing excessive bursts compared to the Fixed Window algorithm.
SWC: Approximation, Not Perfect
While powerful, the Sliding Window Counter is still an approximation. It's not perfectly accurate like the Sliding Window Log.
It can still allow slight overages at window boundaries, though significantly less than a purely Fixed Window approach. For high-precision requirements, the Sliding Window Log might still be preferred, if memory allows.
Quick Check on SWC
Let's test your understanding of the Sliding Window Counter calculation!
Recap & What's Next
Great job! You've learned about the Sliding Window Counter algorithm.
- It combines counts from two fixed windows to approximate a sliding window.
- It's more accurate than Fixed Window and more memory-efficient than Sliding Window Log.
- It calculates an estimated count using an overlap percentage.
Next, we'll compare all the algorithms you've learned to understand their trade-offs.
Często zadawane pytania
Czy lekcja „Strategia licznika przesuwnego okna” jest bezpłatna?
Tak — pełny tekst „Strategia licznika przesuwnego okna” jest dostępny za darmo tutaj w sieci. Aby ćwiczyć ją interaktywnie (wbudowany edytor kodu i tutor AI dostępny 24/7) i odblokować resztę kursu API Rate Limiting & Scalability Patterns, przejdź na CoddyKit PRO. Kurs API Rate Limiting & Scalability Patterns zawiera 4 lekcji w sumie.
Co nauczysz się w „Strategia licznika przesuwnego okna”?
Poznaj Sliding Window Counter — bardziej oszczędne pamięciowo podejście, które w praktyce przybliża działanie metody logu. Ćwiczysz API Rate Limiting & Scalability Patterns z praktycznym kodem, który uruchamiasz bezpośrednio w przeglądarce, a tutor AI dostępny 24/7 odpowiada na Twoje pytania podczas pracy nad lekcją.
Czy potrzebuję doświadczenia, aby zacząć API Rate Limiting & Scalability Patterns?
Nie wymagamy żadnego doświadczenia. API Rate Limiting & Scalability Patterns w CoddyKit jest strukturyzowany dla początkujących i zaawansowanych użytkowników, więc możesz zacząć tutaj lub od początku i uczyć się w swoim tempie. To lekcja 2 z 4.
Ile czasu zajmuje lekcja „Strategia licznika przesuwnego okna”?
Większość lekcji CoddyKit trwa około 5–10 minut. Każda lekcja to mały, interaktywny krok, dzięki czemu robisz systematyczne postępy i zawsze wracasz dokładnie do tego samego miejsca — na webie i w aplikacji.
Czy mogę pisać i uruchamiać kod w tej lekcji API Rate Limiting & Scalability Patterns?
Tak. Każda lekcja API Rate Limiting & Scalability Patterns zawiera wbudowany edytor kodu, więc piszesz i uruchamiasz prawdziwy kod bezpośrednio w przeglądarce i od razu otrzymujesz sprzężenie zwrotne od AI — bez konfiguracji na komputerze.
Wszystkie lekcje w tym kursie
- Implementacja logu przesuwnego okna
- Strategia licznika przesuwnego okna
- Porównanie algorytmów i kompromisy
- Przesuwne okno z uporządkowanymi zbiorami w Redis