时间窗口在限流 ，分布式 ID 的生成方面都有很多应用，这一篇主要目的是弄清楚怎么最好的实现这个功能。
时间窗口的应用很多 ： 可以用于统计和监控，也可以用于限流和流量控制，或者在指定窗口里面做实时计算，ID 生成等业务处理等
时间窗口其实由 窗口 和 滑动机制 两个部分组成。窗口只是一个规约的虚拟容器，滑动机制才是整个过程的核心。
从这个思路继续往下看，时间窗口可以分为以下几种 ：
例如 ： 第一个窗口时 1-5 秒 ，第二个窗口为 6-10 秒
例如 ： 第一个时间窗口为 1-5 秒， 第二个时间窗口为 2-6 秒
总结 ：
这两者对数据处理的形式是不同的，在实现上也会有所不同 :
滚动式的时间窗口通常把数据存放在窗口对象中 , 每一次滚动后直接把之前的窗口对象抛弃即可 ， 比较使用时间戳进行大小比较就行。 所以通常实现是：
时间窗口没有更细粒度
）
而
滑动式的时间窗口
就会稍微麻烦一点，他要
先把数据按照更细小的时间段进行统计
，
然后在更大的时间范围内汇总
（方式一 :
样本式
），或者把数据以时间为索引进行排序记录（方式二 ：
实时统计
）。但是总体来说 ， 数据和当前时间窗口是分开的。
所以说，滑动式的时间窗口更加精密，但是实现和算力要求的更高。
在滑动式里面 ，使用样本窗口可以避免反复计算，但是不适用扩展更复杂的窗口形式 （
会话窗口
）
Sentinel 实现时间窗口最核心的类为
LeapArray
。 该类会把一段时间内划分出若干个小的时间片 ，然后在这个时间片内进行数据统计。
java
复制代码
// S1 : 定义时间窗口对象 WindowWrap public class WindowWrap<T> { // ------当前窗口的时间长度 private final long windowLengthInMs; // ------当前窗口的开始时间 private long windowStart; // ------当前窗口内的数据 private T value; } // S2 : 在 LeapArray 中通过一个数组管理时间窗口 private final ReentrantLock updateLock = new ReentrantLock(); - 该数组在构造器中初始化大小 this.array = new AtomicReferenceArray<>(sampleCount); // S3 : 如何判断当前的时间窗口 public WindowWrap<T> currentWindow(long timeMillis) { // 伪代码 ： 通过取模上面的数组拿到对应的时间窗口 int idx = timeId % array.length() // 拿到当前时间窗口的起始时间 long windowStart = calculateWindowStart(timeMillis); while (true) { WindowWrap<T> old = array.get(idx); // ???? 1. 如果没有则创建新的窗口 if (old == null) { WindowWrap<T> window = new WindowWrap<T>(windowLengthInMs, windowStart, newEmptyBucket(timeMillis)); // ❓ ： CAS 比较 , 避免多线程并发的问题 if (array.compareAndSet(idx, null, window)) { return window; } } else if (windowStart == old.windowStart()) { return old; } else if (windowStart > old.windowStart()) { // ???? 2 ： 如果当前开始时间大于旧的时间窗口时间，说明已经到了下一轮时间窗口 // ❓ ： 因为数组是恒定的 ，所以一轮过后需要覆盖 if (updateLock.tryLock()) { try { return resetWindowTo(old, windowStart); } finally { updateLock.unlock(); } } } else if (windowStart < old.windowStart()) { // ???? 2 ： 说明出现了一次，不应该走这里 return new WindowWrap<T>(windowLengthInMs, windowStart, newEmptyBucket(timeMillis)); } } }
可以说这个滚动机制很简单了，就单纯的时间戳比较，核心的点在于 ： 并发的控制和数组的设计 。
这是 Sentinel 最细粒度的窗口实现代码，基于这套代码既可以实现滚动的，也可以实现滑动的。 两者的区别在于 WindowWrap 的范围设置多大 。
除了做限流，时间窗口第二大用处就是做规定时间内的数据统计，以 Flink 为例：
Flink 中就有3种时间窗口方式，基于相同时间间隔的有 ： 滚动时间窗口和滑动时间窗口 。而基于不同时间间隔的有 会话窗口（时间周期在一个会话之中）。
对于 会话窗口 ，其窗口的时间间隔是变动的 ， 时间开始时间也不是确定的。
对于会话窗口的实现和滑动时间窗口大差不差，都是数据和窗口分离开。
窗口的滚动不止在时间窗口上有体现，基于上述的代码我们能了解到，窗口的滚动无非就 比较 + 替换 。
最终归咎到就是数组的索引，那么不是时间戳也无所谓了。
那么类似的窗口又有哪些呢？
Redis 限流实现时间窗口的方式也不少，常见的方案有通过 ZSet 实现的，用过 ZSet 应该了解，这个数据类型内部会按照时间戳大小进行排序。所以也可以用来实现延时队列。
@ juejin.cn/post/701585…
数据集合 + 时间戳排序 = 时间窗口 。 妥妥的
这里聊的就是百度的分布式ID算法了，也贼有意思。
分布式ID里面有一个很重要的点在于如何避免ID在并发里面重复。百度通过一个 RingBuffer 实现。
小小看了一下，不算很深入，各位看官见谅~~~