基于 Go 语言设计的一款高精度 QPS 统计系统，适用于高并发场景的实时请求频率统计，支持百万级 QPS 场景下的精确统计。
mantis · 2 天前 · 1387 次点击高精度 QPS 统计系统，适用于高并发场景的实时请求频率统计。基于 Go 语言实现的高性能计数器，支持百万级 QPS 场景下的精确统计。
✨ 核心特性
- 🚀 双引擎架构（ Lock-Free/Sharded ），支持百万级 QPS 实时统计
- 🔄 智能分片策略（基于 CPU 核心数的动态分片，10 秒间隔 QPS 监控）
- ⚡ 时间窗口滑动算法（ 1s 窗口，100ms 精度）
- 🧠 自适应负载均衡（ QPS 变化率超 30%自动调整）
- 🛡️ 增强的优雅关闭机制（请求完整性保障，超时控制，强制关闭）
- 🔒 令牌桶限流保护（可动态调整速率，支持突发流量，自适应限流）
- 📊 Prometheus 监控集成（ QPS 、内存、CPU 、请求延迟等指标）
- ✅ 健康检查端点支持（/healthz ）
- 📈 资源使用监控指标（内存阈值自适应，自动分片调整）
- ⚙️ 高性能设计（原子操作、细粒度锁、请求计数与统计）
- 🌐 HTTP 服务器双模式支持（标准 net/http 和高性能 fasthttp ）
🏗 架构设计
+-------------------+ +-----------------------+
| HTTP Server | ⇒ | Adaptive Sharding |
| (net/http,fasthttp)| +-----------------------+
+-------------------+
↓ ↓
+---------------+ +------------------------+
| Lock-Free 引擎 | | Sharded 计数器集群 |
| (CAS 原子操作) | | (动态分片) |
+---------------+ +------------------------+
⇓
+------------------------------------------------+
| 动态分片管理器 |
| • 10 秒间隔监控 QPS 变化率（±30%触发调整） |
| • 分片数自动伸缩（最小 CPU 核心数，最大 CPU 核心数*8 ）|
| • 内存使用监控（自动调整分片以优化内存使用） |
+------------------------------------------------+
⇓
+------------------+ +------------------+ +------------------+
| 限流保护层 | | 监控指标层 | | 优雅关闭机制 |
| (令牌桶+自适应) | | (Prometheus 集成) | | (请求完整性保障) |
+------------------+ +------------------+ +------------------+
🔍 技术实现
Lock-Free 引擎
基于原子操作（ CAS ）实现的无锁计数器，适用于中等流量场景：
- 使用
atomic.Int64实现无锁计数，避免高并发下的锁竞争 - 时间窗口滑动算法，保证统计精度和实时性
- 自动清理过期数据，避免内存泄漏
Sharded 计数器
分片设计的高性能计数器，适用于超高并发场景：
- 基于 CPU 核心数的自动分片，默认为
runtime.NumCPU() * 4 - 细粒度锁设计，每个时间槽独立锁，最大化并行性
- 哈希算法确保请求均匀分布到各分片
自适应分片管理
- 实时监控 QPS 变化率，当变化超过±30%时触发分片调整
- 增长时增加 50%分片数，下降时减少 30%分片数
- 分片数范围控制在 CPU 核心数到 CPU 核心数*8 之间，避免资源浪费
- 内存使用监控，当接近阈值时自动调整分片数量
- 综合考量 QPS 变化率(60%)和内存使用情况(40%)进行智能调整
令牌桶限流器
- 基于令牌桶算法实现高效限流，支持突发流量处理
- 动态调整限流速率，适应系统负载变化
- 自适应限流模式，根据系统资源使用情况自动调整限流参数
- 精确统计被拒绝请求，提供限流指标监控
监控指标系统
- 集成 Prometheus ，提供丰富的系统运行指标
- 实时监控 QPS 、内存使用、CPU 使用率、Goroutine 数量
- 请求延迟分布统计，支持 P99 等性能分析
- 可配置的指标收集间隔，优化性能与精度平衡
增强的优雅关闭机制
- 请求完整性保障，确保进行中的请求能够完成处理
- 多级超时控制，包括软超时和硬超时机制
- 实时状态报告，提供关闭过程的可观测性
- 强制关闭保护，防止系统长时间无法退出
⚙️ 配置说明
server:
port: 8080
read_timeout: 5s
write_timeout: 10s
server_type: fasthttp # HTTP 服务器类型（ standard/fasthttp ）
counter:
type: "lockfree" # 计数器类型（ lockfree/sharded ）
window_size: 1s # 统计时间窗口
slot_num: 10 # 窗口分片数量
precision: 100ms # 统计精度
limiter:
enabled: true # 是否启用限流
rate: 1000000 # 每秒允许的请求数
burst: 10000 # 突发请求容量
adaptive: true # 是否启用自适应限流
metrics:
enabled: true # 是否启用指标收集
interval: 5s # 指标收集间隔
endpoint: "/metrics" # 指标暴露端点
shutdown:
timeout: 30s # 优雅关闭超时时间
max_wait: 60s # 最大等待时间
logger:
level: info
format: json
file_path: "/var/log/qps-counter/app.log"
max_size: 100
max_backups: 3
max_age: 7
📈 性能指标
| 服务器类型 | 并发量 | 平均延迟 | P99 延迟 | QPS |
|---|---|---|---|---|
| standard | 10k | 1.8ms | 4.5ms | 850k |
| fasthttp | 10k | 1.2ms | 3.5ms | 950k |
高负载场景测试结果： | 服务器类型 | 并发量 | 平均延迟 | P99 延迟 | QPS | |------------|--------|---------|--------|--------| | standard | 100k | 2.5ms | 6.5ms | 1.05M | | fasthttp | 100k | 1.2ms | 3.5ms | 1.23M |
🚀 快速开始
安装
go get github.com/mant7s/qps-counter
基本使用
package main
import (
"github.com/mant7s/qps-counter/counter"
"log"
)
func main() {
// 创建计数器实例
cfg := counter.DefaultConfig()
counter, err := counter.NewCounter(cfg)
if err != nil {
log.Fatal(err)
}
// 增加计数
counter.Increment()
// 获取当前 QPS
qps := counter.GetQPS()
log.Printf("Current QPS: %d", qps)
}
📊 监控指标
系统通过/metrics端点暴露 Prometheus 格式的监控指标：
qps_counter_requests_total: 总请求计数qps_counter_current_qps: 当前 QPS 值qps_counter_memory_usage_bytes: 内存使用量qps_counter_cpu_usage_percent: CPU 使用率qps_counter_goroutines: Goroutine 数量qps_counter_request_duration_seconds: 请求处理时间分布
🛠 开发指南
环境要求
- Go 1.18+
- Make
本地开发
- 克隆仓库
git clone https://github.com/mant7s/qps-counter.git
cd qps-counter
- 安装依赖
go mod download
- 运行测试
make test
- 构建项目
make build
 |
1
faceair 2 天前 via iPhone
没看懂，直接用 prometheus sdk 有啥问题
|
 |
2
lesismal 2 天前  1
atomic.AddUint64 1ns 级别的，1s 百万也没什么压力的，shards slots 的计算量比简单 atomic 浪费的 cpu 多多了，我觉得是多余的设计。
如果需要保存一段时间内数据、就用 len=时长/interval ，[len]uint64 ，起个协程每个 interval 更新下 index=(index+1)%numSlots ，qps 的地方 atomic.AddUint64(&slots[index], 1)就可以了，没必要搞那么多有锁无锁的炫技，脱离实际的炫技会带来负优化 |
 |
3
zzhirong 2 天前 5
项目有很浓的 AI 味，我花了半小时看了下，有几个疑问：
– 自适应分区究竟有什么用？我只看到分区调整，好像并未真正应用； – 自适应限流似乎并未实现，只见一个 adaptive 字段，却看不到任何实际使用； – 这个项目的意义何在？仅仅是统计 QPS 吗？（既然都用 Prometheus ，为何不直接上报，而要绕一个弯路）或者是作为中心限流器？（我的理解这个一般在流量入口（负载均衡或网关）处就做掉了吧） 。 – 令牌桶已有 golang.org/x/time/rate 这样稳定的实现了，没必要再造轮子了吧。 总结：一个项目把所有后端爆款关键字都用上了（“百万”，“精确”，“高性能”，“优雅”，“自适应”，“智能”...)，我的感觉就是一个（ AI ）炼手的项目。 唉，我的时间。 |
Select Language