接口被刷百万QPS，怎么防？

后雪闵 · 2025-6-12 15:30:15

大家好，我是苏三。
今天我们不聊风花雪月，只讲这个让无数开发者夜不能寐的终极命题：当恶意流量如海啸般扑来，如何守住你的系统防线？
有些小伙伴在工作中可能经历过接口被刷的噩梦，但百万QPS量级的攻击完全是另一个维度的战争。
今天这篇文章跟大家一起聊聊接口被刷百万QPS，如何防御，希望对你会有所帮助。
为什么百万QPS如此致命？

用一张图给解释一下百万QPS的危害：

攻击者三大核心武器：

IP海洋战术：10万+代理IP池动态轮转，传统IP限流失效。
设备克隆技术：伪造浏览器指纹，模拟真实设备行为。
协议级精准攻击：精心构造的HTTP请求，绕过基础WAF规则。

系统崩溃的致命链反应：

线程池100%占用 → 新请求排队超时
数据库连接耗尽 → SQL执行阻塞
Redis响应飙升 → 缓存穿透雪崩
微服务连环熔断 → 服务不可用

那么，我们该如何防御呢？
第一道防线：基础限流与熔断

1. 网关层限流

我们需要在网关层做限流，目前主流的解决方案是：Nginx + Lua。
下面是Nginx的限流配置：

location /api/payment { access_by_lua_block { local limiter = require "resty.limit.req" -- 令牌桶配置：1000QPS + 2000突发容量 local lim, err = limiter.new("payment_limit", 1000, 2000) if not lim then ngx.log(ngx.ERR, "限流器初始化失败: ", err) return ngx.exit(500) end -- 基于客户端IP限流 local key = ngx.var.remote_addr local delay, err = lim:incoming(key, true) if not delay then if err == "rejected" then -- 返回429状态码+JSON错误信息 ngx.header.content_type = "application/json" ngx.status = 429 ngx.say([[{"code":429,"msg":"请求过于频繁"}]]) return ngx.exit(429) end ngx.log(ngx.ERR, "限流错误: ", err) return ngx.exit(500) end }}

复制代码

代码解析：

使用OpenResty的lua-resty-limit-req模块
令牌桶算法：1000QPS常规流量 + 2000突发流量缓冲
基于客户端IP维度限流
超出限制返回429状态码和JSON格式错误

2. 分布式熔断

面对大流量时，我们需要增加分布式熔断机制，比如使用Sentinel集群流控。
下面是Sentinel集群的流控配置：

public class SentinelConfig { @PostConstruct public void initFlowRules() { // 创建集群流控规则 ClusterFlowRule rule = new ClusterFlowRule(); rule.setResource("createOrder"); // 受保护资源 rule.setGrade(RuleConstant.FLOW_GRADE_QPS); // QPS限流 rule.setCount(50000); // 集群阈值5万QPS rule.setClusterMode(true); // 开启集群模式 rule.setClusterConfig(new ClusterRuleConfig() .setFlowId(123) // 全局唯一ID .setThresholdType(1) // 全局阈值 ); // 注册规则 ClusterFlowRuleManager.loadRules(Collections.singletonList(rule)); }}

复制代码

流程图如下：

实现原理：

Token Server集中管理全集群流量配额
网关节点实时向Token Server申请令牌
当集群总QPS超过阈值时，按比例限制各节点流量
避免单节点限流导致的集群流量不均衡问题

第二道防线：设备指纹与行为分析

1. 浏览器指纹生成

前端可以在浏览器上生成指纹，即使客户端IP换了，但相同设备的指纹还是一样的。
前端设备指纹生成方案，这里使用了Canvas+WebGL。

// 前端设备指纹生成方案function generateDeviceFingerprint() { // 1. 获取基础设备信息 const baseInfo = [ navigator.userAgent, navigator.platform, screen.width + 'x' + screen.height, navigator.language ].join('|'); // 2. 生成Canvas指纹 const canvas = document.createElement('canvas'); const ctx = canvas.getContext('2d'); ctx.fillStyle = '#f60'; ctx.fillRect(0, 0, 100, 30); ctx.fillStyle = '#069'; ctx.font = '16px Arial'; ctx.fillText('防御即艺术', 10, 20); const canvasData = canvas.toDataURL(); // 3. 生成WebGL指纹 const gl = canvas.getContext('webgl'); const debugInfo = gl.getExtension('WEBGL_debug_renderer_info'); const renderer = gl.getParameter(debugInfo.UNMASKED_RENDERER_WEBGL); // 4. 组合生成最终指纹 const fingerprint = md5(baseInfo + canvasData + renderer); return fingerprint;}

复制代码

指纹特性分析：

稳定性：相同设备多次生成一致性 > 98%
唯一性：不同设备碰撞概率 < 0.1%
隐蔽性：用户无感知，无法简单清除

2. 行为分析模型

我们还可以分析用户的行为。
使用下面的鼠标行为分析引擎：

import numpy as npdef analyze_mouse_behavior(move_events): """ 分析鼠标移动行为特征 :param move_events: 鼠标移动事件列表 [{'x':100, 'y':200, 't':1680000000}, ...] :return: 异常概率(0-1) """ # 1. 计算移动速度序列 speeds = [] for i in range(1, len(move_events)): prev = move_events[i-1] curr = move_events[i] dx = curr['x'] - prev['x'] dy = curr['y'] - prev['y'] distance = (dx**2 + dy**2) ** 0.5 time_diff = curr['t'] - prev['t'] # 防止除零 speed = distance / max(0.001, time_diff) speeds.append(speed) # 2. 计算加速度变化 accelerations = [] for i in range(1, len(speeds)): acc = speeds[i] - speeds[i-1] accelerations.append(acc) # 3. 提取关键特征 features = { 'speed_mean': np.mean(speeds), 'speed_std': np.std(speeds), 'acc_max': max(accelerations), 'acc_std': np.std(accelerations), 'linearity': calc_linearity(move_events) } # 4. 使用预训练模型预测 return risk_model.predict([features])

复制代码

行为特征维度：

移动速度：机器人速度恒定，真人波动大
加速度：机器人加速度变化呈锯齿状
移动轨迹线性度：机器人多为直线运动
操作间隔：机器人操作间隔高度一致

第三道防线：动态规则引擎

1. 实时规则配置

我们还可以使用动态规则引擎（比如：Drools引擎），可以配置风控规则。
Drools风控规则示例：

rule "高频访问敏感接口" // 规则元数据 salience 100 // 优先级 no-loop true // 防止规则循环触发 // 条件部分 when $req : Request( path == "/api/coupon/acquire", // 敏感接口 $uid : userId != null, // 登录用户 $ip : clientIp ) // 统计同一用户10秒内请求次数 accumulate( Request( userId == $uid, path == "/api/coupon/acquire", this != $req, // 排除当前请求 $ts : timestamp ); $count : count($ts), $minTime : min($ts), $maxTime : max($ts) ) // 判断条件：10秒内超过30次请求 eval($count > 30 && ($maxTime - $minTime) < 10000) then // 执行动作：阻断并记录 insert(new BlockEvent($uid, $ip, "高频领券")); $req.setBlock(true);end

复制代码

规则引擎优势：

实时生效：新规则秒级推送
复杂条件：支持多维度联合判断
动态更新：无需重启服务

2. 多维关联分析模型

我们需要建立一套多维关联分析模型：

使用风险评分机制。
评分模型公式：

风险分 = IP风险权重 × IP评分 + 设备风险权重 × 设备评分 + 行为异常权重 × 行为异常度 + 历史画像权重 × 历史风险值

复制代码

终极防御架构

下面用用一张图总结一下百万QPS防御的架构体系：

核心组件解析：

流量清洗层（CDN）
- 过滤静态资源请求
- 吸收70%以上流量冲击
安全防护层（网关集群）
- 设备指纹生成：标记每个请求源
- 分布式限流：集群级QPS控制
- 规则引擎：实时判断风险
实时风控层（Flink计算）

// Flink实时风控处理riskStream .keyBy(req => req.getDeviceId()) // 按设备ID分组 .timeWindow(Time.seconds(10)) // 10秒滚动窗口 .aggregate(new RiskAggregator) // 聚合风险指标 .map(riskData => { val score = riskModel.predict(riskData) if(score > RISK_THRESHOLD) { // 高风险请求阻断 blockRequest(riskData.getRequestId()) } })

复制代码

数据支撑层
- Redis：存储实时风险画像
- Flink：计算行为特征指标
- 规则管理台：动态调整策略

血泪教训

1. IP白名单的陷阱

场景：将合作方IP加入白名单
灾难：攻击者入侵合作方服务器发起攻击
解决方案：

使用设备指纹校验和行为分析。
2. 限流阈值静态设置的灾难

场景：设置固定5000QPS阈值
问题：大促时正常流量超阈值被误杀
优化方案：

// 动态阈值调整算法public class DynamicThreshold { // 基于历史流量自动调整 public static int calculateThreshold(String api) { // 1. 获取上周同时段流量 double base = getHistoricalQps(api); // 2. 考虑当日增长系数 double growth = getGrowthFactor(); // 3. 保留20%安全余量 return (int)(base * growth * 0.8); }}

复制代码

3. 忽略带宽成本

教训：10Gbps流量攻击导致月度预算超支200%
应对策略：

前置CDN吸收静态流量
配置云厂商DDoS防护服务
设置带宽自动熔断机制

真正的防御不是让攻击无法发生，而是让攻击者付出十倍代价却一无所获。当你的防御成本低于对手的攻击成本时，战争就结束了。

最后说一句(求关注，别白嫖我)

如果这篇文章对您有所帮助，或者有所启发的话，帮忙关注一下我的同名公众号：苏三说技术，我的所有文章都会在公众号上首发，您的支持是我坚持写作最大的动力。
求一键三连：点赞、转发、在看。
关注公众号：【苏三说技术】，在公众号中回复：进大厂，可以免费获取我最近整理的10万字的面试宝典，好多小伙伴靠这个宝典拿到了多家大厂的offer。

来源：程序园用户自行投稿发布，如果侵权，请联系站长删除
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！

账号		自动登录	找回密码
密码			立即注册