接口被刷百万QPS，怎么防？

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：

1. IP海洋战术：10万+代理IP池动态轮转，传统IP限流失效。
2. 设备克隆技术：伪造浏览器指纹，模拟真实设备行为。
3. 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     } } 

代码解析：

1. 使用OpenResty的lua-resty-limit-req模块
2. 令牌桶算法：1000QPS常规流量 + 2000突发流量缓冲
3. 基于客户端IP维度限流
4. 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));     } } 

流程图如下：

实现原理：

1. Token Server集中管理全集群流量配额
2. 网关节点实时向Token Server申请令牌
3. 当集群总QPS超过阈值时，按比例限制各节点流量
4. 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; } 

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 np  def 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]) 

行为特征维度：

1. 移动速度：机器人速度恒定，真人波动大
2. 加速度：机器人加速度变化呈锯齿状
3. 移动轨迹线性度：机器人多为直线运动
4. 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 

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 

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：

1. 流量清洗层（CDN）

   • 过滤静态资源请求
   • 吸收70%以上流量冲击

2. 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

3. 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())     }   }) 

4. 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);      } } 

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。