Spring Cloud中常用的限流算法包括令牌桶、漏桶、信号量和计数器等。以下是具体介绍：
- 令牌桶算法：
- 系统以固定的速率向令牌桶中添加令牌，请求需要先从桶中获取令牌，如果令牌不足则请求被限制。
- 令牌桶可以解决网络流量波动的问题，当流量突然增大时，只要令牌桶中还有令牌，就可以处理请求。
- Spring Cloud Guava提供了RateLimiter类实现令牌桶算法。
- 漏桶算法：
- 系统以固定的速率处理请求，多余的请求会被放入漏桶中，如果漏桶满了则请求被丢弃。
- 漏桶算法能够防止系统过载，保持处理请求的速度稳定。
- Spring Cloud Sentinel提供了LeakyBucket类实现漏桶算法。
- 信号量算法：
- 使用有限数量的信号量来控制并发访问的数目，超过限制的请求需要等待其他请求释放信号量。
- 信号量算法适用于需要限制并发数的场景，如数据库连接池的大小限制。
- Spring Cloud提供了Semaphore类实现信号量算法。
- 计数器算法：
- 在一定时间窗口内对请求进行计数，如果请求数超过阈值则进行限流。
- 计数器算法简单易实现，但无法处理恶意攻击或突发流量。
- Spring Cloud Zuul提供了基于计数器的限流方法。
- 滑动窗口算法：
- 将时间窗口划分为多个小格子，每个格子记录请求数，根据滑动窗口内的请求总数来判断是否触发限流。
- 滑动窗口算法可以在更细粒度上控制请求速率，提高限流的准确性。
- Spring Cloud Zuul结合Redis实现了滑动窗口算法。
- 自适应限流算法：
- 根据系统的负载情况动态调整限流阈值，以适应不同的负载需求。
- 自适应限流算法能够在保证系统稳定性的同时，充分利用系统资源。
- Spring Cloud没有直接提供自适应限流算法的实现，需要自行开发。
总之，在选择限流算法时，需要根据具体的业务场景和性能要求来选择合适的算法。同时，还可以结合多种算法来实现更精确和灵活的限流策略。
