抢购秒杀处理方案、分析热点数据

爱被打了一巴掌 2022-11-12 01:44 240阅读 0赞

## 一、抢购秒杀处理方案 ##

`特点`：秒杀活动对稀缺或者特价的商品进行定时定量售卖，吸引成大量的消费者进行抢购，但又只有少部分  
消费者可以下单成功。因此，秒杀活动将在较短时间内产生比平时大数十倍，上百倍的页面访问流量  
和下单请求流量。

`秒杀3阶段`：  
1、秒杀前：用户不断刷新商品详情页，页面请求达到瞬间峰值  
2、秒杀开始：用户点击秒杀按钮，下单请求达到瞬时峰值  
3、秒杀后：少部分成功下单的用户不断刷新订单或者退单，大部分用户继续刷新商品详情页等待机会

`本质`：抢购/秒杀主要是解决热点数据高并发读写的问题。

`裁剪`：抢购/秒杀的过程就是一个不断对请求 ‘剪枝叶’ 的过程。  
1、尽可能减少用户到应用服务端的读写请求（客户端做一部分拦截）  
2、应用到达服务端的请求要减少对后端存储系统访问（服务端LocalCache拦截一部分）  
3、需要请求存储系统的请求尽可能减少对数据库的访问（使用redis拦截绝大多数）  
4、最终的请求达到数据库（也可以做一个消息队列兜底、万一后端存储无响应，应用服务器要有兜底方案）

`基本原则`：  
1、数据少（静态化、CDN、前端资源合并，页面动静分离，LocalCache）  
2、路径短（前端到末端路径可能端、尽量减少对不同系统的依赖，支持限流降级）  
3、禁单点（应用服务器无状态化水平扩展、存储服务避免热点）

`扣减库存的时机`：  
1、下单减库存（避免恶意下单不付款，保证大并发请求库存数量数据不能负数）  
2、付款减库存（下单成功付不了款影响体验）  
3、预扣库存超时释放（可以结合Quartz、xxl-job等框架进行清理超时库存，还有做好安全和反作弊）

`Redis实现方案`：  
1、String结构：直接使用incr/decr/incrby/decrby，注意：redis目前不支持上下界的限制、如果要避免负数或者关联关系的库存sku扣减只能使用Lua。  
2、List结构：每一个商品是一个List，每一个Node是一个库存单元、扣减库存使用lpop/rpop命令，直接返回nil（key not exist）  
3、Set/Hash结构：一般用来去重，现在用户只能购买指定格式（hincrby 计数，hget 判断已购买数量）、注意要把用户 UID 映射到多个 key 来读写，一定不能都放到某一个 key 里（热点）  
4、业务场景允许情况下，热点商品可以使用多个key、随机选择、用户UID做映射（不同的用户等级也可以设置不同的库存量）

`TairString`：支持高并发CAS的String  
1、携带Version得String：保证并发更新的原子性、通过Version来实现更新，乐观锁、不能与Redis普通String混用  
2、使用exIncr/exIncrBy:抢购/秒（有上下界）  
3、exSet->exCAS:减少网络交互

## 二、分析热点数据（JDhotkey） ##

`热点数据产生原因`：在拥有大量并发用户的系统中，热key一直以来都是一个不可避免的问题。或许是突然某些商品成了爆款，或许是海量用户突然涌入某个店铺，或许是秒杀时瞬间大量开启的爬虫用户， 这些突发的无法预先感知的热key都是系统潜在的巨大风险。

`热点数据有哪些`：  
1 、MySQL等数据库会被频繁访问的热数据  
如爆款商品的skuId。  
2 、redis的被密集访问的key  
如爆款商品的各维度信息，skuId、shopId等。  
3 、机器人、爬虫、刷子用户  
如用户的userId、uuid、ip等。  
4 、某个接口地址  
如sku/query或者更精细维度的。  
5、 用户id+接口信息  
如userId + /sku/query，这代表某个用户访问某个接口的频率。  
6 、服务器id+接口信息  
如ip + /sku/query，这代表某台服务器某个接口被访问的频率。  
7 、用户id+接口信息+具体商品  
如userId + /sku/query + skuId，这代表某个用户访问某个商品的频率。

`核心功能`：热数据探测并推送至集群各个服务器

1 mysql热数据本地缓存  
2 redis热数据本地缓存  
3 黑名单用户本地缓存  
4 爬虫用户限流  
5 接口、用户维度限流  
6 单机接口、用户维度限流  
7 集群用户维度限流  
8 集群接口维度限流

`热点数据解决方法`：

我们分别以redis的热key、刷子用户、限流等典型的场景来看。

`Redis热key`：（本地缓存+淘汰策略或者热点key时推送到jvm）

这种以往的解决方式比较百花齐放，比较常见的有：  
1）上二级缓存，读取到redis的key-value信息后，就直接写入到jvm缓存一份，设置个过期时间，设置个淘汰策略譬如队列满时淘汰最先加入的。或者使用guava cache或caffeine cache进行单机本地缓存，整体命中率偏低。  
2）改写redis源码加入热点探测功能，有热key实时推送到jvm。问题主要是不通用，且有一定难度。  
3）改写jedis、letture等redis客户端的jar，通过本地计算来探测热点key，是热key的就本地缓存起来并通知集群内其他机器。  
4）其他  
刷子爬虫用户：  
常见的有：  
1）日常累积后，将这批黑名单通过配置中心推送到jvm内存。存在滞后无法实时感知的问题。  
2）通过本地累加，进行实时计算，单位时间内超过阈值的算刷子。如果服务器比较多，存在用户请求被分散，本地计算达不到甄别刷子的问题。  
3）引入其他组件如redis，进行集中式累加计算，超过阈值的拉取到本地内存。问题就是需要频繁读写redis，依旧存在redis的性能瓶颈问题。

`限流`：  
1）单机维度的接口限流多采用本地累加计数  
2）集群维度的多采用第三方中间件，如sentinel  
3）网关层的，如Nginx+lua

综上，我们会发现虽然它们都可以归结到热key这个领域内，但是并没有一个统一的解决方案，我们更期望于有一个统一的框架，它能解决所有的对热key有实时感知的场景，最好是无论是什么key、是什么维度，只要我拼接好这个字符串，把它交给框架去探测，设定好判定为热的阈值（如2秒该字符串出现20次），则毫秒时间内，该热key就能进入到应用的jvm内存中，并且在整个服务集群内保持一致性，要有都有，要删全删。

`优势`：

热key问题归根到底就是如何找到热key，并将热key放到jvm内存的问题。只要该key在内存里，我们就能极快地来对它做逻辑，内存访问和redis访问的速度不在一个量级。  
譬如刷子用户，我们可以对其屏蔽、降级、限制访问速度。热接口，我们可以进行限流，返回默认值。redis的热key，我们可以极大地提高访问速度。  
以redis访问key为例，我们可以很容易的计算出性能指标，譬如有1000台服务器，某key所在的redis集群能支撑20万/s的访问，那么平均每台机器每秒大概能访问该key200次，超过的部分就会进入等待。由于redis的瓶颈，将极大地限制server的性能。  
而如果该key是在本地内存中，读取一个内存中的值，每秒多少个万次都是很正常的，不存在任何数据层的瓶颈。当然，如果通过增加redis集群规模的形式，也能提升数据的访问上限，但问题是事先不知道热key在哪里，而全量增加redis的规模，带来的成本提升又不可接受。

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzMyNDQ3MzAx_size_16_color_FFFFFF_t_70]

参考：[https://gitee.com/jd-platform-opensource/hotkey][https_gitee.com_jd-platform-opensource_hotkey]

参考：[https://developer.aliyun.com/learning/trainingcamp/redis/1][https_developer.aliyun.com_learning_trainingcamp_redis_1]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzMyNDQ3MzAx_size_16_color_FFFFFF_t_70]: /images/20221022/d8e4db08449f4472a18080204b60a093.png
[https_gitee.com_jd-platform-opensource_hotkey]: https://gitee.com/jd-platform-opensource/hotkey
[https_developer.aliyun.com_learning_trainingcamp_redis_1]: https://developer.aliyun.com/learning/trainingcamp/redis/1