你知道12306 是如何支撐百萬(wàn) QPS 的？

12306搶票,極限并發(fā)帶來(lái)的思考?

每到節(jié)假日期間,一二線城市返鄉(xiāng)、外出游玩的人們幾乎都面臨著一個(gè)問(wèn)題：搶火車票!雖然現(xiàn)在大多數(shù)情況下都能訂到票,但是放票瞬間即無(wú)票的場(chǎng)景，相信大家都深有體會(huì)。尤其是春節(jié)期間，大家不僅使用12306，還會(huì)考慮“智行”和其他的搶票軟件,全國(guó)上下幾億人在這段時(shí)間都在搶票。“12306服務(wù)”承受著這個(gè)世界上任何秒殺系統(tǒng)都無(wú)法超越的QPS,上百萬(wàn)的并發(fā)再正常不過(guò)了！筆者專門研究了一下“12306”的服務(wù)端架構(gòu),學(xué)習(xí)到了其系統(tǒng)設(shè)計(jì)上很多亮點(diǎn)，在這里和大家分享一下并模擬一個(gè)例子：如何在100萬(wàn)人同時(shí)搶1萬(wàn)張火車票時(shí)，系統(tǒng)提供正常、穩(wěn)定的服務(wù)。github代碼地址

1. 大型高并發(fā)系統(tǒng)架構(gòu)

高并發(fā)的系統(tǒng)架構(gòu)都會(huì)采用分布式集群部署，服務(wù)上層有著層層負(fù)載均衡，并提供各種容災(zāi)手段(雙火機(jī)房、節(jié)點(diǎn)容錯(cuò)、服務(wù)器災(zāi)備等)保證系統(tǒng)的高可用,流量也會(huì)根據(jù)不同的負(fù)載能力和配置策略均衡到不同的服務(wù)器上。下邊是一個(gè)簡(jiǎn)單的示意圖:

1.1 負(fù)載均衡簡(jiǎn)介

上圖中描述了用戶請(qǐng)求到服務(wù)器經(jīng)歷了三層的負(fù)載均衡，下邊分別簡(jiǎn)單介紹一下這三種負(fù)載均衡：

• OSPF(開放式最短鏈路優(yōu)先)是一個(gè)內(nèi)部網(wǎng)關(guān)協(xié)議(Interior Gateway Protocol,簡(jiǎn)稱IGP)。OSPF通過(guò)路由器之間通告網(wǎng)絡(luò)接口的狀態(tài)來(lái)建立鏈路狀態(tài)數(shù)據(jù)庫(kù)，生成最短路徑樹，OSPF會(huì)自動(dòng)計(jì)算路由接口上的Cost值，但也可以通過(guò)手工指定該接口的Cost值，手工指定的優(yōu)先于自動(dòng)計(jì)算的值。OSPF計(jì)算的Cost，同樣是和接口帶寬成反比，帶寬越高，Cost值越小。到達(dá)目標(biāo)相同Cost值的路徑，可以執(zhí)行負(fù)載均衡，最多6條鏈路同時(shí)執(zhí)行負(fù)載均衡。

• LVS (Linux VirtualServer)，它是一種集群(Cluster)技術(shù)，采用IP負(fù)載均衡技術(shù)和基于內(nèi)容請(qǐng)求分發(fā)技術(shù)。調(diào)度器具有很好的吞吐率，將請(qǐng)求均衡地轉(zhuǎn)移到不同的服務(wù)器上執(zhí)行，且調(diào)度器自動(dòng)屏蔽掉服務(wù)器的故障，從而將一組服務(wù)器構(gòu)成一個(gè)高性能的、高可用的虛擬服務(wù)器。

• Nginx想必大家都很熟悉了,是一款非常高性能的http代理/反向代理服務(wù)器,服務(wù)開發(fā)中也經(jīng)常使用它來(lái)做負(fù)載均衡。Nginx實(shí)現(xiàn)負(fù)載均衡的方式主要有三種:輪詢、加權(quán)輪詢、ip hash輪詢，下面我們就針對(duì)Nginx的加權(quán)輪詢做專門的配置和測(cè)試

1.2 Nginx加權(quán)輪詢的演示

Nginx實(shí)現(xiàn)負(fù)載均衡通過(guò)upstream模塊實(shí)現(xiàn)，其中加權(quán)輪詢的配置是可以給相關(guān)的服務(wù)加上一個(gè)權(quán)重值，配置的時(shí)候可能根據(jù)服務(wù)器的性能、負(fù)載能力設(shè)置相應(yīng)的負(fù)載。下面是一個(gè)加權(quán)輪詢負(fù)載的配置，我將在本地的監(jiān)聽3001-3004端口,分別配置1，2，3，4的權(quán)重:

#配置負(fù)載均衡
????upstream?load_rule?{
???????server?127.0.0.1:3001?weight=1;
???????server?127.0.0.1:3002?weight=2;
???????server?127.0.0.1:3003?weight=3;
???????server?127.0.0.1:3004?weight=4;
????}
????...
????server?{
????listen???????80;
????server_name??load_balance.com?www.load_balance.com;
????location?/?{
???????proxy_pass?http://load_rule;
????}
}

我在本地/etc/hosts目錄下配置了 www.load_balance.com的虛擬域名地址，接下來(lái)使用Go語(yǔ)言開啟四個(gè)http端口監(jiān)聽服務(wù)，下面是監(jiān)聽在3001端口的Go程序,其他幾個(gè)只需要修改端口即可：

package?main

import?(
?"net/http"
?"os"
?"strings"
)

func?main()?{
?http.HandleFunc("/buy/ticket",?handleReq)
?http.ListenAndServe(":3001",?nil)
}

//處理請(qǐng)求函數(shù),根據(jù)請(qǐng)求將響應(yīng)結(jié)果信息寫入日志
func?handleReq(w?http.ResponseWriter,?r?*http.Request)?{
?failedMsg?:=??"handle?in?port:"
?writeLog(failedMsg,?"./stat.log")
}

//寫入日志
func?writeLog(msg?string,?logPath?string)?{
?fd,?_?:=?os.OpenFile(logPath,?os.O_RDWR|os.O_CREATE|os.O_APPEND,?0644)
?defer?fd.Close()
?content?:=?strings.Join([]string{msg,?"\r\n"},?"3001")
?buf?:=?[]byte(content)
?fd.Write(buf)
}

我將請(qǐng)求的端口日志信息寫到了./stat.log文件當(dāng)中，然后使用ab壓測(cè)工具做壓測(cè):

ab?-n?1000?-c?100?http://www.load_balance.com/buy/ticket

統(tǒng)計(jì)日志中的結(jié)果，3001-3004端口分別得到了100、200、300、400的請(qǐng)求量，這和我在nginx中配置的權(quán)重占比很好的吻合在了一起，并且負(fù)載后的流量非常的均勻、隨機(jī)。具體的實(shí)現(xiàn)大家可以參考nginx的upsteam模塊實(shí)現(xiàn)源碼，這里推薦一篇文章：Nginx 中 upstream 機(jī)制的負(fù)載均衡

2.秒殺搶購(gòu)系統(tǒng)選型

回到我們最初提到的問(wèn)題中來(lái)：火車票秒殺系統(tǒng)如何在高并發(fā)情況下提供正常、穩(wěn)定的服務(wù)呢？

從上面的介紹我們知道用戶秒殺流量通過(guò)層層的負(fù)載均衡，均勻到了不同的服務(wù)器上，即使如此，集群中的單機(jī)所承受的QPS也是非常高的。如何將單機(jī)性能優(yōu)化到極致呢？要解決這個(gè)問(wèn)題，我們就要想明白一件事：通常訂票系統(tǒng)要處理生成訂單、減扣庫(kù)存、用戶支付這三個(gè)基本的階段，我們系統(tǒng)要做的事情是要保證火車票訂單不超賣、不少賣，每張售賣的車票都必須支付才有效，還要保證系統(tǒng)承受極高的并發(fā)。這三個(gè)階段的先后順序改怎么分配才更加合理呢?我們來(lái)分析一下：

2.1 下單減庫(kù)存

當(dāng)用戶并發(fā)請(qǐng)求到達(dá)服務(wù)端時(shí)，首先創(chuàng)建訂單，然后扣除庫(kù)存，等待用戶支付。這種順序是我們一般人首先會(huì)想到的解決方案，這種情況下也能保證訂單不會(huì)超賣，因?yàn)閯?chuàng)建訂單之后就會(huì)減庫(kù)存，這是一個(gè)原子操作。但是這樣也會(huì)產(chǎn)生一些問(wèn)題，第一就是在極限并發(fā)情況下，任何一個(gè)內(nèi)存操作的細(xì)節(jié)都至關(guān)影響性能，尤其像創(chuàng)建訂單這種邏輯，一般都需要存儲(chǔ)到磁盤數(shù)據(jù)庫(kù)的，對(duì)數(shù)據(jù)庫(kù)的壓力是可想而知的；第二是如果用戶存在惡意下單的情況，只下單不支付這樣庫(kù)存就會(huì)變少，會(huì)少賣很多訂單，雖然服務(wù)端可以限制IP和用戶的購(gòu)買訂單數(shù)量，這也不算是一個(gè)好方法。

2.2 支付減庫(kù)存

如果等待用戶支付了訂單在減庫(kù)存，第一感覺(jué)就是不會(huì)少賣。但是這是并發(fā)架構(gòu)的大忌，因?yàn)樵跇O限并發(fā)情況下，用戶可能會(huì)創(chuàng)建很多訂單，當(dāng)庫(kù)存減為零的時(shí)候很多用戶發(fā)現(xiàn)搶到的訂單支付不了了，這也就是所謂的“超賣”。也不能避免并發(fā)操作數(shù)據(jù)庫(kù)磁盤IO

2.3 預(yù)扣庫(kù)存

從上邊兩種方案的考慮，我們可以得出結(jié)論：只要?jiǎng)?chuàng)建訂單，就要頻繁操作數(shù)據(jù)庫(kù)IO。那么有沒(méi)有一種不需要直接操作數(shù)據(jù)庫(kù)IO的方案呢，這就是預(yù)扣庫(kù)存。先扣除了庫(kù)存，保證不超賣，然后異步生成用戶訂單，這樣響應(yīng)給用戶的速度就會(huì)快很多；那么怎么保證不少賣呢？用戶拿到了訂單，不支付怎么辦？我們都知道現(xiàn)在訂單都有有效期，比如說(shuō)用戶五分鐘內(nèi)不支付，訂單就失效了，訂單一旦失效，就會(huì)加入新的庫(kù)存，這也是現(xiàn)在很多網(wǎng)上零售企業(yè)保證商品不少賣采用的方案。訂單的生成是異步的,一般都會(huì)放到MQ、kafka這樣的即時(shí)消費(fèi)隊(duì)列中處理,訂單量比較少的情況下，生成訂單非常快，用戶幾乎不用排隊(duì)。

3. 扣庫(kù)存的藝術(shù)

從上面的分析可知，顯然預(yù)扣庫(kù)存的方案最合理。我們進(jìn)一步分析扣庫(kù)存的細(xì)節(jié)，這里還有很大的優(yōu)化空間，庫(kù)存存在哪里？怎樣保證高并發(fā)下，正確的扣庫(kù)存，還能快速的響應(yīng)用戶請(qǐng)求？

在單機(jī)低并發(fā)情況下，我們實(shí)現(xiàn)扣庫(kù)存通常是這樣的:

為了保證扣庫(kù)存和生成訂單的原子性，需要采用事務(wù)處理，然后取庫(kù)存判斷、減庫(kù)存，最后提交事務(wù)，整個(gè)流程有很多IO，對(duì)數(shù)據(jù)庫(kù)的操作又是阻塞的。這種方式根本不適合高并發(fā)的秒殺系統(tǒng)。

接下來(lái)我們對(duì)單機(jī)扣庫(kù)存的方案做優(yōu)化：本地扣庫(kù)存。我們把一定的庫(kù)存量分配到本地機(jī)器，直接在內(nèi)存中減庫(kù)存，然后按照之前的邏輯異步創(chuàng)建訂單。改進(jìn)過(guò)之后的單機(jī)系統(tǒng)是這樣的:

這樣就避免了對(duì)數(shù)據(jù)庫(kù)頻繁的IO操作，只在內(nèi)存中做運(yùn)算，極大的提高了單機(jī)抗并發(fā)的能力。但是百萬(wàn)的用戶請(qǐng)求量單機(jī)是無(wú)論如何也抗不住的，雖然nginx處理網(wǎng)絡(luò)請(qǐng)求使用epoll模型，c10k的問(wèn)題在業(yè)界早已得到了解決。但是linux系統(tǒng)下，一切資源皆文件，網(wǎng)絡(luò)請(qǐng)求也是這樣，大量的文件描述符會(huì)使操作系統(tǒng)瞬間失去響應(yīng)。上面我們提到了nginx的加權(quán)均衡策略，我們不妨假設(shè)將100W的用戶請(qǐng)求量平均均衡到100臺(tái)服務(wù)器上，這樣單機(jī)所承受的并發(fā)量就小了很多。然后我們每臺(tái)機(jī)器本地庫(kù)存100張火車票，100臺(tái)服務(wù)器上的總庫(kù)存還是1萬(wàn)，這樣保證了庫(kù)存訂單不超賣,下面是我們描述的集群架構(gòu):

問(wèn)題接踵而至，在高并發(fā)情況下，現(xiàn)在我們還無(wú)法保證系統(tǒng)的高可用，假如這100臺(tái)服務(wù)器上有兩三臺(tái)機(jī)器因?yàn)榭覆蛔〔l(fā)的流量或者其他的原因宕機(jī)了。那么這些服務(wù)器上的訂單就賣不出去了，這就造成了訂單的少賣。要解決這個(gè)問(wèn)題，我們需要對(duì)總訂單量做統(tǒng)一的管理，這就是接下來(lái)的容錯(cuò)方案。服務(wù)器不僅要在本地減庫(kù)存，另外要遠(yuǎn)程統(tǒng)一減庫(kù)存。有了遠(yuǎn)程統(tǒng)一減庫(kù)存的操作，我們就可以根據(jù)機(jī)器負(fù)載情況，為每臺(tái)機(jī)器分配一些多余的“buffer庫(kù)存”用來(lái)防止機(jī)器中有機(jī)器宕機(jī)的情況。我們結(jié)合下面架構(gòu)圖具體分析一下:

我們采用Redis存儲(chǔ)統(tǒng)一庫(kù)存，因?yàn)镽edis的性能非常高，號(hào)稱單機(jī)QPS能抗10W的并發(fā)。在本地減庫(kù)存以后，如果本地有訂單，我們?cè)偃フ?qǐng)求redis遠(yuǎn)程減庫(kù)存，本地減庫(kù)存和遠(yuǎn)程減庫(kù)存都成功了，才返回給用戶搶票成功的提示,這樣也能有效的保證訂單不會(huì)超賣。當(dāng)機(jī)器中有機(jī)器宕機(jī)時(shí)，因?yàn)槊總€(gè)機(jī)器上有預(yù)留的buffer余票，所以宕機(jī)機(jī)器上的余票依然能夠在其他機(jī)器上得到彌補(bǔ)，保證了不少賣。buffer余票設(shè)置多少合適呢，理論上buffer設(shè)置的越多，系統(tǒng)容忍宕機(jī)的機(jī)器數(shù)量就越多，但是buffer設(shè)置的太大也會(huì)對(duì)redis造成一定的影響。雖然redis內(nèi)存數(shù)據(jù)庫(kù)抗并發(fā)能力非常高，請(qǐng)求依然會(huì)走一次網(wǎng)絡(luò)IO,其實(shí)搶票過(guò)程中對(duì)redis的請(qǐng)求次數(shù)是本地庫(kù)存和buffer庫(kù)存的總量，因?yàn)楫?dāng)本地庫(kù)存不足時(shí)，系統(tǒng)直接返回用戶“已售罄”的信息提示，就不會(huì)再走統(tǒng)一扣庫(kù)存的邏輯，這在一定程度上也避免了巨大的網(wǎng)絡(luò)請(qǐng)求量把redis壓跨，所以buffer值設(shè)置多少，需要架構(gòu)師對(duì)系統(tǒng)的負(fù)載能力做認(rèn)真的考量。

4. 代碼演示

Go語(yǔ)言原生為并發(fā)設(shè)計(jì)，我采用go語(yǔ)言給大家演示一下單機(jī)搶票的具體流程。

4.1 初始化工作

go包中的init函數(shù)先于main函數(shù)執(zhí)行，在這個(gè)階段主要做一些準(zhǔn)備性工作。我們系統(tǒng)需要做的準(zhǔn)備工作有：初始化本地庫(kù)存、初始化遠(yuǎn)程redis存儲(chǔ)統(tǒng)一庫(kù)存的hash鍵值、初始化redis連接池；另外還需要初始化一個(gè)大小為1的int類型chan,目的是實(shí)現(xiàn)分布式鎖的功能，也可以直接使用讀寫鎖或者使用redis等其他的方式避免資源競(jìng)爭(zhēng),但使用channel更加高效，這就是go語(yǔ)言的哲學(xué)：不要通過(guò)共享內(nèi)存來(lái)通信，而要通過(guò)通信來(lái)共享內(nèi)存。redis庫(kù)使用的是redigo，下面是代碼實(shí)現(xiàn):

...
//localSpike包結(jié)構(gòu)體定義
package?localSpike

type?LocalSpike?struct?{
?LocalInStock?????int64
?LocalSalesVolume?int64
}
...
//remoteSpike對(duì)hash結(jié)構(gòu)的定義和redis連接池
package?remoteSpike
//遠(yuǎn)程訂單存儲(chǔ)健值
type?RemoteSpikeKeys?struct?{
?SpikeOrderHashKey?string?//redis中秒殺訂單hash結(jié)構(gòu)key
?TotalInventoryKey?string?//hash結(jié)構(gòu)中總訂單庫(kù)存key
?QuantityOfOrderKey?string?//hash結(jié)構(gòu)中已有訂單數(shù)量key
}

//初始化redis連接池
func?NewPool()?*redis.Pool?{
?return?&redis.Pool{
??MaxIdle:???10000,
??MaxActive:?12000,?//?max?number?of?connections
??Dial:?func()?(redis.Conn,?error)?{
???c,?err?:=?redis.Dial("tcp",?":6379")
???if?err?!=?nil?{
????panic(err.Error())
???}
???return?c,?err
??},
?}
}
...
func?init()?{
?localSpike?=?localSpike2.LocalSpike{
??LocalInStock:?????150,
??LocalSalesVolume:?0,
?}
?remoteSpike?=?remoteSpike2.RemoteSpikeKeys{
??SpikeOrderHashKey:??"ticket_hash_key",
??TotalInventoryKey:??"ticket_total_nums",
??QuantityOfOrderKey:?"ticket_sold_nums",
?}
?redisPool?=?remoteSpike2.NewPool()
?done?=?make(chan?int,?1)
?done?<-?1
}

4.2 本地扣庫(kù)存和統(tǒng)一扣庫(kù)存

本地扣庫(kù)存邏輯非常簡(jiǎn)單，用戶請(qǐng)求過(guò)來(lái)，添加銷量，然后對(duì)比銷量是否大于本地庫(kù)存，返回bool值:

package?localSpike
//本地扣庫(kù)存,返回bool值
func?(spike?*LocalSpike)?LocalDeductionStock()?bool{
?spike.LocalSalesVolume?=?spike.LocalSalesVolume?+?1
?return?spike.LocalSalesVolume?}

注意這里對(duì)共享數(shù)據(jù)LocalSalesVolume的操作是要使用鎖來(lái)實(shí)現(xiàn)的，但是因?yàn)楸镜乜蹘?kù)存和統(tǒng)一扣庫(kù)存是一個(gè)原子性操作，所以在最上層使用channel來(lái)實(shí)現(xiàn)，這塊后邊會(huì)講。統(tǒng)一扣庫(kù)存操作redis，因?yàn)閞edis是單線程的，而我們要實(shí)現(xiàn)從中取數(shù)據(jù)，寫數(shù)據(jù)并計(jì)算一些列步驟，我們要配合lua腳本打包命令，保證操作的原子性:

package?remoteSpike
......
const?LuaScript?=?`
????????local?ticket_key?=?KEYS[1]
????????local?ticket_total_key?=?ARGV[1]
????????local?ticket_sold_key?=?ARGV[2]
????????local?ticket_total_nums?=?tonumber(redis.call('HGET',?ticket_key,?ticket_total_key))
????????local?ticket_sold_nums?=?tonumber(redis.call('HGET',?ticket_key,?ticket_sold_key))
??--?查看是否還有余票,增加訂單數(shù)量,返回結(jié)果值
???????if(ticket_total_nums?>=?ticket_sold_nums)?then
????????????return?redis.call('HINCRBY',?ticket_key,?ticket_sold_key,?1)
????????end
????????return?0
`
//遠(yuǎn)端統(tǒng)一扣庫(kù)存
func?(RemoteSpikeKeys?*RemoteSpikeKeys)?RemoteDeductionStock(conn?redis.Conn)?bool?{
?lua?:=?redis.NewScript(1,?LuaScript)
?result,?err?:=?redis.Int(lua.Do(conn,?RemoteSpikeKeys.SpikeOrderHashKey,?RemoteSpikeKeys.TotalInventoryKey,?RemoteSpikeKeys.QuantityOfOrderKey))
?if?err?!=?nil?{
??return?false
?}
?return?result?!=?0
}

我們使用hash結(jié)構(gòu)存儲(chǔ)總庫(kù)存和總銷量的信息,用戶請(qǐng)求過(guò)來(lái)時(shí)，判斷總銷量是否大于庫(kù)存，然后返回相關(guān)的bool值。在啟動(dòng)服務(wù)之前，我們需要初始化redis的初始庫(kù)存信息:

?hmset?ticket_hash_key?"ticket_total_nums"?10000?"ticket_sold_nums"?0

4.3 響應(yīng)用戶信息

我們開啟一個(gè)http服務(wù)，監(jiān)聽在一個(gè)端口上:

package?main
...
func?main()?{
?http.HandleFunc("/buy/ticket",?handleReq)
?http.ListenAndServe(":3005",?nil)
}

上面我們做完了所有的初始化工作，接下來(lái)handleReq的邏輯非常清晰，判斷是否搶票成功，返回給用戶信息就可以了。

package?main
//處理請(qǐng)求函數(shù),根據(jù)請(qǐng)求將響應(yīng)結(jié)果信息寫入日志
func?handleReq(w?http.ResponseWriter,?r?*http.Request)?{
?redisConn?:=?redisPool.Get()
?LogMsg?:=?""
?<-done
?//全局讀寫鎖
?if?localSpike.LocalDeductionStock()?&&?remoteSpike.RemoteDeductionStock(redisConn)?{
??util.RespJson(w,?1,??"搶票成功",?nil)
??LogMsg?=?LogMsg?+?"result:1,localSales:"?+?strconv.FormatInt(localSpike.LocalSalesVolume,?10)
?}?else?{
??util.RespJson(w,?-1,?"已售罄",?nil)
??LogMsg?=?LogMsg?+?"result:0,localSales:"?+?strconv.FormatInt(localSpike.LocalSalesVolume,?10)
?}
?done?<-?1

?//將搶票狀態(tài)寫入到log中
?writeLog(LogMsg,?"./stat.log")
}

func?writeLog(msg?string,?logPath?string)?{
?fd,?_?:=?os.OpenFile(logPath,?os.O_RDWR|os.O_CREATE|os.O_APPEND,?0644)
?defer?fd.Close()
?content?:=?strings.Join([]string{msg,?"\r\n"},?"")
?buf?:=?[]byte(content)
?fd.Write(buf)
}

前邊提到我們扣庫(kù)存時(shí)要考慮競(jìng)態(tài)條件，我們這里是使用channel避免并發(fā)的讀寫，保證了請(qǐng)求的高效順序執(zhí)行。我們將接口的返回信息寫入到了./stat.log文件方便做壓測(cè)統(tǒng)計(jì)。

4.4 單機(jī)服務(wù)壓測(cè)

開啟服務(wù)，我們使用ab壓測(cè)工具進(jìn)行測(cè)試：

ab?-n?10000?-c?100?http://127.0.0.1:3005/buy/ticket

下面是我本地低配mac的壓測(cè)信息

This?is?ApacheBench,?Version?2.3?<$Revision:?1826891?$>
Copyright?1996?Adam?Twiss,?Zeus?Technology?Ltd,?http://www.zeustech.net/
Licensed?to?The?Apache?Software?Foundation,?http://www.apache.org/

Benchmarking?127.0.0.1?(be?patient)
Completed?1000?requests
Completed?2000?requests
Completed?3000?requests
Completed?4000?requests
Completed?5000?requests
Completed?6000?requests
Completed?7000?requests
Completed?8000?requests
Completed?9000?requests
Completed?10000?requests
Finished?10000?requests


Server?Software:
Server?Hostname:????????127.0.0.1
Server?Port:????????????3005

Document?Path:??????????/buy/ticket
Document?Length:????????29?bytes

Concurrency?Level:??????100
Time?taken?for?tests:???2.339?seconds
Complete?requests:??????10000
Failed?requests:????????0
Total?transferred:??????1370000?bytes
HTML?transferred:???????290000?bytes
Requests?per?second:????4275.96?[#/sec]?(mean)
Time?per?request:???????23.387?[ms]?(mean)
Time?per?request:???????0.234?[ms]?(mean,?across?all?concurrent?requests)
Transfer?rate:??????????572.08?[Kbytes/sec]?received

Connection?Times?(ms)
??????????????min??mean[+/-sd]?median???max
Connect:????????0????8??14.7??????6?????223
Processing:?????2???15??17.6?????11?????232
Waiting:????????1???11??13.5??????8?????225
Total:??????????7???23??22.8?????18?????239

Percentage?of?the?requests?served?within?a?certain?time?(ms)
??50%?????18
??66%?????24
??75%?????26
??80%?????28
??90%?????33
??95%?????39
??98%?????45
??99%?????54
?100%????239?(longest?request)

根據(jù)指標(biāo)顯示，我單機(jī)每秒就能處理4000+的請(qǐng)求，正常服務(wù)器都是多核配置，處理1W+的請(qǐng)求根本沒(méi)有問(wèn)題。而且查看日志發(fā)現(xiàn)整個(gè)服務(wù)過(guò)程中，請(qǐng)求都很正常，流量均勻，redis也很正常：

//stat.log
...
result:1,localSales:145
result:1,localSales:146
result:1,localSales:147
result:1,localSales:148
result:1,localSales:149
result:1,localSales:150
result:0,localSales:151
result:0,localSales:152
result:0,localSales:153
result:0,localSales:154
result:0,localSales:156
...

5.總結(jié)回顧

總體來(lái)說(shuō)，秒殺系統(tǒng)是非常復(fù)雜的。我們這里只是簡(jiǎn)單介紹模擬了一下單機(jī)如何優(yōu)化到高性能，集群如何避免單點(diǎn)故障，保證訂單不超賣、不少賣的一些策略，完整的訂單系統(tǒng)還有訂單進(jìn)度的查看，每臺(tái)服務(wù)器上都有一個(gè)任務(wù)，定時(shí)的從總庫(kù)存同步余票和庫(kù)存信息展示給用戶,還有用戶在訂單有效期內(nèi)不支付，釋放訂單，補(bǔ)充到庫(kù)存等等。

我們實(shí)現(xiàn)了高并發(fā)搶票的核心邏輯，可以說(shuō)系統(tǒng)設(shè)計(jì)的非常的巧妙，巧妙的避開了對(duì)DB數(shù)據(jù)庫(kù)IO的操作，對(duì)Redis網(wǎng)絡(luò)IO的高并發(fā)請(qǐng)求，幾乎所有的計(jì)算都是在內(nèi)存中完成的，而且有效的保證了不超賣、不少賣，還能夠容忍部分機(jī)器的宕機(jī)。我覺(jué)得其中有兩點(diǎn)特別值得學(xué)習(xí)總結(jié)：

• 負(fù)載均衡，分而治之。通過(guò)負(fù)載均衡，將不同的流量劃分到不同的機(jī)器上，每臺(tái)機(jī)器處理好自己的請(qǐng)求，將自己的性能發(fā)揮到極致，這樣系統(tǒng)的整體也就能承受極高的并發(fā)了，就像工作的的一個(gè)團(tuán)隊(duì)，每個(gè)人都將自己的價(jià)值發(fā)揮到了極致，團(tuán)隊(duì)成長(zhǎng)自然是很大的。

• 合理的使用并發(fā)和異步。自epoll網(wǎng)絡(luò)架構(gòu)模型解決了c10k問(wèn)題以來(lái)，異步越來(lái)被服務(wù)端開發(fā)人員所接受，能夠用異步來(lái)做的工作，就用異步來(lái)做，在功能拆解上能達(dá)到意想不到的效果，這點(diǎn)在nginx、node.js、redis上都能體現(xiàn)，他們處理網(wǎng)絡(luò)請(qǐng)求使用的epoll模型，用實(shí)踐告訴了我們單線程依然可以發(fā)揮強(qiáng)大的威力。服務(wù)器已經(jīng)進(jìn)入了多核時(shí)代，go語(yǔ)言這種天生為并發(fā)而生的語(yǔ)言，完美的發(fā)揮了服務(wù)器多核優(yōu)勢(shì)，很多可以并發(fā)處理的任務(wù)都可以使用并發(fā)來(lái)解決，比如go處理http請(qǐng)求時(shí)每個(gè)請(qǐng)求都會(huì)在一個(gè)goroutine中執(zhí)行，總之:怎樣合理的壓榨CPU,讓其發(fā)揮出應(yīng)有的價(jià)值，是我們一直需要探索學(xué)習(xí)的方向。

? 作者?|??繪你一世傾城

來(lái)源 |??juejin.cn/post/6844903949632274445