單機如何優(yōu)化高性能秒殺系統(tǒng)

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問題：搶火車票!雖然現(xiàn)在大多數(shù)情況下都能訂到票,但是放票瞬間即無票的場景，相信大家都深有體會。

尤其是春節(jié)期間，大家不僅使用12306，還會考慮“智行”和其他的搶票軟件,全國上下幾億人在這段時間都在搶票。

“12306服務”承受著這個世界上任何秒殺系統(tǒng)都無法超越的QPS,上百萬的并發(fā)再正常不過了！筆者專門研究了一下“12306”的服務端架構,學習到了其系統(tǒng)設計上很多亮點，在這里和大家分享一下并模擬一個例子：如何在100萬人同時搶1萬張火車票時，系統(tǒng)提供正常、穩(wěn)定的服務。

1. 大型高并發(fā)系統(tǒng)架構

高并發(fā)的系統(tǒng)架構都會采用分布式集群部署，服務上層有著層層負載均衡，并提供各種容災手段(雙火機房、節(jié)點容錯、服務器災備等)保證系統(tǒng)的高可用,流量也會根據(jù)不同的負載能力和配置策略均衡到不同的服務器上。下邊是一個簡單的示意圖:

1.1 負載均衡簡介

上圖中描述了用戶請求到服務器經歷了三層的負載均衡，下邊分別簡單介紹一下這三種負載均衡：

OSPF(開放式最短鏈路優(yōu)先)是一個內部網關協(xié)議(Interior Gateway Protocol,簡稱IGP)。OSPF通過路由器之間通告網絡接口的狀態(tài)來建立鏈路狀態(tài)數(shù)據(jù)庫，生成最短路徑樹，OSPF會自動計算路由接口上的Cost值，但也可以通過手工指定該接口的Cost值，手工指定的優(yōu)先于自動計算的值。OSPF計算的Cost，同樣是和接口帶寬成反比，帶寬越高，Cost值越小。到達目標相同Cost值的路徑，可以執(zhí)行負載均衡，最多6條鏈路同時執(zhí)行負載均衡。

LVS (Linux VirtualServer)，它是一種集群(Cluster)技術，采用IP負載均衡技術和基于內容請求分發(fā)技術。調度器具有很好的吞吐率，將請求均衡地轉移到不同的服務器上執(zhí)行，且調度器自動屏蔽掉服務器的故障，從而將一組服務器構成一個高性能的、高可用的虛擬服務器。

Nginx想必大家都很熟悉了,是一款非常高性能的http代理/反向代理服務器,服務開發(fā)中也經常使用它來做負載均衡。Nginx實現(xiàn)負載均衡的方式主要有三種:輪詢、加權輪詢、ip hash輪詢，下面我們就針對Nginx的加權輪詢做專門的配置和測試

1.2 Nginx加權輪詢的演示

Nginx實現(xiàn)負載均衡通過upstream模塊實現(xiàn)，其中加權輪詢的配置是可以給相關的服務加上一個權重值，配置的時候可能根據(jù)服務器的性能、負載能力設置相應的負載。

下面是一個加權輪詢負載的配置，我將在本地的監(jiān)聽3001-3004端口,分別配置1，2，3，4的權重:

#配置負載均衡    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，接下來使用Go語言開啟四個http端口監(jiān)聽服務，下面是監(jiān)聽在3001端口的Go程序,其他幾個只需要修改端口即可：

package mainimport (  "net/http"  "os"  "strings")func main() {  http.HandleFunc("/buy/ticket", handleReq)  http.ListenAndServe(":3001", nil)}//處理請求函數(shù),根據(jù)請求將響應結果信息寫入日志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, "
"}, "3001")  buf := []byte(content)  fd.Write(buf)}

我將請求的端口日志信息寫到了./stat.log文件當中，然后使用ab壓測工具做壓測:

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

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

https://www.kancloud.cn/digest/understandingnginx/202607

2.秒殺搶購系統(tǒng)選型

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

從上面的介紹我們知道用戶秒殺流量通過層層的負載均衡，均勻到了不同的服務器上，即使如此，集群中的單機所承受的QPS也是非常高的。如何將單機性能優(yōu)化到極致呢？

要解決這個問題，我們就要想明白一件事：通常訂票系統(tǒng)要處理生成訂單、減扣庫存、用戶支付這三個基本的階段，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)。

這三個階段的先后順序改怎么分配才更加合理呢?我們來分析一下：

2.1 下單減庫存

當用戶并發(fā)請求到達服務端時，首先創(chuàng)建訂單，然后扣除庫存，等待用戶支付。

這種順序是我們一般人首先會想到的解決方案，這種情況下也能保證訂單不會超賣，因為創(chuàng)建訂單之后就會減庫存，這是一個原子操作。

但是這樣也會產生一些問題

第一就是在極限并發(fā)情況下，任何一個內存操作的細節(jié)都至關影響性能，尤其像創(chuàng)建訂單這種邏輯，一般都需要存儲到磁盤數(shù)據(jù)庫的，對數(shù)據(jù)庫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存就會變少，會少賣很多訂單，雖然服務端可以限制IP和用戶的購買訂單數(shù)量，這也不算是一個好方法。

2.2 支付減庫存

如果等待用戶支付了訂單在減庫存，第一感覺就是不會少賣。但是這是并發(fā)架構的大忌，因為在極限并發(fā)情況下，用戶可能會創(chuàng)建很多訂單，當庫存減為零的時候很多用戶發(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)庫磁盤IO

2.3 預扣庫存

從上邊兩種方案的考慮，我們可以得出結論：只要創(chuàng)建訂單，就要頻繁操作數(shù)據(jù)庫IO。那么有沒有一種不需要直接操作數(shù)據(jù)庫IO的方案呢，這就是預扣庫存。先扣除了庫存，保證不超賣，然后異步生成用戶訂單，這樣響應給用戶的速度就會快很多；

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，比如說用戶五分鐘內不支付，訂單就失效了，訂單一旦失效，就會加入新的庫存，這也是現(xiàn)在很多網上零售企業(yè)保證商品不少賣采用的方案。

訂單的生成是異步的,一般都會放到MQ、kafka這樣的即時消費隊列中處理,訂單量比較少的情況下，生成訂單非?？欤脩魩缀醪挥门抨?。

3. 扣庫存的藝術

從上面的分析可知，顯然預扣庫存的方案最合理。我們進一步分析扣庫存的細節(jié)，這里還有很大的優(yōu)化空間，庫存存在哪里？怎樣保證高并發(fā)下，正確的扣庫存，還能快速的響應用戶請求？

在單機低并發(fā)情況下，我們實現(xiàn)扣庫存通常是這樣的: ? 為了保證扣庫存和生成訂單的原子性，需要采用事務處理，然后取庫存判斷、減庫存，最后提交事務，整個流程有很多IO，對數(shù)據(jù)庫的操作又是阻塞的。這種方式根本不適合高并發(fā)的秒殺系統(tǒng)。 ? 接下來我們對單機扣庫存的方案做優(yōu)化：本地扣庫存。我們把一定的庫存量分配到本地機器，直接在內存中減庫存，然后按照之前的邏輯異步創(chuàng)建訂單。改進過之后的單機系統(tǒng)是這樣的: ? ? 這樣就避免了對數(shù)據(jù)庫頻繁的IO操作，只在內存中做運算，極大的提高了單機抗并發(fā)的能力。但是百萬的用戶請求量單機是無論如何也抗不住的，雖然nginx處理網絡請求使用epoll模型，c10k的問題在業(yè)界早已得到了解決。 ? 但是linux系統(tǒng)下，一切資源皆文件，網絡請求也是這樣，大量的文件描述符會使操作系統(tǒng)瞬間失去響應。上面我們提到了nginx的加權均衡策略，我們不妨假設將100W的用戶請求量平均均衡到100臺服務器上，這樣單機所承受的并發(fā)量就小了很多。

然后我們每臺機器本地庫存100張火車票，100臺服務器上的總庫存還是1萬，這樣保證了庫存訂單不超賣,下面是我們描述的集群架構: ? 問題接踵而至，在高并發(fā)情況下，現(xiàn)在我們還無法保證系統(tǒng)的高可用，假如這100臺服務器上有兩三臺機器因為扛不住并發(fā)的流量或者其他的原因宕機了。那么這些服務器上的訂單就賣不出去了，這就造成了訂單的少賣。 ? 要解決這個問題，我們需要對總訂單量做統(tǒng)一的管理，這就是接下來的容錯方案。服務器不僅要在本地減庫存，另外要遠程統(tǒng)一減庫存。有了遠程統(tǒng)一減庫存的操作，我們就可以根據(jù)機器負載情況，為每臺機器分配一些多余的“buffer庫存”用來防止機器中有機器宕機的情況。我們結合下面架構圖具體分析一下: ? ? 我們采用Redis存儲統(tǒng)一庫存，因為Redis的性能非常高，號稱單機QPS能抗10W的并發(fā)。在本地減庫存以后，如果本地有訂單，我們再去請求redis遠程減庫存，本地減庫存和遠程減庫存都成功了，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超賣。 ? 當機器中有機器宕機時，因為每個機器上有預留的buffer余票，所以宕機機器上的余票依然能夠在其他機器上得到彌補，保證了不少賣。 ? buffer余票設置多少合適呢，理論上buffer設置的越多，系統(tǒng)容忍宕機的機器數(shù)量就越多，但是buffer設置的太大也會對redis造成一定的影響。 ? 雖然redis內存數(shù)據(jù)庫抗并發(fā)能力非常高，請求依然會走一次網絡IO,其實搶票過程中對redis的請求次數(shù)是本地庫存和buffer庫存的總量，因為當本地庫存不足時，系統(tǒng)直接返回用戶“已售罄”的信息提示，就不會再走統(tǒng)一扣庫存的邏輯，這在一定程度上也避免了巨大的網絡請求量把redis壓跨，所以buffer值設置多少，需要架構師對系統(tǒng)的負載能力做認真的考量。 ?

4. 代碼演示

Go語言原生為并發(fā)設計，我采用go語言給大家演示一下單機搶票的具體流程。

4.1 初始化工作

go包中的init函數(shù)先于main函數(shù)執(zhí)行，在這個階段主要做一些準備性工作。我們系統(tǒng)需要做的準備工作有：初始化本地庫存、初始化遠程redis存儲統(tǒng)一庫存的hash鍵值、初始化redis連接池；

另外還需要初始化一個大小為1的int類型chan,目的是實現(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爭,但使用channel更加高效，這就是go語言的哲學：不要通過共享內存來通信，而要通過通信來共享內存。

redis庫使用的是redigo，下面是代碼實現(xiàn):

...//localSpike包結構體定義package localSpiketype LocalSpike struct {  LocalInStock     int64  LocalSalesVolume int64}...//remoteSpike對hash結構的定義和redis連接池package remoteSpike//遠程訂單存儲健值type RemoteSpikeKeys struct {  SpikeOrderHashKey string  //redis中秒殺訂單hash結構key  TotalInventoryKey string  //hash結構中總訂單庫存key  QuantityOfOrderKey string  //hash結構中已有訂單數(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 本地扣庫存和統(tǒng)一扣庫存

本地扣庫存邏輯非常簡單，用戶請求過來，添加銷量，然后對比銷量是否大于本地庫存，返回bool值:

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

注意這里對共享數(shù)據(jù)LocalSalesVolume的操作是要使用鎖來實現(xiàn)的，但是因為本地扣庫存和統(tǒng)一扣庫存是一個原子性操作，所以在最上層使用channel來實現(xiàn)，這塊后邊會講。 統(tǒng)一扣庫存操作redis，因為redis是單線程的，而我們要實現(xiàn)從中取數(shù)據(jù)，寫數(shù)據(jù)并計算一些列步驟，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,返回結果值       if(ticket_total_nums >= ticket_sold_nums) then            return redis.call('HINCRBY', ticket_key, ticket_sold_key, 1)        end        return 0`//遠端統(tǒng)一扣庫存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結構存儲總庫存和總銷量的信息,用戶請求過來時，判斷總銷量是否大于庫存，然后返回相關的bool值。在啟動服務之前，我們需要初始化redis的初始庫存信息:

 hmset ticket_hash_key "ticket_total_nums" 10000 "ticket_sold_nums" 0

4.3 響應用戶信息

我們開啟一個http服務，監(jiān)聽在一個端口上:

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//處理請求函數(shù),根據(jù)請求將響應結果信息寫入日志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, "
"}, "")  buf := []byte(content)  fd.Write(buf)}

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

4.4 單機服務壓測

開啟服務，我們使用ab壓測工具進行測試：

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 requestsCompleted 2000 requestsCompleted 3000 requestsCompleted 4000 requestsCompleted 5000 requestsCompleted 6000 requestsCompleted 7000 requestsCompleted 8000 requestsCompleted 9000 requestsCompleted 10000 requestsFinished 10000 requestsServer Software:Server Hostname:        127.0.0.1Server Port:            3005Document Path:          /buy/ticketDocument Length:        29 bytesConcurrency Level:      100Time taken for tests:   2.339 secondsComplete requests:      10000Failed requests:        0Total transferred:      1370000 bytesHTML transferred:       290000 bytesRequests 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] receivedConnection Times (ms)              min  mean[+/-sd] median   maxConnect:        0    8  14.7      6     223Processing:     2   15  17.6     11     232Waiting:        1   11  13.5      8     225Total:          7   23  22.8     18     239Percentage 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)指標顯示，我單機每秒就能處理4000+的請求，正常服務器都是多核配置，處理1W+的請求根本沒有問題。而且查看日志發(fā)現(xiàn)整個服務過程中，請求都很正常，流量均勻，redis也很正常：

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

5.總結回顧

總體來說，秒殺系統(tǒng)是非常復雜的。我們這里只是簡單介紹模擬了一下單機如何優(yōu)化到高性能，集群如何避免單點故障，保證訂單不超賣、不少賣的一些策略，完整的訂單系統(tǒng)還有訂單進度的查看，每臺服務器上都有一個任務，定時的從總庫存同步余票和庫存信息展示給用戶,還有用戶在訂單有效期內不支付，釋放訂單，補充到庫存等等。 我們實現(xiàn)了高并發(fā)搶票的核心邏輯，可以說系統(tǒng)設計的非常的巧妙，巧妙的避開了對DB數(shù)據(jù)庫IO的操作，對Redis網絡IO的高并發(fā)請求，幾乎所有的計算都是在內存中完成的，而且有效的保證了不超賣、不少賣，還能夠容忍部分機器的宕機。我覺得其中有兩點特別值得學習總結：

負載均衡，分而治之。通過負載均衡，將不同的流量劃分到不同的機器上，每臺機器處理好自己的請求，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，就像工作的的一個團隊，每個人都將自己的價值發(fā)揮到了極致，團隊成長自然是很大的。

合理的使用并發(fā)和異步。自epoll網絡架構模型解決了c10k問題以來，異步越來被服務端開發(fā)人員所接受，能夠用異步來做的工作，就用異步來做，在功能拆解上能達到意想不到的效果，這點在nginx、node.js、redis上都能體現(xiàn)，他們處理網絡請求使用的epoll模型，用實踐告訴了我們單線程依然可以發(fā)揮強大的威力。服務器已經進入了多核時代，go語言這種天生為并發(fā)而生的語言，完美的發(fā)揮了服務器多核優(yōu)勢，很多可以并發(fā)處理的任務都可以使用并發(fā)來解決，比如go處理http請求時每個請求都會在一個goroutine中執(zhí)行，總之:怎樣合理的壓榨CPU,讓其發(fā)揮出應有的價值，是我們一直需要探索學習的方向。