每到節(jié)假日期間欣范，一二線城市返鄉(xiāng)变泄、外出游玩的人們幾乎都面臨著一個(gè)問題：搶火車票！雖然現(xiàn)在大多數(shù)情況下都能訂到票恼琼，但是放票瞬間即無票的場景妨蛹，相信大家都深有體會(huì)。
尤其是春節(jié)期間晴竞，大家不僅使用 12306蛙卤，還會(huì)考慮“智行”和其他的搶票軟件，全國上下幾億人在這段時(shí)間都在搶票噩死〔眩“12306 服務(wù)”承受著這個(gè)世界上任何秒殺系統(tǒng)都無法超越的 QPS，上百萬的并發(fā)再正常不過了已维！
筆者專門研究了一下“12306”的服務(wù)端架構(gòu)行嗤，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 萬人同時(shí)搶 1 萬張火車票時(shí)衣摩，系統(tǒng)提供正常昂验、穩(wěn)定的服務(wù)。
Github代碼地址：
https://github.com/GuoZhaoran/spikeSystem
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艾扮，服務(wù)上層有著層層負(fù)載均衡既琴，并提供各種容災(zāi)手段（雙火機(jī)房、節(jié)點(diǎn)容錯(cuò)泡嘴、服務(wù)器災(zāi)備等）保證系統(tǒng)的高可用甫恩，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)簡單的示意圖：
1.1 負(fù)載均衡簡介
上圖中描述了用戶請求到服務(wù)器經(jīng)歷了三層的負(fù)載均衡酌予，下邊分別簡單介紹一下這三種負(fù)載均衡磺箕。
①OSPF（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，簡稱?IGP）
OSPF 通過路由器之間通告網(wǎng)絡(luò)接口的狀態(tài)來建立鏈路狀態(tài)數(shù)據(jù)庫抛虫，生成最短路徑樹松靡，OSPF 會(huì)自動(dòng)計(jì)算路由接口上的 Cost 值，但也可以通過手工指定該接口的 Cost 值建椰，手工指定的優(yōu)先于自動(dòng)計(jì)算的值雕欺。OSPF 計(jì)算的 Cost，同樣是和接口帶寬成反比，帶寬越高屠列，Cost 值越小啦逆。到達(dá)目標(biāo)相同 Cost 值的路徑，可以執(zhí)行負(fù)載均衡笛洛，最多 6 條鏈路同時(shí)執(zhí)行負(fù)載均衡夏志。
②LVS （Linux Virtual Server）
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)容請求分發(fā)技術(shù)苛让。調(diào)度器具有很好的吞吐率沟蔑，將請求均衡地轉(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)器的故障狱杰，從而將一組服務(wù)器構(gòu)成一個(gè)高性能的溉贿、高可用的虛擬服務(wù)器。
③Nginx
想必大家都很熟悉了浦旱，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)常使用它來做負(fù)載均衡九杂。Nginx 實(shí)現(xiàn)負(fù)載均衡的方式主要有三種：輪詢颁湖、加權(quán)輪詢、IP Hash 輪詢例隆。
下面我們就針對 Nginx 的加權(quán)輪詢做專門的配置和測試甥捺。
1.2 Nginx 加權(quán)輪詢的演示
Nginx 實(shí)現(xiàn)負(fù)載均衡通過 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)重值镀层，配置的時(shí)候可能根據(jù)服務(wù)器的性能镰禾、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)載的配置唱逢，我將在本地的監(jiān)聽 3001-3004 端口吴侦，分別配置 1，2坞古，3备韧，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。
接下來使用 Go 語言開啟四個(gè) HTTP 端口監(jiān)聽服務(wù)痪枫，下面是監(jiān)聽在 3001 端口的 Go 程序织堂，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)
}
//處理請求函數(shù),根據(jù)請求將響應(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 壓測工具做壓測：
ab?-n?1000?-c?100?http://www.load_balance.com/buy/ticket
統(tǒng)計(jì)日志中的結(jié)果奶陈，3001-3004 端口分別得到了 100易阳、200、300吃粒、400?的請求量潦俺。?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)黑竞。
具體的實(shí)現(xiàn)大家可以參考 Nginx 的 Upsteam 模塊實(shí)現(xiàn)源碼捕发，這里推薦一篇文章《Nginx 中 Upstream 機(jī)制的負(fù)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(wù)呢很魂？
從上面的介紹我們知道用戶秒殺流量通過層層的負(fù)載均衡扎酷，均勻到了不同的服務(wù)器上，即使如此遏匆，集群中的單機(jī)所承受的 QPS 也是非常高的法挨。如何將單機(jī)性能優(yōu)化到極致呢？
要解決這個(gè)問題幅聘，我們就要想明白一件事：?通常訂票系統(tǒng)要處理生成訂單凡纳、減扣庫存、用戶支付這三個(gè)基本的階段帝蒿。?我們系統(tǒng)要做的事情是要保證火車票訂單不超賣荐糜、不少賣，每張售賣的車票都必須支付才有效葛超，還要保證系統(tǒng)承受極高的并發(fā)暴氏。
這三個(gè)階段的先后順序該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(dāng)用戶并發(fā)請求到達(dá)服務(wù)端時(shí)绣张，首先創(chuàng)建訂單答渔，然后扣除庫存，等待用戶支付侥涵。?這種順序是我們一般人首先會(huì)想到的解決方案沼撕，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)減庫存芜飘，這是一個(gè)原子操作务豺。
但是這樣也會(huì)產(chǎn)生一些問題：
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)影響性能燃箭，尤其像創(chuàng)建訂單這種邏輯冲呢，一般都需要存儲(chǔ)到磁盤數(shù)據(jù)庫的，對數(shù)據(jù)庫的壓力是可想而知的招狸。
如果用戶存在惡意下單的情況敬拓，只下單不支付這樣庫存就會(huì)變少，會(huì)少賣很多訂單裙戏，雖然服務(wù)端可以限制 IP 和用戶的購買訂單數(shù)量乘凸，這也不算是一個(gè)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累榜，第一感覺就是不會(huì)少賣营勤。但是這是并發(fā)架構(gòu)的大忌灵嫌，因?yàn)樵跇O限并發(fā)情況下，用戶可能會(huì)創(chuàng)建很多訂單葛作。
當(dāng)庫存減為零的時(shí)候很多用戶發(fā)現(xiàn)搶到的訂單支付不了了寿羞，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赂蠢。
2.3 預(yù)扣庫存
從上邊兩種方案的考慮绪穆，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 IO虱岂。
那么有沒有一種不需要直接操作數(shù)據(jù)庫 IO 的方案呢玖院，這就是預(yù)扣庫存。先扣除了庫存第岖，保證不超賣难菌，然后異步生成用戶訂單，這樣響應(yīng)給用戶的速度就會(huì)快很多蔑滓；那么怎么保證不少賣呢郊酒？用戶拿到了訂單，不支付怎么辦键袱？?我們都知道現(xiàn)在訂單都有有效期猎塞，比如說用戶五分鐘內(nèi)不支付，訂單就失效了杠纵，訂單一旦失效，就會(huì)加入新的庫存钩骇，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比藻。
訂單的生成是異步的，一般都會(huì)放到 MQ倘屹、Kafka 這樣的即時(shí)消費(fèi)隊(duì)列中處理银亲，訂單量比較少的情況下，生成訂單非撑Τ祝快务蝠，用戶幾乎不用排隊(duì)。
3. 扣庫存的藝術(shù)
從上面的分析可知烛缔，顯然預(yù)扣庫存的方案最合理馏段。我們進(jìn)一步分析扣庫??的細(xì)節(jié)，這里還有很大的優(yōu)化空間践瓷，庫存存在哪里院喜？怎樣保證高并發(fā)下，正確的扣庫存晕翠，還能快速的響應(yīng)用戶請求喷舀？
在單機(jī)低并發(fā)情況下，我們實(shí)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(wù)處理硫麻，然后取庫存判斷爸邢、減庫存，最后提交事務(wù)拿愧，整個(gè)流程有很多 IO杠河，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)赶掖。
接下來我們對單機(jī)扣庫存的方案做優(yōu)化：本地扣庫存感猛。我們把一定的庫存量分配到本地機(jī)器，直接在內(nèi)存中減庫存奢赂，然后按照之前的邏輯異步創(chuàng)建訂單陪白。改進(jìn)過之后的單機(jī)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(nèi)存中做運(yùn)算膳灶，極大的提高了單機(jī)抗并發(fā)的能力咱士。
但是百萬的用戶請求量單機(jī)是無論如何也抗不住的，雖然 Nginx 處理網(wǎng)絡(luò)請求使用 Epoll 模型轧钓，c10k 的問題在業(yè)界早已得到了解決序厉。?但是 Linux 系統(tǒng)下，一切資源皆文件毕箍，網(wǎng)絡(luò)請求也是這樣弛房，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)均衡策略而柑，我們不妨假設(shè)將 100W 的用戶請求量平均均衡到 100 臺(tái)服務(wù)器上文捶，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)器本地庫存 100 張火車票媒咳，100?臺(tái)服務(wù)器上的總庫存還是 1 萬粹排，這樣保證了庫存訂單不超賣，下面是我們描述的集群架構(gòu)：
問題接踵而至涩澡，在高并發(fā)情況下顽耳，現(xiàn)在我們還無法保證系統(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)了妙同。?那么這些服務(wù)器上的訂單就賣不出去了射富，這就造成了訂單的少賣。
要解決這個(gè)問題粥帚，我們需要對總訂單量做統(tǒng)一的管理辉浦，這就是接下來的容錯(cuò)方案。服務(wù)器不僅要在本地減庫存茎辐，另外要遠(yuǎn)程統(tǒng)一減庫存宪郊。?有了遠(yuǎn)程統(tǒng)一減庫存的操作掂恕，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 庫存”用來防止機(jī)器中有機(jī)器宕機(jī)的情況弛槐。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)一庫存懊亡，因?yàn)?Redis 的性能非常高，號稱單機(jī) QPS 能抗 10W 的并發(fā)乎串。?在本地減庫存以后店枣，如果本地有訂單，我們再去請求 Redis 遠(yuǎn)程減庫存叹誉，本地減庫存和遠(yuǎn)程減庫存都成功了鸯两，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)超賣长豁。當(dāng)機(jī)器中有機(jī)器宕機(jī)時(shí)钧唐，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)匠襟，保證了不少賣钝侠。
Buffer 余票設(shè)置多少合適呢，理論上 Buffer 設(shè)置的越多酸舍，系統(tǒng)容忍宕機(jī)的機(jī)器數(shù)量就越多帅韧，但是 Buffer 設(shè)置的太大也會(huì)對 Redis 造成一定的影響。?雖然 Redis 內(nèi)存數(shù)據(jù)庫抗并發(fā)能力非常高啃勉，請求依然會(huì)走一次網(wǎng)絡(luò) IO忽舟，其實(shí)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?yàn)楫?dāng)本地庫存不足時(shí)淮阐，系統(tǒng)直接返回用戶“已售罄”的信息提示萧诫，就不會(huì)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(wǎng)絡(luò)請求量把 Redis 壓跨枝嘶，所以 Buffer 值設(shè)置多少，需要架構(gòu)師對系統(tǒng)的負(fù)載能力做認(rèn)真的考量哑诊。
4. 代碼演示
Go 語言原生為并發(fā)設(shè)計(jì)群扶，我采用 Go 語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)行镀裤，在這個(gè)階段主要做一些準(zhǔn)備性工作竞阐。
我們系統(tǒng)需要做的準(zhǔn)備工作有：初始化本地庫存、初始化遠(yuǎn)程 Redis 存儲(chǔ)統(tǒng)一庫存的 Hash 鍵值暑劝、初始化 Redis 連接池骆莹。?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)分布式鎖的功能担猛。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幕垦，但使用 Channel 更加高效丢氢，這就是 Go 語言的哲學(xué)：?不要通過共享內(nèi)存來通信，而要通過通信來共享內(nèi)存?先改。
Redis 庫使用的是 Redigo疚察，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，用戶請求過來仇奶，添加銷量貌嫡，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(shí)現(xiàn)的该溯，但是因?yàn)楸镜乜蹘齑婧徒y(tǒng)一扣庫存是一個(gè)原子性操作岛抄，所以在最上層使用 Channel 來實(shí)現(xiàn)，這塊后邊會(huì)講狈茉。
統(tǒng)一扣庫存操作 Redis夫椭，因?yàn)?Redis 是單線程的，而我們要實(shí)現(xiàn)從中取數(shù)據(jù)论皆，寫數(shù)據(jù)并計(jì)算一些列步驟益楼，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)總庫存和總銷量的信息点晴，用戶請求過來時(shí)感凤，判斷總銷量是否大于庫存，然后返回相關(guān)的 Bool 值粒督。
在啟動(dòng)服務(wù)之前陪竿，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(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屠橄，接下來 handleReq 的邏輯非常清晰族跛，判斷是否搶票成功，返回給用戶信息就可以了锐墙。
package?main
//處理請求函數(shù),根據(jù)請求將響應(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)
}
前邊提到我們扣庫存時(shí)要考慮競態(tài)條件礁哄，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)行溪北。?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(jì)桐绒。
4.4 單機(jī)服務(wù)壓測
開啟服務(wù)，我們使用 AB 壓測工具進(jìn)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?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)顯示之拨，我單機(jī)每秒就能處理 4000+ 的請求茉继，正常服務(wù)器都是多核配置，處理 1W+ 的請求根本沒有問題蚀乔。
而且查看日志發(fā)現(xiàn)整個(gè)服務(wù)過程中烁竭，請求都很正常，流量均勻吉挣，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
...
總結(jié)回顧
總體來說派撕，秒殺系統(tǒng)是非常復(fù)雜的婉弹。我們這里只是簡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)故障腥刹，保證訂單不超賣马胧、不少賣的一些策略，完整的訂單系統(tǒng)還有訂單進(jìn)度的查看衔峰，每臺(tái)服務(wù)器上都有一個(gè)任務(wù)佩脊，定時(shí)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(nèi)不支付垫卤，釋放訂單威彰，補(bǔ)充到庫存等等。
我們實(shí)現(xiàn)了高并發(fā)搶票的核心邏輯穴肘，可以說系統(tǒng)設(shè)計(jì)的非常的巧妙歇盼，巧妙的避開了對 DB 數(shù)據(jù)庫 IO 的操作。?對 Redis 網(wǎng)絡(luò) IO 的高并發(fā)請求评抚，幾乎所有的計(jì)算都是在內(nèi)存中完成的豹缀，而且有效的保證了不超賣、不少賣慨代，還能夠容忍部分機(jī)器的宕機(jī)邢笙。
我覺得其中有兩點(diǎn)特別值得學(xué)習(xí)總結(jié)：
①負(fù)載均衡，分而治之
通過負(fù)載均衡侍匙，將不同的流量劃分到不同的機(jī)器上氮惯，每臺(tái)機(jī)器處理好自己的請求，將自己的性能發(fā)揮到極致想暗。?這樣系統(tǒng)的整體也就能承受極高的并發(fā)了妇汗，就像工作的一個(gè)團(tuán)隊(duì)，每個(gè)人都將自己的價(jià)值發(fā)揮到了極致说莫，團(tuán)隊(duì)成長自然是很大的杨箭。
②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 問題以來，異步越來越被服務(wù)端開發(fā)人員所接受储狭，能夠用異步來做的工作互婿，就用異步來做，在功能拆解上能達(dá)到意想不到的效果晶密。?這點(diǎn)在 Nginx、Node.JS模她、Redis 上都能體現(xiàn)稻艰，他們處理網(wǎng)絡(luò)請求使用的 Epoll 模型，用實(shí)踐告訴了我們單線程依然可以發(fā)揮強(qiáng)大的威力侈净。服務(wù)器已經(jīng)進(jìn)入了多核時(shí)代尊勿，Go 語言這種天生為并發(fā)而生的語言僧凤，完美的發(fā)揮了服務(wù)器多核優(yōu)勢，很多可以并發(fā)處理的任務(wù)都可以使用并發(fā)來解決元扔，比如 Go 處理 HTTP 請求時(shí)每個(gè)請求都會(huì)在一個(gè) Goroutine 中執(zhí)行躯保。總之澎语，怎樣合理的壓榨 CPU途事，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)的方向擅羞。
--------? END? ---------
