设计支持万人并发抢购的秒杀系统架构方案

2. 高并发请求处理

2.1 流量削峰

// 使用消息队列缓冲请求
@Component
public class SeckillService {
    @Autowired
    private RocketMQTemplate mqTemplate;

    public SeckillResult seckill(SeckillRequest request) {
        // 1. 校验用户和商品状态
        if (!validate(request)) {
            return SeckillResult.fail("校验失败");
        }
        // 2. 生成唯一请求 ID
        String requestId = generateRequestId(request);
        // 3. 请求入队，立即返回
        mqTemplate.sendOneWay("seckill-topic", MessageBuilder.withPayload(request).build());
        // 4. 返回排队中状态，前端轮询结果
        return SeckillResult.processing(requestId);
    }
}

2.2 分层过滤

所有请求 → 合法性校验 → 库存校验 → 频率控制 → 实际下单
100 万   → 50 万       → 10 万     → 5 万      → 1 万

3. 系统性能优化

3.1 缓存策略

多级缓存配置
缓存层级:
一级：JVM 本地缓存 (Caffeine) - 热点商品
二级：Redis 集群 - 库存信息
三级：数据库 - 最终一致性

3.2 读多写少优化

// 商品信息缓存预热
@Service
public class CacheWarmUpService {
    @PostConstruct
    public void warmUpSeckillProducts() {
        List<Product> hotProducts = loadHotProducts();
        for (Product product : hotProducts) {
            // 库存信息
            redisTemplate.opsForValue().set(
                "stock:" + product.getId(), product.getStock()
            );
            // 商品详情
            redisTemplate.opsForValue().set(
                "product:" + product.getId(), JSON.toJSONString(product)
            );
            // 使用布隆过滤器存储可售商品 ID
            bloomFilter.add(product.getId());
        }
    }
}

4. 详细实现方案

4.1 秒杀流程

class SeckillSystem:
    def process_seckill(self, user_id, product_id):
        # 1. 恶意请求拦截
        if not self.check_risk(user_id):
            return {"code": 403, "msg": "访问过于频繁"}
        # 2. 布隆过滤器快速判断
        if not bloom_filter.contains(product_id):
            return {"code": 404, "msg": "商品不存在"}
        # 3. 内存标记（已售罄的商品直接返回）
        if sold_out_flags.get(product_id):
            return {"code": 400, "msg": "已售罄"}
        # 4. Redis 原子扣减库存
        if not self.deduct_stock_in_redis(product_id):
            sold_out_flags[product_id] = True
            return {"code": 400, "msg": "库存不足"}
        # 5. 生成订单 ID（雪花算法）
        order_id = snowflake.generate()
        # 6. 订单信息入队
        mq.send({
            "order_id": order_id,
            "user_id": user_id,
            "product_id": product_id,
            "time": time.time()
        })
        # 7. 返回排队中
        return {
            "code": 200,
            "msg": "排队中",
            "order_id": order_id,
            "queue_position": get_queue_position(order_id)
        }

4.2 库存同步方案

@Component
@Slf4j
public class StockSyncService {
    // 数据库最终扣减
    @Transactional
    public void syncStockToDB(String productId, int count) {
        try {
            // 数据库扣减（带重试机制）
            boolean success = productDAO.deductStock(productId, count);
            if (success) {
                // 更新 Redis 中的最终库存状态
                redisTemplate.opsForValue().set(
                    "stock_final:" + productId, getDBStock(productId)
                );
                // 删除售罄标记
                soldOutCache.remove(productId);
            }
        } catch (Exception e) {
            log.error("库存同步失败", e);
            // 记录异常，人工介入处理
            alertService.sendAlert(e);
        }
    }

    // 库存对账任务
    @Scheduled(cron = "0 */5 * * * ?")
    public void stockReconciliation() {
        List<Product> products = productDAO.getAllSeckillProducts();
        for (Product product : products) {
            Integer redisStock = getRedisStock(product.getId());
            Integer dbStock = product.getStock();
            if (!Objects.equals(redisStock, dbStock)) {
                log.warn("库存不一致：productId={}, redis={}, db={}", 
                         product.getId(), redisStock, dbStock);
                // 自动修复或报警
                fixStockInconsistency(product.getId(), dbStock);
            }
        }
    }
}

三、高可用保障

1. 限流降级策略

多维度限流配置
限流规则:
用户维度：每个用户 10 次/分钟
IP 维度：每个 IP 1000 次/分钟
商品维度：每个商品 10000 次/分钟
总 QPS: 系统最大承受 50000 QPS

2. 熔断降级

@RestController
@Slf4j
public class SeckillController {
    @GetMapping("/seckill/{productId}")
    @HystrixCommand(
        fallbackMethod = "seckillFallback",
        commandProperties = {
            @HystrixProperty(name = "execution.isolation.thread.timeoutInMilliseconds", value = "1000"),
            @HystrixProperty(name = "circuitBreaker.requestVolumeThreshold", value = "20")
        }
    )
    public Response seckill(@PathVariable String productId, @RequestParam String userId) {
        return seckillService.process(userId, productId);
    }

    // 降级方法
    public Response seckillFallback(String productId, String userId) {
        return Response.error("系统繁忙，请稍后重试");
    }
}

四、监控与告警

1. 关键监控指标

• 系统层面：QPS、RT、错误率、CPU/内存使用率
• 应用层面：库存扣减成功率、消息堆积量
• 业务层面：抢购成功率、用户排队时长

2. 监控实现

@Component
public class SeckillMonitor {
    private final MeterRegistry meterRegistry;

    // 记录关键指标
    public void recordSeckill(String productId, boolean success, long cost) {
        // QPS 监控
        meterRegistry.counter("seckill.requests.total").increment();
        if (success) {
            meterRegistry.counter("seckill.success.total").increment();
        } else {
            meterRegistry.counter("seckill.fail.total").increment();
        }
        // 耗时分布
        meterRegistry.timer("seckill.process.time")
            .record(cost, TimeUnit.MILLISECONDS);
        // 库存变化
        meterRegistry.gauge("seckill.stock." + productId, getCurrentStock(productId));
    }
}

五、部署与扩展

1. 弹性扩展策略

• 水平扩展：无状态服务可快速扩容
• 自动伸缩：基于 CPU 使用率或 QPS 自动扩缩容
• 异地多活：重要业务支持多机房部署

2. 压测方案

压测场景:
场景 1: 库存预热，10 万用户同时抢 1 万商品
场景 2: 持续高压，5 万 QPS 持续 5 分钟
场景 3: 峰值冲击，瞬间 20 万 QPS
压测目标:
成功率：>99.9%
平均 RT: <100ms
错误率：<0.1%

六、安全考虑

• 防刷机制：
  1. 验证码（峰值时降级）
  2. 设备指纹
  3. 行为分析
• 数据安全：
  1. 关键数据加密
  2. 操作日志记录
  3. 防篡改校验

总结要点

1. 架构核心：分层过滤 + 异步处理 + 最终一致
2. 库存核心：Redis 原子操作 + 消息队列 + 数据库乐观锁
3. 性能核心：缓存预热 + 流量削峰 + 读写分离
4. 稳定核心：熔断降级 + 限流隔离 + 快速失败

面试回答

首先，架构设计上要动静分离、分层削峰。我会把系统分为：

1. 静态资源分离：商品图片、描述页等提前推送到 CDN，请求直接走边缘节点，不给后端压力。
2. 网关层限流：在入口用 Nginx 或网关（如 Sentinel）做恶意请求拦截和总流量限制，比如对同一 UID 限速，超过阈值直接返回'请求频繁'。
3. 业务逻辑后置，请求队列化：秒杀的核心——'下单扣库存'这个最重要的逻辑，绝不放在前台实时处理。用户点击'抢购'后，前端直接返回'排队中'，请求进入一个消息队列（比如 RabbitMQ、Kafka 或 RocketMQ）。这样一来，海量并发就被平滑成顺序处理的流量，后端服务按照自己的能力从队列里慢慢消费，实现削峰填谷。
4. 服务独立部署：把秒杀相关的功能（验资格、扣库存）单独做成一个微服务，避免影响商城其他正常功能（如浏览、普通下单）。

其次，针对如何解决超卖、库存扣减和高并发请求这三个核心问题，我的解决方案是：

• 解决超卖和库存扣减：这是秒杀的核心。我的方案是：
  • 预扣库存：活动开始前，把商品的库存从主库加载到Redis中。Redis 是单线程内存操作，可以保证原子性。
  • 原子化操作：在 Redis 里，使用 DECR 或 LUA 脚本来扣减库存。DECR 命令会直接返回扣减后的值，如果返回值小于 0，就说明库存没了，后续流程直接返回售罄。LUA 脚本可以打包多个操作（检查库存、扣减），确保整个过程原子性，彻底杜绝超卖。
  • 最终同步：后台服务从队列消费，成功扣减 Redis 库存后，生成一个订单 ID（但状态是'未支付'），再异步去更新数据库的库存。这里数据库的库存更多是用于后续对账和长尾查询。
• 应对高并发请求：
  • 限流：除了网关层的总限流，在秒杀服务本身也要做限流，比如用信号量或令牌桶控制处理线程数，只服务自己能承受的流量，多的直接拒绝，快速失败。
  • 无状态化与扩容：秒杀服务做成无状态的，方便用 K8s 或云服务快速横向扩容，扛过峰值后再缩容，控制成本。
  • 热点数据隔离：对于'爆款'商品，它的库存 Key 在 Redis 里是热点 Key。可以做两件事：一是提前对它进行Key 散列，把压力分散到多个 Redis 节点；二是使用 Redis 集群模式，并开启读写分离。

最后，还有一些关键的细节和兜底策略：

• 防刷与验证：前端加入计算型验证码或答题，防止机器人；下单前必须校验用户资格（是否登录、地址完善等）。
• 异步下单与结果轮询：用户提交后，服务端返回一个'排队 ID'，前端用这个 ID 轮询后端，查询最终结果（成功、失败或等待）。用户体验上是'排队等待'，而不是一直卡住或报错。
• 数据一致性对账：因为用了 Redis 和消息队列，可能出现极端情况下的数据不一致（比如 Redis 扣成功，但下游服务挂了，订单没生成）。需要有一个定时对账任务，核对 Redis、数据库库存和订单状态，进行修复。
• 降级与熔断：如果 Redis 或数据库访问慢，要有熔断机制，防止服务被拖垮。比如可以快速降级到'返回售罄'的静态页面。

总结一下，我的设计思路是：前端限流拦截，请求队列削峰；Redis 原子扣减防超卖；服务无状态化应对高并发；再通过异步、对账等手段保证最终一致性和用户体验。