亿级流量的秒杀系统多级缓存调优

1、 项目进程内部： 堆内存缓存
2、 分布式缓存： redis 缓存
3、 openresty 接入层缓存： 内存字典
4、 redis+lua 对缓存结构进行升级
 

本地缓存+分布式缓存
缓存问题：
1、 本地缓存（堆内存缓存）
采用什么数据结构存储缓存？ ？
Map 结构： key:value 结构存储缓存数据， 数据脏读的问题， 堆内存中数据对脏数据
是极度不敏感的；
1） JVM 进程内存中， 内存资源非常宝贵（java 对象， jvm 对象）， JVM 进程级别的
缓存， 只缓存一些热点的数据
2） JVM 堆内存的资源对脏数据极度不敏感的 （无法实现内存数据和数据库的数据
及时的同步）
解决方案： 消息中间件通知进行缓存重写入， 定时重写入实现缓存内容更新， 但是
如此来实现缓存， 实现成本稍微有点高， 也没有这个必要；
因此解决方案： 给 JVM 内存缓存设置一个超时时间； 因此使用 cache 框架；
2、 分布式缓存
Redis 分布式缓存
 

内存字典
内存字典： openresty 内存字典 ---- 实现接入层的缓存 （ 内存字典： openresty + lua 共
同的实现的）；
缓存性能最好： 数据离请求越近的地方， 缓存数据的性能越好
 

Redis+lua：

Openresty 集成了 redis lua 库， 使用 redis+lua 只需要引入 redis lua 库即可使用 redis 相关操作
 

总结：
主要是针对读操作的优化实现， 优化法则： 读缓存， 写异步
1、 服务器优化
2、 jvm 优化
3、 数据库连接池优化
4、 多级缓存
5、 服务器分布式部署
伴随着压力测试， 观察优化的结果， 是否对性能提升有影响；
 

秒杀系统面临问题：
1、 业务问题： 如何保证库存在高并发模式下， 不会出现超卖现象
2、 性能问题： 如何保证下单操作在高并发模式下， 性能问题
3、 数据一致性问题： 在高并发模式下， 数据一致性问题如何保证
 

如何避免出现超卖的问题？ ？ ？
解决方案一： 加锁，单机sync  集群：redission
解决方案二： 原子性操作 ,automic类,Redis 服务器操作具有天然的原子操作的特性， redis 的每一个操作都是一个单线程的操作； 因此可以利用 redis 这样的操作模式， 来实现库存超卖的问题

解决方案三： 队列，阻塞队列，blockqueue

队列特点：
1、 队列的长度等于商品剩余库存数量
2、 队列中存储的数据是此商品的 id
3、 每一个商品对应一个队列
业务执行： pod 操作也是一个原子性的操作
1、 扣减库存： pop 操作从队列中出队一个 ID 值（ 队列的长度等于库存数量， 当队列
出队结束， 以为库存没了）
2、 判断队列长度
 

事务和锁冲突
问题 1： 事务在何时提交的？ ？ ？

解决方法：
1、 锁上移AOP 锁
 

Mysql 分布式锁
1） 悲观锁 ： for update
使用 for update 方式， 实现分布式条件下库存控制； 保证多客户端之间访问的互斥
乐观锁（版本模式）
乐观锁的模式， 有失败的一个现象（如果版本匹配失败， 没有执行权限， 返回没有执行相关
的业务操作）
在乐观锁模式下： TPS 性能 是 悲观锁的 10 倍以上；
 

Redis 分布式锁： Redisson 框架实现分布式锁
 

利用rocketmq事务性消息可以解决redis和mysql一致性问题。前面的文章已经详细分析过了