接口幂等性是一个重要的概念,尤其在分布式系统和网络应用中,它意味着无论进行多少次操作,结果都保持一致。
例如,在HTTP协议中,GET、HEAD、PUT、DELETE、OPTIONS和TRACE方法都被定义为幂等方法。
实现接口幂等性的常见方法:
- 唯一事务编号(Token):
-
在执行操作前,生成一个唯一的标识符,例如UUID。
-
将此标识符存储在数据库或缓存中,标记为“已使用”。
-
在执行操作时,检查此标识符是否已被使用。
-
如果已使用,则不再执行操作;如果未使用,执行操作并标记为“已使用”。
- 数据库唯一键:
-
利用数据库的唯一约束(如唯一索引)来防止插入重复数据。
-
如果尝试插入重复数据,数据库将抛出异常,应用程序可以捕获此异常并相应处理。
- 版本号或时间戳:
-
在数据中包含版本号或时间戳。
-
更新数据时,检查版本号或时间戳是否匹配。
-
如果不匹配,说明数据已被其他操作修改,当前操作不再执行。
- 分布式锁:
-
使用分布式锁来确保在同一时间内只有一个操作可以执行。
-
例如,可以使用Redis的SETNX命令来实现分布式锁。
- 状态机:
-
设计状态机来确保操作的幂等性。
-
每个操作都对应一个状态转换,如果状态不允许该操作,则操作不执行。
高并发下的接口幂等性实现:
在高并发环境下,实现接口幂等性需要特别注意性能和一致性。以下是一些建议:
- 使用缓存:
-
将唯一事务编号存储在缓存中,以减少数据库访问次数和提高性能。
-
注意缓存的一致性和过期策略。
- 优化数据库:
-
确保数据库索引适当,以提高查询性能。
-
考虑使用更高效的数据库存储和查询策略。
- 分布式系统协调:
-
在分布式系统中,使用一致性协议(如Raft)来确保系统组件之间的一致性。
-
使用分布式事务来确保跨多个组件的操作的原子性。
- 异步处理:
-
将非幂等操作异步化,以减少对主业务流程的影响。
-
使用消息队列来解耦操作和结果处理。
- 监控和日志:
- 实施适当的监控和日志记录策略,以便在出现问题时能够快速定位和修复。
示例讲解:支付接口幂等性保证
场景描述
用户通过APP发起支付请求,由于网络问题或用户误操作,可能导致支付请求被多次发送。支付系统需要确保无论收到多少次支付请求,用户账户只被扣款一次。
实现步骤
- 生成唯一事务编号(Token)
-
前端生成Token:在用户发起支付请求前,前端生成一个全局唯一的Token(如UUID),并将该Token附加到支付请求中。
-
Token传递:将Token放置在HTTP请求的Header或Body中,发送给支付系统。
- 支付系统验证Token
-
接收Token:支付系统接收到支付请求后,首先从请求中提取Token。
-
检查Token:支付系统查询Redis或数据库等存储介质,检查该Token是否已存在。
-
如果Token已存在,说明该支付请求已被处理过,直接返回支付成功的结果,不再执行扣款操作。
-
如果Token不存在,说明这是一个新的支付请求,继续执行后续扣款流程。
- 执行扣款操作
- 在确认Token不存在后,支付系统执行扣款操作,更新用户账户余额,并记录支付信息。
- 标记Token为已使用
-
扣款成功后,支付系统将Token存储在Redis或数据库中,并标记为“已使用”。
-
设置Token的过期时间,以便在一段时间后自动清理无效Token,减少存储压力。
高并发下的实现
- 使用缓存提高性能
-
在高并发环境下,直接查询数据库可能会成为性能瓶颈。因此,可以使用Redis等缓存系统来存储Token信息,提高查询效率。
-
确保缓存与数据库之间的一致性,可以通过设置合理的过期时间和缓存更新策略来实现。
- 优化数据库操作
-
确保支付相关的数据库表具有适当的索引,以加快查询速度。
-
使用事务来确保扣款操作的原子性,防止因并发操作导致的数据不一致问题。
- 分布式锁
-
如果业务逻辑复杂,且需要确保多个操作之间的顺序性,可以使用分布式锁来防止并发冲突。
-
例如,在扣款操作前加锁,确保同一时间只有一个线程或进程可以执行扣款操作。
- 异步处理
-
对于非核心的支付结果通知等操作,可以考虑使用消息队列进行异步处理,以减少对主支付流程的影响。
-
异步处理还可以提高系统的容错性和可扩展性。
- 监控和日志
-
实施全面的监控策略,对支付接口的性能、错误率、响应时间等进行实时监控。
-
记录详细的日志信息,以便在出现问题时能够快速定位和解决。
通过以上步骤和策略,可以有效地保证支付接口的幂等性,并在高并发环境下实现稳定的支付服务。
如何学习大模型 AI ?
由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。
但是具体到个人,只能说是:
“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。
这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。
我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
第一阶段(10天):初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么?
- 大模型是怎样获得「智能」的?
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例:向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段(30天):高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示(Embeddings)
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段(30天):模型训练
恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。
到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2:手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段(20天):商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身:基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例:如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。
如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。