12306 搶票，極限併發帶來的思考
雖然現在大多數情況下都能訂到票，但是放票瞬間即無票的場景，相信大家都深有體會。
尤其是春節期間，大家不僅使用 12306，還會考慮“智行”和其他的搶票軟體，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都無法超越的 QPS，上百萬的併發再正常不過了！
筆者專門研究了一下“12306”的服務端架構，學習到了其系統設計上很多亮點，在這裡和大家分享一下並模擬一個例子：如何在 100 萬人同時搶 1 萬張火車票時，系統提供正常、穩定的服務。
Github程式碼地址：
https://github.com/GuoZhaoran/spikeSystem大型高併發系統架構
高併發的系統架構都會採用分散式叢集部署，服務上層有著層層負載均衡，並提供各種容災手段（雙火機房、節點容錯、伺服器災備等）保證系統的高可用，流量也會根據不同的負載能力和配置策略均衡到不同的伺服器上。
下邊是一個簡單的示意圖：
負載均衡簡介
上圖中描述了使用者請求到伺服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。
①OSPF（開放式最短鏈路優先）是一個內部閘道器協議（Interior Gateway Protocol，簡稱 IGP）
OSPF 通過路由器之間通告網路介面的狀態來建立鏈路狀態資料庫，生成最短路徑樹，OSPF 會自動計算路由介面上的 Cost 值，但也可以通過手工指定該介面的 Cost 值，手工指定的優先於自動計算的值。
OSPF 計算的 Cost，同樣是和介面頻寬成反比，頻寬越高，Cost 值越小。到達目標相同 Cost 值的路徑，可以執行負載均衡，最多 6 條鏈路同時執行負載均衡。
②LVS （Linux Virtual Server）
它是一種叢集（Cluster）技術，採用 IP 負載均衡技術和基於內容請求分發技術。
排程器具有很好的吞吐率，將請求均衡地轉移到不同的伺服器上執行，且排程器自動遮蔽掉伺服器的故障，從而將一組伺服器構成一個高效能的、高可用的虛擬伺服器。
③Nginx
想必大家都很熟悉了，是一款非常高效能的 HTTP 代理/反向代理伺服器，服務開發中也經常使用它來做負載均衡。
Nginx 實現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。
Nginx 加權輪詢的演示
Nginx 實現負載均衡通過 Upstream 模組實現，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伺服器的效能、負載能力設定相應的負載。
下面是一個加權輪詢負載的配置，我將在本地的監聽 3001-3004 埠，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 埠監聽服務，下面是監聽在 3001 埠的 Go 程式，其他幾個只需要修改埠即可：
package main
import (
"net/http"
"os"
"strings"
)
func main() {
http.HandleFunc("/buy/ticket", handleReq)
http.ListenAndServe(":3001", nil)
}
//處理請求函式,根據請求將響應結果資訊寫入日誌
func handleReq(w http.ResponseWriter, r *http.Request) {
failedMsg := "handle in port:"
writeLog(failedMsg, "./stat.log")
}
//寫入日誌
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)
}我將請求的埠日誌資訊寫到了 ./stat.log 檔案當中，然後使用 AB 壓測工具做壓測：
ab -n 1000 -c 100 http://www.load_balance.com/buy/ticket統計日誌中的結果，3001-3004 埠分別得到了 100、200、300、400 的請求量。
這和我在 Nginx 中配置的權重佔比很好的吻合在了一起，並且負載後的流量非常的均勻、隨機。
具體的實現大家可以參考 Nginx 的 Upsteam 模組實現原始碼，這裡推薦一篇文章《Nginx 中 Upstream 機制的負載均衡》：
https://www.kancloud.cn/digest/understandingnginx/202607秒殺搶購系統選型
回到我們最初提到的問題中來：火車票秒殺系統如何在高併發情況下提供正常、穩定的服務呢？
從上面的介紹我們知道使用者秒殺流量通過層層的負載均衡，均勻到了不同的伺服器上，即使如此，叢集中的單機所承受的 QPS 也是非常高的。如何將單機效能優化到極致呢？
要解決這個問題，我們就要想明白一件事：通常訂票系統要處理生成訂單、減扣庫存、使用者支付這三個基本的階段。
我們系統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，還要保證系統承受極高的併發。
這三個階段的先後順序該怎麼分配才更加合理呢？我們來分析一下：
下單減庫存
當使用者併發請求到達服務端時，首先建立訂單，然後扣除庫存，等待使用者支付。
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，因為建立訂單之後就會減庫存，這是一個原子操作。
但是這樣也會產生一些問題：
在極限併發情況下，任何一個記憶體操作的細節都至關影響效能，尤其像建立訂單這種邏輯，一般都需要儲存到磁碟資料庫的，對資料庫的壓力是可想而知的。
如果使用者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 和使用者的購買訂單數量，這也不算是一個好方法。
支付減庫存
如果等待使用者支付了訂單在減庫存，第一感覺就是不會少賣。但是這是併發架構的大忌，因為在極限併發情況下，使用者可能會建立很多訂單。
當庫存減為零的時候很多使用者發現搶到的訂單支付不了了，這也就是所謂的“超賣”。也不能避免併發運算元據庫磁碟 IO。
預扣庫存
從上邊兩種方案的考慮，我們可以得出結論：只要建立訂單，就要頻繁運算元據庫 IO。
那麼有沒有一種不需要直接運算元據庫 IO 的方案呢，這就是預扣庫存。先扣除了庫存，保證不超賣，然後非同步生成使用者訂單，這樣響應給使用者的速度就會快很多；那麼怎麼保證不少賣呢？使用者拿到了訂單，不支付怎麼辦？
我們都知道現在訂單都有有效期，比如說使用者五分鐘內不支付，訂單就失效了，訂單一旦失效，就會加入新的庫存，這也是現在很多網上零售企業保證商品不少賣採用的方案。
訂單的生成是非同步的，一般都會放到 MQ、Kafka 這樣的即時消費佇列中處理，訂單量比較少的情況下，生成訂單非常快，使用者幾乎不用排隊。
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，這裡還有很大的優化空間，庫存存在哪裡？怎樣保證高併發下，正確的扣庫存，還能快速的響應使用者請求？
在單機低併發情況下，我們實現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，需要採用事務處理，然後取庫存判斷、減庫存，最後提交事務，整個流程有很多 IO，對資料庫的操作又是阻塞的。
這種方式根本不適合高併發的秒殺系統。接下來我們對單機扣庫存的方案做優化：本地扣庫存。
我們把一定的庫存量分配到本地機器，直接在記憶體中減庫存，然後按照之前的邏輯非同步建立訂單。
改進過之後的單機系統是這樣的：
這樣就避免了對資料庫頻繁的 IO 操作，只在記憶體中做運算，極大的提高了單機抗併發的能力。
但是百萬的使用者請求量單機是無論如何也抗不住的，雖然 Nginx 處理網路請求使用 Epoll 模型，c10k 的問題在業界早已得到了解決。
但是 Linux 系統下，一切資源皆檔案，網路請求也是這樣，大量的檔案描述符會使作業系統瞬間失去響應。
上面我們提到了 Nginx 的加權均衡策略，我們不妨假設將 100W 的使用者請求量平均均衡到 100 臺伺服器上，這樣單機所承受的併發量就小了很多。
然後我們每臺機器本地庫存 100 張火車票，100 臺伺服器上的總庫存還是 1 萬，這樣保證了庫存訂單不超賣，下面是我們描述的叢集架構：
問題接踵而至，在高併發情況下，現在我們還無法保證系統的高可用，假如這 100 臺伺服器上有兩三臺機器因為扛不住併發的流量或者其他的原因當機了。那麼這些伺服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一的管理，這就是接下來的容錯方案。伺服器不僅要在本地減庫存，另外要遠端統一減庫存。
有了遠端統一減庫存的操作，我們就可以根據機器負載情況，為每臺機器分配一些多餘的“Buffer 庫存”用來防止機器中有機器當機的情況。
我們結合下面架構圖具體分析一下：
我們採用 Redis 儲存統一庫存，因為 Redis 的效能非常高，號稱單機 QPS 能抗 10W 的併發。
在本地減庫存以後，如果本地有訂單，我們再去請求 Redis 遠端減庫存，本地減庫存和遠端減庫存都成功了，才返回給使用者搶票成功的提示，這樣也能有效的保證訂單不會超賣。
當機器中有機器當機時，因為每個機器上有預留的 Buffer 餘票，所以當機機器上的餘票依然能夠在其他機器上得到彌補，保證了不少賣。
Buffer 餘票設定多少合適呢，理論上 Buffer 設定的越多，系統容忍當機的機器數量就越多，但是 Buffer 設定的太大也會對 Redis 造成一定的影響。
雖然 Redis 記憶體資料庫抗併發能力非常高，請求依然會走一次網路 IO，其實搶票過程中對 Redis 的請求次數是本地庫存和 Buffer 庫存的總量。
因為當本地庫存不足時，系統直接返回使用者“已售罄”的資訊提示，就不會再走統一扣庫存的邏輯。
這在一定程度上也避免了巨大的網路請求量把 Redis 壓跨，所以 Buffer 值設定多少，需要架構師對系統的負載能力做認真的考量。
程式碼演示
Go 語言原生為併發設計，我採用 Go 語言給大家演示一下單機搶票的具體流程。
初始化工作
Go 包中的 Init 函式先於 Main 函式執行，在這個階段主要做一些準備性工作。
我們系統需要做的準備工作有：初始化本地庫存、初始化遠端 Redis 儲存統一庫存的 Hash 鍵值、初始化 Redis 連線池。
另外還需要初始化一個大小為 1 的 Int 型別 Chan，目的是實現分散式鎖的功能。
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：不要通過共享記憶體來通訊，而要通過通訊來共享記憶體。
Redis 庫使用的是 Redigo，下面是程式碼實現：
...
//localSpike包結構體定義
package localSpike
type LocalSpike struct {
LocalInStock int64
LocalSalesVolume int64
}
...
//remoteSpike對hash結構的定義和redis連線池
package remoteSpike
//遠端訂單儲存健值
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結構中已有訂單數量key
}
//初始化redis連線池
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
}本地扣庫存和統一扣庫存
本地扣庫存邏輯非常簡單，使用者請求過來，新增銷量，然後對比銷量是否大於本地庫存，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
}注意這裡對共享資料 LocalSalesVolume 的操作是要使用鎖來實現的，但是因為本地扣庫存和統一扣庫存是一個原子性操作，所以在最上層使用 Channel 來實現，這塊後邊會講。
統一扣庫存操作 Redis，因為 Redis 是單執行緒的，而我們要實現從中取資料，寫資料並計算一些列步驟，我們要配合 Lua 指令碼打包命令，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))
-- 檢視是否還有餘票,增加訂單數量,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 結構儲存總庫存和總銷量的資訊，使用者請求過來時，判斷總銷量是否大於庫存，然後返回相關的 Bool 值。
在啟動服務之前，我們需要初始化 Redis 的初始庫存資訊：
hmset ticket_hash_key "ticket_total_nums" 10000 "ticket_sold_nums" 0響應使用者資訊
我們開啟一個 HTTP 服務，監聽在一個埠上：
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，返回給使用者資訊就可以了。
package main
//處理請求函式,根據請求將響應結果資訊寫入日誌
func handleReq(w http.ResponseWriter, r *http.Request) {
redisConn := redisPool.Get()
LogMsg := ""
<-done
//全域性讀寫鎖
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要考慮競態條件，我們這裡是使用 Channel 避免併發的讀寫，保證了請求的高效順序執行。我們將介面的返回資訊寫入到了 ./stat.log 檔案方便做壓測統計。
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 的壓測資訊：
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
requestsFinished 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)根據指標顯示，我單機每秒就能處理 4000+ 的請求，正常伺服器都是多核配置，處理 1W+ 的請求根本沒有問題。
而且檢視日誌發現整個服務過程中，請求都很正常，流量均勻，Redis 也很正常：
//stat.log
...
result:1,localSales: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
...總結回顧
總體來說，秒殺系統是非常複雜的。我們這裡只是簡單介紹模擬了一下單機如何優化到高效能，叢集如何避免單點故障，保證訂單不超賣、不少賣的一些策略
完整的訂單系統還有訂單進度的檢視，每臺伺服器上都有一個任務，定時的從總庫存同步餘票和庫存資訊展示給使用者，還有使用者在訂單有效期內不支付，釋放訂單，補充到庫存等等。
我們實現了高併發搶票的核心邏輯，可以說系統設計的非常的巧妙，巧妙的避開了對 DB 資料庫 IO 的操作。
對 Redis 網路 IO 的高併發請求，幾乎所有的計算都是在記憶體中完成的，而且有效的保證了不超賣、不少賣，還能夠容忍部分機器的當機。
我覺得其中有兩點特別值得學習總結：
①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，將自己的效能發揮到極致。
這樣系統的整體也就能承受極高的併發了，就像工作的一個團隊，每個人都將自己的價值發揮到了極致，團隊成長自然是很大的。
②合理的使用併發和非同步
自 Epoll 網路架構模型解決了 c10k 問題以來，非同步越來越被服務端開發人員所接受，能夠用非同步來做的工作，就用非同步來做，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，他們處理網路請求使用的 Epoll 模型，用實踐告訴了我們單執行緒依然可以發揮強大的威力。
伺服器已經進入了多核時代，Go 語言這種天生為併發而生的語言，完美的發揮了伺服器多核優勢，很多可以併發處理的任務都可以使用併發來解決，比如 Go 處理 HTTP 請求時每個請求都會在一個 Goroutine 中執行。
總之，怎樣合理的壓榨 CPU，讓其發揮出應有的價值，是我們一直需要探索學習的方向。
本作品採用《CC 協議》，轉載必須註明作者和本文連結