业务特点:秒杀业务的独特特点和挑战

场景:双十一零点的狂欢 🎉

想象一下这个场景:

2024年11月11日 00:00:00

你正在参加天猫双十一秒杀活动,准备抢购一台原价5999元、秒杀价2999元的iPhone 15 Pro。

你的准备:

  • 📱 双手紧握手机
  • 👆 手指悬停在”立即抢购”按钮上
  • ⏰ 眼睛盯着倒计时:00:00:03… 00:00:02… 00:00:01…
  • 💪 肌肉紧绷,准备点击

系统面临的挑战:

输出结果:

📊 秒杀流量特征:
  平时 QPS: 1,000
  秒杀 QPS: 500,000
  流量激增: 500倍
  时间集中: 几秒钟内
  用户集中: 同一商品

🔥 服务器压力:
  正常情况: 10 台服务器
  秒杀需要: 5000 台服务器
  成本增加: 500.0倍

⚠️ 现实问题:
  不能为了几秒钟的秒杀,准备500倍的服务器!
  成本太高,资源浪费严重!

秒杀业务的核心特点

1. ⚡ 瞬时高并发

秒杀最显著的特点就是瞬时流量激增:

流量对比表:

时间点正常业务 QPS秒杀业务 QPS倍数
10:001,0001,0001x
10:051,2001,0001x
10:091,10050,00045x
10:09:301,000500,000500x
10:10:001,100500,000455x
10:10:101,200250,000208x

2. 📦 库存有限且热点集中

秒杀商品的库存通常很少,但关注度极高:

库存竞争示意:

用户请求队列:
[用户1] → [用户2] → [用户3] → ... → [用户500000]
   ↓
数据库行锁 🔒
   ↓
[库存: 100] ← 同一行记录被所有人竞争
   ↓
串行更新,一次只能一个人改

3. ⏰ 时间限制严格

秒杀有严格的开始和结束时间:

活动的时间窗口通常只有几十秒到几分钟,而且开始时间点是完全公开的——所有用户都知道整点会开抢,这意味着请求会在开抢前一秒集中到达,而不是像日常流量那样自然铺开。

这带来两个直接约束:

  1. 没有”慢慢处理”的空间。 秒杀系统必须在自己的时间窗口内完成判定和扣减,等不到下一轮。这意味着所有依赖组件(缓存、数据库、风控)都必须在这个窗口内保持可用,不能依赖”稍后重试”。
  2. 必须提前预热。 连接池、JIT 编译、缓存预加载、脚本加载都得在开抢前完成。开抢瞬间才做初始化,等于在最脆弱的时刻再叠加一次不确定性。

同时”结束时间严格”还有另一层含义:结束后系统要能快速收尾——停止接受新请求、把队列里积压的请求消化完、让所有扣减结果落库。这和”无限流量的常态服务”是两种完全不同的运行模式。

4. 🎯 结果确定性强

秒杀结果只有两种:成功或失败,没有中间状态:

和普通电商最不一样的地方在于,没有”库存不足但先下单再说”这种中间态。用户点下按钮的那一刻,答案就确定了:要么拿到库存,要么没拿到。

这意味着:

  1. 不能先下单再扣库存。 如果采用”下单成功后再异步扣减”的策略,就会出现用户看到”下单成功”但库存实际已被抢完的情况——这在秒杀里是不可接受的,因为失败率本来就接近 99.98%,任何虚假成功都会立刻放大成投诉。
  2. 判定的顺序不能反。 必须先确认”还有库存”并原子地扣掉,再生成订单;反过来就会超卖。
  3. 失败也要有明确的反馈。 既然失败是常态,“已售罄”就必须是一个清晰、即时、不让用户误以为卡住的响应,而不是一个转圈十几秒后的错误页。

与普通电商的对比

让我们对比秒杀和普通电商的区别:

维度普通电商秒杀活动差异程度
流量特征平稳波动瞬时暴增500倍🔥🔥🔥
库存热点分散到多个商品集中在少量商品🔥🔥🔥
并发量QPS 1000-5000QPS 50万-100万🔥🔥🔥
持续时间全天24小时几秒到几分钟🔥🔥🔥
用户耐心几秒到几分钟必须即时响应🔥🔥
一致性要求最终一致强一致不能超卖🔥🔥🔥
可降级性部分功能可降级核心功能不能降级🔥🔥
技术难度常规缓存+负载均衡专用架构+特殊优化🔥🔥🔥

真实案例分析

让我们看几个真实的秒杀案例:

案例规模做法结果
电商大促整点抢购数十万 QPS 瞬时峰值商品详情页与下单接口分离,静态化 + 前端倒计时,库存扣减放 Redis,订单走消息队列峰值期下单成功率稳定,无超卖
票务平台开票数十万人抢数千张票提前生成排队号,按号顺序放行到下单页,Redis 预扣 + 数据库异步落单排队可见,投诉集中在”没抢到”而非”系统崩了”
限时优惠券领取每账号限领一次资格校验前置 + Redis 原子扣减额度 + 数据库唯一索引兜底无重复领取,超发为 0

三个案例的共同点值得注意:

  1. 流量入口和下单入口是分开的。商品详情、库存展示这类读流量被静态化和 CDN 消化掉,只有真正要下单的写流量才进入后端。峰值 QPS 之所以能降下来,靠的是这一步而不是更强的机器。
  2. “抢到”和”能承受”被分成了两件事。库存是否还剩、够不够发,由一个小而快的组件判定;订单怎么生成、怎么记账,交给慢一点的路径异步完成。两者解耦之后,“判定”这一环才能快到跟得上峰值。
  3. 失败路径是被设计过的。排队号、“已售罄”、明确的失败提示,都是刻意设计的体验,而不是系统扛不住时的副产物。

反过来看那些翻车的案例,问题几乎都出在同一处:把峰值当成了平均流量来设计。用日常 1000 QPS 的经验去估 50 万 QPS 的系统,先扩数据库、后发现数据库扛不住于是上缓存、结果缓存成为新的瓶颈——每一步都在补前一拍的漏洞。

想一想

在继续学习之前,请思考以下问题:

问题 1:流量激增500倍怎么办?

如果平时QPS是1000,秒杀时达到50万QPS,你会如何应对?

提示:

  • 能否增加500倍的服务器?
  • 如何利用现有的资源?
  • 有没有办法”削峰填谷”?

问题 2:库存热点如何解决?

50万人抢购100台手机,都访问同一条库存记录,数据库怎么办?

提示:

  • 数据库行锁是串行的
  • 能否把压力转移?
  • 如何保证不超卖?

问题 3:如何保证公平性?

如何确保所有用户在同一时间开始抢购,没有人能作弊?

提示:

  • 时间同步问题
  • 提前知道库存信息
  • 如何防止脚本抢购?

发现内容有问题?

告诉我们哪里需要改进。