这是 Beta 探索课程,内容结构、实验步骤和示例可能会继续调整。
业务特点:秒杀业务的独特特点和挑战
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!
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 |
|---|---|---|---|
| 10:00 | 1,000 | 1,000 | 1x |
| 10:05 | 1,200 | 1,000 | 1x |
| 10:09 | 1,100 | 50,000 | 45x |
| 10:09:30 | 1,000 | 500,000 | 500x |
| 10:10:00 | 1,100 | 500,000 | 455x |
| 10:10:10 | 1,200 | 250,000 | 208x |
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:
- 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”。
- 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:
- 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。
- 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。
- 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。
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 1000-5000 | QPS 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 | 🔥🔥🔥 |
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:
- 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。
- “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。
- 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。
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。
