“上一篇文章我們聊了聊Redisson這個開源框架對Redis分散式鎖的實現原理，如果有不瞭解的兄弟可以看一下：拜託，面試請不要再問我Redis分散式鎖的實現原理。

今天就給大家聊一個有意思的話題：每秒上千訂單場景下，如何對分散式鎖的併發能力進行優化？

背景引入

首先，我們一起來看看這個問題的背景？

前段時間有個朋友在外面面試，然後有一天找我聊說：有一個國內不錯的電商公司，面試官給他出了一個場景題：

假如下單時，用分散式鎖來防止庫存超賣，但是是每秒上千訂單的高併發場景，如何對分散式鎖進行高併發優化來應對這個場景？

他說他當時沒答上來，因為沒做過沒什麼思路。其實我當時聽到這個面試題心裡也覺得有點意思，因為如果是我來面試候選人的話，應該會給的範圍更大一些。

比如，讓面試的同學聊一聊電商高併發秒殺場景下的庫存超賣解決方案，各種方案的優缺點以及實踐，進而聊到分散式鎖這個話題。

因為庫存超賣問題是有很多種技術解決方案的，比如悲觀鎖，分散式鎖，樂觀鎖，佇列序列化，Redis原子操作，等等吧。

但是既然那個面試官兄弟限定死了用分散式鎖來解決庫存超賣，我估計就是想問一個點：在高併發場景下如何優化分散式鎖的併發效能。

我覺得，面試官提問的角度還是可以接受的，因為在實際落地生產的時候，分散式鎖這個東西保證了資料的準確性，但是他天然併發能力有點弱。

剛好我之前在自己專案的其他場景下，確實是做過高併發場景下的分散式鎖優化方案，因此正好是藉著這個朋友的面試題，把分散式鎖的高併發優化思路，給大家來聊一聊。

庫存超賣現象是怎麼產生的？

先來看看如果不用分散式鎖，所謂的電商庫存超賣是啥意思？大家看看下面的圖：

網路異常

取消

重新上傳

這個圖，其實很清晰了，假設訂單系統部署兩臺機器上，不同的使用者都要同時買10臺iphone，分別發了一個請求給訂單系統。

接著每個訂單系統例項都去資料庫裡查了一下，當前iphone庫存是12臺。

倆大兄弟一看，樂了，12臺庫存大於了要買的10臺數量啊！

於是乎，每個訂單系統例項都發送SQL到資料庫裡下單，然後扣減了10個庫存，其中一個將庫存從12臺扣減為2臺，另外一個將庫存從2臺扣減為-8臺。

現在完了，庫存出現了負數！淚奔啊，沒有20臺iphone發給兩個使用者啊！這可如何是好。

用分散式鎖如何解決庫存超賣問題？

我們用分散式鎖如何解決庫存超賣問題呢？其實很簡單，回憶一下上次我們說的那個分散式鎖的實現原理：

同一個鎖key，同一時間只能有一個客戶端拿到鎖，其他客戶端會陷入無限的等待來嘗試獲取那個鎖，只有獲取到鎖的客戶端才能執行下面的業務邏輯。

網路異常

取消

重新上傳

程式碼大概就是上面那個樣子，現在我們來分析一下，為啥這樣做可以避免庫存超賣？

網路異常

取消

重新上傳

大家可以順著上面的那個步驟序號看一遍，馬上就明白了。

從上圖可以看到，只有一個訂單系統例項可以成功加分散式鎖，然後只有他一個例項可以查庫存、判斷庫存是否充足、下單扣減庫存，接著釋放鎖。

釋放鎖之後，另外一個訂單系統例項才能加鎖，接著查庫存，一下發現庫存只有2臺了，庫存不足，無法購買，下單失敗。不會將庫存扣減為-8的。

有沒有其他方案可以解決庫存超賣問題？

當然有啊！比如悲觀鎖，分散式鎖，樂觀鎖，佇列序列化，非同步佇列分散，Redis原子操作，等等，很多方案，我們對庫存超賣有自己的一整套優化機制。

但是前面說過了，這篇文章就聊一個分散式鎖的併發優化，不是聊庫存超賣的解決方案，所以庫存超賣只是一個業務場景而已。

以後有機會筆者會寫一篇文章，講講電商庫存超賣問題的解決方案，這篇文章先focus在一個分散式鎖併發優化上，希望大家明白這個用意和背景，避免有的兄弟沒看清楚又吐槽。

而且建議大家即使對文章裡的內容有異議，公眾號後臺給我留言跟我討論一下，技術，就是要多交流，開啟思路，碰撞思維。

分散式鎖的方案在高併發場景下

好，現在我們來看看，分散式鎖的方案在高併發場景下有什麼問題？

問題很大啊！兄弟，不知道你看出來了沒有。分散式鎖一旦加了之後，對同一個商品的下單請求，會導致所有客戶端都必須對同一個商品的庫存鎖key進行加鎖。

比如，對iphone這個商品的下單，都必對“iphone_stock”這個鎖key來加鎖。這樣會導致對同一個商品的下單請求，就必須序列化，一個接一個的處理。

大家再回去對照上面的圖反覆看一下，應該能想明白這個問題。

假設加鎖之後，釋放鎖之前，查庫存 -> 建立訂單 -> 扣減庫存，這個過程效能很高吧，算他全過程20毫秒，這應該不錯了。

那麼1秒是1000毫秒，只能容納50個對這個商品的請求依次序列完成處理。

比如一秒鐘來50個請求，都是對iphone下單的，那麼每個請求處理20毫秒，一個一個來，最後1000毫秒正好處理完50個請求。

大家看一眼下面的圖，加深一下感覺。

>need-to-insert-img

所以看到這裡，大家起碼也明白了，簡單的使用分散式鎖來處理庫存超賣問題，存在什麼缺陷。

缺陷就是同一個商品多使用者同時下單的時候，會基於分散式鎖序列化處理，導致沒法同時處理同一個商品的大量下單的請求。

這種方案，要是應對那種低併發、無秒殺場景的普通小電商系統，可能還可以接受。

因為如果併發量很低，每秒就不到10個請求，沒有瞬時高併發秒殺單個商品的場景的話，其實也很少會對同一個商品在一秒內瞬間下1000個訂單，因為小電商系統沒那場景。

如何對分散式鎖進行高併發優化？

好了，終於引入正題了，那麼現在怎麼辦呢？

面試官說，我現在就卡死，庫存超賣就是用分散式鎖來解決，而且一秒對一個iphone下上千訂單，怎麼優化？

現在按照剛才的計算，你一秒鐘只能處理針對iphone的50個訂單。

其實說出來也很簡單，相信很多人看過java裡的ConcurrentHashMap的原始碼和底層原理，應該知道里面的核心思路，就是分段加鎖！

把資料分成很多個段，每個段是一個單獨的鎖，所以多個執行緒過來併發修改資料的時候，可以併發的修改不同段的資料。不至於說，同一時間只能有一個執行緒獨佔修改ConcurrentHashMap中的資料。

另外，Java 8中新增了一個LongAdder類，也是針對Java 7以前的AtomicLong進行的優化，解決的是CAS類操作在高併發場景下，使用樂觀鎖思路，會導致大量執行緒長時間重複迴圈。

LongAdder中也是採用了類似的分段CAS操作，失敗則自動遷移到下一個分段進行CAS的思路。

其實分散式鎖的優化思路也是類似的，之前我們是在另外一個業務場景下落地了這個方案到生產中，不是在庫存超賣問題裡用的。

但是庫存超賣這個業務場景不錯，很容易理解，所以我們就用這個場景來說一下。大家看看下面的圖：

>need-to-insert-img

其實這就是分段加鎖。你想，假如你現在iphone有1000個庫存，那麼你完全可以給拆成20個庫存段，要是你願意，可以在資料庫的表裡建20個庫存欄位，比如stock_01，stock_02，類似這樣的，也可以在redis之類的地方放20個庫存key。

總之，就是把你的1000件庫存給他拆開，每個庫存段是50件庫存，比如stock_01對應50件庫存，stock_02對應50件庫存。

接著，每秒1000個請求過來了，好！此時其實可以是自己寫一個簡單的隨機演算法，每個請求都是隨機在20個分段庫存裡，選擇一個進行加鎖。

bingo！這樣就好了，同時可以有最多20個下單請求一起執行，每個下單請求鎖了一個庫存分段，然後在業務邏輯裡面，就對資料庫或者是Redis中的那個分段庫存進行操作即可，包括查庫存 -> 判斷庫存是否充足 -> 扣減庫存。

這相當於什麼呢？相當於一個20毫秒，可以併發處理掉20個下單請求，那麼1秒，也就可以依次處理掉20 * 50 = 1000個對iphone的下單請求了。

一旦對某個資料做了分段處理之後，有一個坑大家一定要注意：就是如果某個下單請求，咔嚓加鎖，然後發現這個分段庫存裡的庫存不足了，此時咋辦？

這時你得自動釋放鎖，然後立馬換下一個分段庫存，再次嘗試加鎖後嘗試處理。這個過程一定要實現。

分散式鎖併發優化方案有沒有什麼不足？

不足肯定是有的，最大的不足，大家發現沒有，很不方便啊！實現太複雜了。

首先，你得對一個數據分段儲存，一個庫存欄位本來好好的，現在要分為20個分段庫存欄位；

其次，你在每次處理庫存的時候，還得自己寫隨機演算法，隨機挑選一個分段來處理；

最後，如果某個分段中的資料不足了，你還得自動切換到下一個分段資料去處理。

這個過程都是要手動寫程式碼實現的，還是有點工作量，挺麻煩的。

相關推薦