Setiap hari cuti, orang yang pulang ke rumah atau melancong di bandar tingkat pertama dan kedua hampir selalu menghadapi masalah: merebut kereta api Tiket! Walaupun tiket boleh ditempah dalam kebanyakan kes sekarang, saya percaya semua orang mempunyai pemahaman yang mendalam tentang situasi di mana tiket tidak lagi tersedia sebaik sahaja tiket dikeluarkan. Terutama semasa Festival Musim Bunga, orang ramai bukan sahaja menggunakan 12306, tetapi juga mempertimbangkan "Zhixing" dan perisian merebut tiket lain Beratus-ratus juta orang di seluruh negara sedang merebut tiket dalam tempoh ini. "Perkhidmatan 12306" mempunyai QPS yang tidak boleh diatasi oleh mana-mana sistem jualan kilat di dunia. Penulis telah mempelajari secara khusus seni bina pelayan "12306" dan mempelajari banyak sorotan reka bentuk sistemnya Di sini saya akan berkongsi dengan anda dan mensimulasikan contoh: bagaimana untuk menyediakan perkhidmatan biasa apabila 1 juta orang merebut 10,000 tiket kereta api pada masa yang sama. . , perkhidmatan yang stabil. alamat kod github
Cadangan berkaitan: " Puluhan juta penyelesaian konkurensi data (amalan teori) "
1. menyediakan pelbagai kaedah pemulihan bencana (bilik enjin Bomba dwi, toleransi kerosakan nod, pemulihan bencana pelayan, dll.) memastikan ketersediaan sistem yang tinggi, dan trafik akan diseimbangkan ke pelayan yang berbeza berdasarkan keupayaan beban dan strategi konfigurasi yang berbeza. Berikut ialah rajah skematik ringkas:
1.1 Pengenalan kepada pengimbangan beban
Rajah di atas menerangkan tiga langkah yang diminta pengguna kepada pelayan melalui pengimbangan beban lapisan, di bawah ialah pengenalan ringkas kepada tiga jenis pengimbangan beban ini:
OSPF (Buka Pautan Terpendek Pertama) ialah Protokol Gerbang Dalaman (IGP) . OSPF mewujudkan pangkalan data keadaan pautan dengan mengiklankan status antara muka rangkaian antara penghala dan menjana pepohon laluan terpendek secara automatik akan mengira nilai Kos pada antara muka penghalaan, tetapi anda juga boleh menentukan nilai Kos antara muka yang ditentukan secara manual satu diutamakan nilai dikira secara automatik. Kos yang dikira oleh OSPF juga berkadar songsang dengan lebar jalur antara muka Lebih tinggi lebar jalur, lebih kecil nilai Kos. Laluan dengan nilai Kos yang sama kepada sasaran boleh melakukan pengimbangan beban dan sehingga 6 pautan boleh melakukan pengimbangan beban pada masa yang sama.Nginx melaksanakan pengimbangan beban melalui modul huluan Konfigurasi tinjauan berwajaran boleh menambah nilai berat kepada perkhidmatan yang berkaitan pelayan menetapkan beban yang sepadan. Berikut ialah konfigurasi beban undian berwajaran saya akan mendengar port 3001-3004 secara setempat dan mengkonfigurasi pemberat 1, 2, 3 dan 4 masing-masing:
Salin kod ke /etc tempatan saya. / Alamat nama domain maya www.load_balance.com dikonfigurasikan dalam direktori hos Seterusnya, gunakan bahasa Go untuk membuka empat perkhidmatan mendengar port http Berikut ialah program Go pada port 3001. Beberapa yang lain hanya perlu mengubah suai port:
#配置负载均衡 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; } }
Saya menulis maklumat log port yang diminta ke dalam fail ./stat.log, dan kemudian menggunakan alat ujian tekanan ab untuk melakukan ujian tekanan:
package main import ( "net/http" "os" "strings" ) func main() { http.HandleFunc("/buy/ticket", handleReq) http.ListenAndServe(":3001", nil) } //处理请求函数,根据请求将响应结果信息写入日志 func handleReq(w http.ResponseWriter, r *http.Request) { failedMsg := "handle in port:" writeLog(failedMsg, "./stat.log") } //写入日志 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) }
Hasil dalam log statistik, 3001 Port -3004 menerima permintaan masing-masing 100, 200, 300, dan 400, yang konsisten dengan nisbah berat yang saya konfigurasikan dalam nginx, dan trafik selepas beban adalah sangat sekata dan rawak. Untuk pelaksanaan khusus, anda boleh merujuk kepada kod sumber pelaksanaan modul wap nginx Berikut adalah artikel yang disyorkan: Pengimbangan beban mekanisme huluan dalam Nginx
ab -n 1000 -c 100 http://www.load_balance.com/buy/ticket
2. Pemilihan sistem jualan kilat
Berbalik kepada soalan asal kami: Bagaimanakah sistem jualan kilat tiket kereta api boleh menyediakan perkhidmatan biasa dan stabil dalam keadaan serentak yang tinggi?
Daripada pengenalan di atas, kami tahu bahawa trafik jualan kilat pengguna diagihkan secara sama rata kepada pelayan yang berbeza melalui lapisan pengimbangan beban. Walaupun begitu, QPS yang ditanggung oleh satu mesin dalam kelompok juga sangat tinggi. Bagaimana untuk mengoptimumkan prestasi bersendirian secara melampau? Untuk menyelesaikan masalah ini, kita perlu memahami satu perkara:Biasanya sistem tempahan tiket perlu memproses tiga peringkat asas: penjanaan pesanan, pengurangan inventori dan pembayaran pengguna Apa yang perlu dilakukan oleh sistem kami adalah untuk memastikan pesanan tiket kereta api tidak terjual terlebih dahulu atau terkurang jualan, dan setiap tiket terjual Semua. mesti dibayar untuk menjadi berkesan, dan sistem mesti dijamin untuk menahan konkurensi yang sangat tinggi. Bagaimanakah susunan ketiga-tiga peringkat ini boleh diubah dengan cara yang lebih munasabah Mari kita analisanya:
2.1 Buat pesanan untuk mengurangkan inventori
Apabila permintaan pengguna serentak tiba? di pelayan Apabila , mula-mula buat pesanan, kemudian tolak inventori dan tunggu pembayaran pengguna. Pesanan ini merupakan penyelesaian pertama yang kebanyakan kita akan fikirkan Dalam kes ini, ia juga boleh memastikan pesanan tidak akan terlebih jual, kerana inventori akan dikurangkan selepas pesanan dibuat, yang merupakan operasi atom. Walau bagaimanapun, ini juga akan menyebabkan beberapa masalah Yang pertama ialah di bawah keadaan konkurensi yang melampau, butiran sebarang operasi memori akan menjejaskan prestasi dengan ketara, terutamanya logik seperti membuat pesanan, yang secara amnya perlu disimpan dalam pangkalan data cakera, yang memberikan tekanan. pada pangkalan data. Ia boleh difikirkan; yang kedua ialah jika pengguna membuat pesanan secara jahat dan hanya membuat pesanan tanpa membayar, inventori akan berkurangan dan banyak pesanan akan dijual lebih sedikit daripada pesanan pembelian pengguna, Ini juga bukan pendekatan yang baik.
2.2 Kurangkan inventori selepas pembayaran
Jika anda menunggu pengguna membayar pesanan dan mengurangkan inventori, yang pertama perasaan adalah bahawa tidak akan ada kurang jualan. Tetapi ini adalah pantang larang seni bina serentak, kerana dalam keadaan konkurensi yang melampau, pengguna boleh membuat banyak pesanan Apabila inventori dikurangkan kepada sifar, ramai pengguna mendapati bahawa mereka tidak boleh membayar pesanan yang mereka rampas. terlebih jual". Ia juga tidak dapat dielakkan untuk mengendalikan IO cakera pangkalan data secara serentak
2.3 Menahan inventori
Daripada pertimbangan kedua-dua penyelesaian di atas, kami boleh mendapat Kesimpulan: Selagi pesanan dibuat, pangkalan data IO mesti dikendalikan dengan kerap. Jadi adakah terdapat penyelesaian yang tidak memerlukan operasi langsung pangkalan data IO Ini adalah menahan inventori. Pertama, inventori ditolak untuk memastikan ia tidak terjual terlebih dahulu, dan kemudian pesanan pengguna dijana secara tidak segerak, supaya tindak balas kepada pengguna akan lebih cepat, jadi bagaimana untuk memastikan terdapat banyak jualan? Apakah yang perlu dilakukan oleh pengguna jika mereka tidak membayar selepas mendapat pesanan? Kita semua tahu bahawa pesanan kini mempunyai tempoh sah Contohnya, jika pengguna tidak membayar dalam masa lima minit, pesanan akan tamat tempoh, inventori baharu akan ditambah syarikat untuk memastikan mereka menjual banyak barangan. Pesanan dijana secara tidak segerak dan biasanya diproses dalam baris gilir penggunaan segera seperti MQ dan Kafka Apabila jumlah pesanan agak kecil, pesanan dijana dengan sangat cepat dan pengguna tidak perlu beratur.
3. Seni menahan inventori
Daripada analisis di atas, adalah jelas bahawa penyelesaian menahan inventori ialah paling munasabah. Mari analisa lebih lanjut butiran potongan inventori masih terdapat banyak ruang untuk pengoptimuman. Bagaimana untuk memastikan potongan inventori yang betul di bawah keselarasan tinggi dan tindak balas pantas kepada permintaan pengguna?
Dalam kes konkurensi rendah pada satu mesin, kami biasanya melaksanakan potongan inventori seperti ini:
Untuk memastikan atomiti potongan inventori dan penjanaan pesanan, kita perlu menggunakan pemprosesan Transaksi, kemudian penghakiman inventori, pengurangan inventori, dan akhirnya penyerahan transaksi Seluruh proses melibatkan banyak IO, dan operasi pangkalan data disekat. Kaedah ini tidak sesuai untuk sistem jualan kilat serentak tinggi sama sekali.
Seterusnya, kami akan mengoptimumkan pelan potongan inventori mesin tunggal: Potongan inventori tempatan. Kami memperuntukkan sejumlah inventori kepada mesin tempatan, mengurangkan inventori terus dalam ingatan, dan kemudian membuat pesanan secara tak segerak mengikut logik sebelumnya. Sistem bersendirian yang dipertingkatkan kelihatan seperti ini:
这样就避免了对数据库频繁的IO操作,只在内存中做运算,极大的提高了单机抗并发的能力。但是百万的用户请求量单机是无论如何也抗不住的,虽然nginx处理网络请求使用epoll模型,c10k的问题在业界早已得到了解决。但是linux系统下,一切资源皆文件,网络请求也是这样,大量的文件描述符会使操作系统瞬间失去响应。上面我们提到了nginx的加权均衡策略,我们不妨假设将100W的用户请求量平均均衡到100台服务器上,这样单机所承受的并发量就小了很多。然后我们每台机器本地库存100张火车票,100台服务器上的总库存还是1万,这样保证了库存订单不超卖,下面是我们描述的集群架构:
问题接踵而至,在高并发情况下,现在我们还无法保证系统的高可用,假如这100台服务器上有两三台机器因为扛不住并发的流量或者其他的原因宕机了。那么这些服务器上的订单就卖不出去了,这就造成了订单的少卖。要解决这个问题,我们需要对总订单量做统一的管理,这就是接下来的容错方案。服务器不仅要在本地减库存,另外要远程统一减库存。有了远程统一减库存的操作,我们就可以根据机器负载情况,为每台机器分配一些多余的“buffer库存”用来防止机器中有机器宕机的情况。我们结合下面架构图具体分析一下:
我们采用Redis存储统一库存,因为Redis的性能非常高,号称单机QPS能抗10W的并发。在本地减库存以后,如果本地有订单,我们再去请求redis远程减库存,本地减库存和远程减库存都成功了,才返回给用户抢票成功的提示,这样也能有效的保证订单不会超卖。当机器中有机器宕机时,因为每个机器上有预留的buffer余票,所以宕机机器上的余票依然能够在其他机器上得到弥补,保证了不少卖。buffer余票设置多少合适呢,理论上buffer设置的越多,系统容忍宕机的机器数量就越多,但是buffer设置的太大也会对redis造成一定的影响。虽然redis内存数据库抗并发能力非常高,请求依然会走一次网络IO,其实抢票过程中对redis的请求次数是本地库存和buffer库存的总量,因为当本地库存不足时,系统直接返回用户“已售罄”的信息提示,就不会再走统一扣库存的逻辑,这在一定程度上也避免了巨大的网络请求量把redis压跨,所以buffer值设置多少,需要架构师对系统的负载能力做认真的考量。
4. 代码演示
Go语言原生为并发设计,我采用go语言给大家演示一下单机抢票的具体流程。
4.1 初始化工作
go包中的init函数先于main函数执行,在这个阶段主要做一些准备性工作。我们系统需要做的准备工作有:初始化本地库存、初始化远程redis存储统一库存的hash键值、初始化redis连接池;另外还需要初始化一个大小为1的int类型chan,目的是实现分布式锁的功能,也可以直接使用读写锁或者使用redis等其他的方式避免资源竞争,但使用channel更加高效,这就是go语言的哲学:不要通过共享内存来通信,而要通过通信来共享内存。redis库使用的是redigo,下面是代码实现:
... //localSpike包结构体定义 package localSpike type LocalSpike struct { LocalInStock int64 LocalSalesVolume int64 } ... //remoteSpike对hash结构的定义和redis连接池 package remoteSpike //远程订单存储健值 type RemoteSpikeKeys struct { SpikeOrderHashKey string //redis中秒杀订单hash结构key TotalInventoryKey string //hash结构中总订单库存key QuantityOfOrderKey string //hash结构中已有订单数量key } //初始化redis连接池 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 }
4.2 本地扣库存和统一扣库存
本地扣库存逻辑非常简单,用户请求过来,添加销量,然后对比销量是否大于本地库存,返回bool值:
package localSpike //本地扣库存,返回bool值 func (spike *LocalSpike) LocalDeductionStock() bool{ spike.LocalSalesVolume = spike.LocalSalesVolume + 1 return spike.LocalSalesVolume < spike.LocalInStock }
注意这里对共享数据LocalSalesVolume的操作是要使用锁来实现的,但是因为本地扣库存和统一扣库存是一个原子性操作,所以在最上层使用channel来实现,这块后边会讲。统一扣库存操作redis,因为redis是单线程的,而我们要实现从中取数据,写数据并计算一些列步骤,我们要配合lua脚本打包命令,保证操作的原子性:
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)) -- 查看是否还有余票,增加订单数量,返回结果值 if(ticket_total_nums >= ticket_sold_nums) then return redis.call('HINCRBY', ticket_key, ticket_sold_key, 1) end return 0 ` //远端统一扣库存 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 }
我们使用hash结构存储总库存和总销量的信息,用户请求过来时,判断总销量是否大于库存,然后返回相关的bool值。在启动服务之前,我们需要初始化redis的初始库存信息:
hmset ticket_hash_key "ticket_total_nums" 10000 "ticket_sold_nums" 0
4.3 响应用户信息
我们开启一个http服务,监听在一个端口上:
package main ... func main() { http.HandleFunc("/buy/ticket", handleReq) http.ListenAndServe(":3005", nil) }
上面我们做完了所有的初始化工作,接下来handleReq的逻辑非常清晰,判断是否抢票成功,返回给用户信息就可以了。
package main //处理请求函数,根据请求将响应结果信息写入日志 func handleReq(w http.ResponseWriter, r *http.Request) { redisConn := redisPool.Get() LogMsg := "" <-done //全局读写锁 if localSpike.LocalDeductionStock() && remoteSpike.RemoteDeductionStock(redisConn) { util.RespJson(w, 1, "抢票成功", 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 //将抢票状态写入到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) }
前边提到我们扣库存时要考虑竞态条件,我们这里是使用channel避免并发的读写,保证了请求的高效顺序执行。我们将接口的返回信息写入到了./stat.log文件方便做压测统计。
4.4 单机服务压测
开启服务,我们使用ab压测工具进行测试:
ab -n 10000 -c 100 http://127.0.0.1:3005/buy/ticket
下面是我本地低配mac的压测信息
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 requests Finished 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)
根据指标显示,我单机每秒就能处理4000+的请求,正常服务器都是多核配置,处理1W+的请求根本没有问题。而且查看日志发现整个服务过程中,请求都很正常,流量均匀,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 ...
5.总结回顾
总体来说,秒杀系统是非常复杂的。我们这里只是简单介绍模拟了一下单机如何优化到高性能,集群如何避免单点故障,保证订单不超卖、不少卖的一些策略,完整的订单系统还有订单进度的查看,每台服务器上都有一个任务,定时的从总库存同步余票和库存信息展示给用户,还有用户在订单有效期内不支付,释放订单,补充到库存等等。
我们实现了高并发抢票的核心逻辑,可以说系统设计的非常的巧妙,巧妙的避开了对DB数据库IO的操作,对Redis网络IO的高并发请求,几乎所有的计算都是在内存中完成的,而且有效的保证了不超卖、不少卖,还能够容忍部分机器的宕机。我觉得其中有两点特别值得学习总结:
负载均衡,分而治之。通过负载均衡,将不同的流量划分到不同的机器上,每台机器处理好自己的请求,将自己的性能发挥到极致,这样系统的整体也就能承受极高的并发了,就像工作的的一个团队,每个人都将自己的价值发挥到了极致,团队成长自然是很大的。
合理的使用并发和异步。自epoll网络架构模型解决了c10k问题以来,异步越来被服务端开发人员所接受,能够用异步来做的工作,就用异步来做,在功能拆解上能达到意想不到的效果,这点在nginx、node.js、redis上都能体现,他们处理网络请求使用的epoll模型,用实践告诉了我们单线程依然可以发挥强大的威力。服务器已经进入了多核时代,go语言这种天生为并发而生的语言,完美的发挥了服务器多核优势,很多可以并发处理的任务都可以使用并发来解决,比如go处理http请求时每个请求都会在一个goroutine中执行,总之:怎样合理的压榨CPU,让其发挥出应有的价值,是我们一直需要探索学习的方向。
原文链接:https://juejin.cn/post/6844903949632274445