秒杀问题

为什么订单表的id不设置成自增：

• id规律性太明显：容易被人猜到

• 单表数据量限制：大量的订单一定会多个表维护，每个表在自增的时候都会从小到大增加，会出现重复id，订单不能有重复id情况

全局ID生成器

雪花算法（Snowflake Algorithm）是由 Twitter 开发的一个用于生成全局唯一标识符（GUID）的系统。这个算法能够在分布式系统中生成唯一的、有序的64位整数ID，非常适合需要高频率创建记录的大型在线服务。

雪花算法的结构

雪花ID是一个64位的长整数，从最高位到最低位，分为以下几个部分：

1. 第1位：未使用，由于整数一般是正数，因此最高位是0。

2. 时间戳部分：通常是41位，用来记录时间戳，精确到毫秒。41位时间戳可以使用约69年。

3. 工作机器ID部分：通常分为5位数据中心ID和5位机器ID（也可以根据实际需求调整这两个部分的位数），可以最多支持2^(5+5)=1024个节点。

4. 序列号部分：通常是12位，每个节点在同一毫秒内可以生成4096个ID。

雪花算法的特点

1. 高效性：生成ID的过程完全在内存中进行，相比基于数据库的自增ID，性能非常高。

2. 趋势递增：由于高位是以时间戳进行的排序，生成的ID自然是按时间趋势递增的，这对于数据库插入操作是有利的（因为大部分数据库是基于B+树的索引，递增的ID可以最大化利用索引的性能）。

3. 无需依赖数据库：完全不需要进行数据库的I/O操作，可以由应用程序独立生成ID，减轻了数据库的压力。

4. 分布式系统中无冲突：通过自定义的数据中心ID和机器ID，即使是在物理位置分散的系统中，也能保证生成的ID是全局唯一的。

应用场景

雪花算法适用于任何需要生成全局唯一ID的场景，特别适合于服务架构较为复杂、服务分布广泛且需要生成大量ID的系统，如在线购物平台、社交网络等。

库存超卖问题

库存超卖问题是电商和零售等领域中常见的问题，指的是由于库存管理不准确或并发控制不当，导致实际卖出的商品数量超过实际库存量的情况。这个问题在高并发环境下尤为突出，特别是在促销或大型折扣活动期间

在多线程情况中，有其他线程在线程1查询库存后，扣减数量前进行库存的查询，就会出现库存超卖问题

解决库存超卖问题的策略：

1. 乐观锁：

• 使用乐观锁可以在不阻塞读操作的情况下管理库存更新。通常，这涉及到检查在读取库存数量和实际更新之间是否有其他修改发生（通常使用版本号或时间戳）。

• 如果在这段时间内库存被修改，则更新操作将失败，并可提示用户重新操作或直接拒绝订单。

2. 悲观锁：

• 在处理库存更新时直接在数据库上锁定记录，直到当前事务完成。这可以确保一次只有一个操作能够修改库存数据。

• 悲观锁能有效防止超卖，但可能会降低系统的并发能力，增加响应时间。

3. 分布式锁：

• 在分布式系统中，使用分布式锁来控制对库存数据的并发访问。

• 这种方法适用于多个服务或多个系统实例需要共享库存数据的场景。

乐观锁解决方案：

利用数据库本身的行锁，当我们想要减库存的时候，查一下版本号是否发生变化，如果有变化就放弃更改

我们可以优化一下，直接使用stock库存数作为版本号

但是如果是按照这种方式，判断当前库存数量是否和检查时的库存数量一样（检查当前库存数量为10，当更改数据库的时候还是判断现在库存数量是否为10），会造成很多请求失败的情况，效率非常低，这是因为会有非常多的线程同时修改同一件库存，但是因为我们使用了乐观锁，最终只有一个请求能成功，所以我们之间把条件改成当库存数量大于0我们就允许更改数据库，而不是严格的等于之前查看的库存数量

一人一单问题

为了防止优惠券全被黄牛抢走，我们需要设计一个人只能买一张的功能

1
2
3
4
5
6
7
8
9
10
11
12
13
14

// 1.一人一单逻辑
    // 1.1.用户id
    Long userId = UserHolder.getUser().getId();
    int count = query().eq("user_id", userId).eq("voucher_id", voucherId).count();
    // 1.2.判断是否存在
    if (count > 0) {
   
        // 用户已经购买过了
        return Result.fail("用户已经购买过一次！");
    }

    //2，扣减库存
  
    //3.创建订单

但是这样写同样会在多线程情况下出现问题，如果同时有100个线程查询count，那么都会得到0，一个人就又可以买多张优惠券

于是我们可以把这段代码放进一个方法内，在方法上加锁

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19

@Transactional
public synchronized Result createVoucherOrder(Long voucherId) {
	// 1.一人一单逻辑
    // 1.1.用户id
    Long userId = UserHolder.getUser().getId();
    int count = query().eq("user_id", userId).eq("voucher_id", voucherId).count();
    // 1.2.判断是否存在
    if (count > 0) {
   
        // 用户已经购买过了
        return Result.fail("用户已经购买过一次！");
    }

    //2，扣减库存
  
    //3.创建订单

}

但是这样写锁的粒度太大了，我们其实没必要锁方法，我们直接锁userId就行，也就是说锁同一个人，防止他多买就可以了

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

@Transactional
public  Result createVoucherOrder(Long voucherId) {
   
	// 1.一人一单逻辑
    // 1.1.用户id
    Long userId = UserHolder.getUser().getId();
	synchronized(userId.toString().intern()){
		 int count = query().eq("user_id", userId).eq("voucher_id", voucherId).count();
	    // 1.2.判断是否存在
	    if (count > 0) {
   
	        // 用户已经购买过了
	        return Result.fail("用户已经购买过一次！");
	    }

	    //2，扣减库存
  
	    //3.创建订单
    }
}

这里注意，我们单纯的锁userId.toString()是不可以的，因为toString()底层是新建了一个String对象，那么即使userId是一样的，但是由于是新new的对象，我们也锁不上同一个userId，所以要用.intern()方法先去字符串常量池获取，这样就能正常锁住了

但是，由于事物的提交是在createVoucherOrder函数运行完之后，而我们锁是在synchronized关键字包含的代码运行完之后就释放了，那么此时就会出现问题，即锁释放了，其他线程可以进来，进行了查询count数量，但是由于上一次的事物并没有提交，所以依然会存在多卖问题，所以我们锁的粒度太小了

因此我们需要锁住这个函数

1
2
3

synchronized (userId.toString().intern()) { 
	return createVoucherOrder (voucherId) ;
}

tips：这个锁与直接加在方法上的锁（public synchronized Result createVoucherOrder(Long voucherId)）是不一样的，加在方法上，任何线程访问此方法都必须先获得锁，而synchronized块锁定字符串的版本只有当操作相同的userId时，线程才会被阻塞

当我们在synchronized块中直接调用createVoucherOrder方法时，调用是通过this关键字发起的。在Java中，this指的是当前对象本身，而不是Spring生成的代理对象。因此，这种调用方式绕过了Spring的代理机制，导致@Transactional注解不生效。因此在同一个类中的方法互相调用时，要使用Spring框架的AopContext.currentProxy()来获取当前代理对象，并通过它来调用事务方法。这需要在Spring配置中启用exposeProxy=true。

1
2
3
4

synchronized (userId.toString().intern()) { 
	IVoucherOrderService proxy = (IVoucherOrderService) AopContext.currentProxy();
	return proxy.createVoucherOrder (voucherId) ;
}

分布式锁

当我们用以上代码，并部署到集群服务器中，还是会出现问题，因为我们有多个JVM，每个JVM分别维护了一个锁监视器，此时同一个用户的请求可能分到了不同的JVM中，就又出现了线程安全问题

Redisson

配置Redisson客户端

1
2
3
4
5
6
7
8
9
10

@Configuration
public class RedisConfig {
    @Bean
    public RedissonClient redissonClient() {
        Config config = new Config();
        // 使用单Redis节点配置，也可以使用config.useClusterServers()配置集群
        config.useSingleServer().setAddress("redis://192.168.150.101:6379").setPassword("123321");
        return Redisson.create(config);
    }
}

使用Redisson分布式锁

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19

@Resource
private RedissonClient redissonClient;

@Test
void testRedisson() throws InterruptedException {
    // 获取锁（可重入），指定锁的名称
    RLock lock = redissonClient.getLock("anyLock");
    // 尝试获取锁，参数分别是：获取锁的最大等待时间（期间会重试），锁自动释放时间，时间单位
    boolean isLock = lock.tryLock(1, 10, TimeUnit.SECONDS);
    // 如果成功获取到锁
    if (isLock) {
        try {
            System.out.println("执行业务");
        } finally {
            // 释放锁
            lock.unlock();
        }
    }
}

Redisson可重入锁原理

Redisson 可重入锁（Reentrant Lock）是一种分布式实现，允许同一个线程多次获取相同的锁而不会发生死锁。这种锁的实现是基于 Redis，利用 Redis 提供的原子操作来确保锁的安全性和一致性。这里是一些关于 Redisson 可重入锁的关键实现细节：

1. 数据结构

Redisson 的可重入锁主要使用 Redis 的哈希表来存储锁的状态信息。通常包括：

• 锁的持有者（线程ID）：标识哪个线程持有了锁。

• 重入次数：一个计数器，记录锁被同一个线程重复获取的次数。

2. 加锁机制

当线程尝试获取锁时，Redisson 会执行以下操作：

• 检查锁是否已存在：Redisson 通过检查 Redis 中是否存储了锁的信息来确定锁是否已被其他线程持有。如果锁不存在，线程将创建锁并设置重入次数为1。如果锁存在并且当前尝试加锁的线程是锁的持有者，则增加重入次数。

• 设置锁的过期时间：为防止死锁，Redisson 会设置一个过期时间。

3. 解锁机制

解锁时，Redisson 会减少锁的重入次数：

• 减少重入计数：如果当前线程持有锁，并且重入次数大于1，Redisson 会减少重入次数。

• 释放锁：如果重入次数降至0，则完全释放锁。这通常涉及删除 Redis 中存储的锁信息，或者重置相关的数据。

Redisson的锁重试机制

在Redisson中，当一个线程尝试获取一个已被其他线程占用的锁时，它的行为遵循以下步骤：

1. 等待锁释放消息：

• 当线程发现锁已被占用时，它不会立即进行重试。相反，它会订阅一个与锁相关联的特定频道，等待锁的释放消息。

• 这种基于消息的等待机制减少了无效的轮询，从而降低了资源消耗。

2. 超时处理：

• 线程在等待锁释放的消息时会设置一个超时时间。如果在这段时间内没有收到锁释放的消息，或者等待时间已经耗尽，线程将停止等待并返回false，表示获取锁失败。

• 如果在最长等待时间内收到了锁释放的消息，线程还会检查剩余的等待时间（因为获取锁还需要时间，所以如果剩余时间-获取锁时间小于0还是会返回false）。如果剩余时间小于或等于零，同样会返回false。

3. 重新尝试获取锁：

• 如果还有剩余的等待时间，并且收到了锁释放的消息，线程将再次尝试获取锁。

• 如果获取锁失败，线程将再次等待新的锁释放消息。这一过程会循环进行，直到成功获取锁或超时。

4. 锁释放信号处理：

• 当持有锁的线程释放锁时，它会在相关频道发布一个释放消息。所有等待这个锁的线程会接收到这个消息，并根据上述逻辑处理重试或放弃。

5. 信号量获取：

• 在多次重试中，线程可能需要依赖于信号量来正确管理多个线程之间的等待状态。这是通过使用Redis的发布/订阅系统实现的，保证了当锁释放时能够及时通知等待的线程。

看门狗机制

在Redisson中，看门狗（Watchdog）的功能尤其重要，尤其是在处理锁的超时释放方面。看门狗的主要任务是确保即使在发生异常或运行过程中的延迟时，持有锁的线程仍能保持锁的所有权，直到它们完成其关键部分的执行。这种机制对于防止数据一致性问题至关重要。

锁超时与自动续期

Redisson的锁实现通常包括设置一个明确的锁持有时间，即锁的“生存时间”（TTL）。这个时间是为了防止死锁和资源无限期占用的一种安全措施。在分布式系统或多线程环境中，可能会因为各种原因（比如JVM暂停、系统负载高、网络问题等）导致持有锁的线程未能在预期时间内释放锁。如果没有适当的机制，一旦锁的TTL到期，该锁就会自动释放，无论持有锁的线程是否已经完成其任务。

看门狗的自动续期功能

为了防止这种情况发生，Redisson的看门狗自动执行以下任务：

1. 自动续期：

• 当线程成功获取锁时，看门狗会启动，并监控锁的状态。看门狗会在锁快要到期时自动更新其过期时间，通常设置为锁的最初超时值的一半。这样可以确保只要线程还活跃，锁就不会因为时间到期而被释放。

2. 守护线程：

• 看门狗以守护线程的形式运行，这意味着它的生命周期依赖于启动它的JVM实例。如果应用程序停止或重启，守护线程也会相应停止，不会无限期地运行。

3. 故障安全：

• 如果持有锁的线程因为任何异常终止，或者由于某些原因未能续期锁，看门狗也将停止续期。这意味着锁最终还是会到期并释放，其他线程可以尝试获取锁并继续执行。

MultiLock

主从一致性问题通常发生在Redis使用主从复制架构时。在这种架构中，主节点负责处理所有的写操作，而从节点则处理读操作。为了保持数据的一致性，从节点需要定期从主节点同步数据。然而，由于主从节点可能部署在不同的机器上，数据同步过程可能会存在一定的延迟。如果在数据同步过程中主节点突然出现故障，Redis会从现有的从节点中选举出一个新的主节点。这时，如果有数据尚未来得及同步到新晋升的主节点，比如某些锁的信息，那么这些信息将会丢失。结果就是，其他线程尝试获取这些原本应该被锁定的资源时可能会意外成功，从而引起线程安全问题。
这种情况下，即使系统迅速恢复了服务，但由于锁信息的丢失，还是可能导致数据不一致或其他线程安全相关的问题。

于是我们可以使用联锁，只有如下将三个锁都拿到了才能成功获得锁，如果其中一个宕机了，但是从节点补上的时候丢掉了锁的信息，即使另一个线程拿到了这个从节点的锁，也无法从另外两个正常的主节点拿到锁，从而获取锁失败

总结

1. 不可重入Redis分布式锁：

• 原理：利用setnx的互斥性；利用expire设定锁超时，释放锁时删除对应键
• 缺陷：不可重入、无法重试、锁超时的失效

2. 可重入的Redis分布式锁：

• 原理：利用hash结构，记录锁定标识和重入人次数；利用watchDog延续锁的时间；利用信号量控制并防重试等待
• 缺陷：redis宕机引起锁失效问题

3. Redisson的multiLock:

• 原理：多个独立的Redis节点，必须在所有节点都获得锁后，才算获取锁成功
• 缺陷：运维成本高、实现复杂

异步秒杀优化

我们可以将原来的整个从检查到下单在单线程完成的工作，分成两个线程做，一个只判断是否有购买优惠券的资格，够资格添加到消息队列内，让另外的线程去完成下单功能，这样性能会更好，将本来串行执行的业务分给了两个线程取执行

而且原来需要查询数据库来判断是否有下单资格，可以用redis实现，减少数据库查询操作

下单功能可以用阻塞队列完成

1
2

//阻塞队列 
private BlockingQueue<VoucherOrder> orderTasks = new ArrayBlockingQueue<>(1024*1024);

消息队列

但是基于阻塞队列的异步秒杀实际上存在两个问题，一个是 JVM 的内存限制，一个是阻塞队列中的数据可能面临服务宕机的数据丢失问题。因此我们可以使用消息队列

基于List结构模拟消息队列

消息队列（Message Queue），字面意思就是存放消息的队列。而Redis的list数据结构是一个双向链表，很容易模拟出队列效果。

队列是入口和出口不在一边，因此我们可以利用：LPUSH结合 RPOP、或者 RPUSH 结合 LPOP来实现。

不过要注意的是，当队列中没有消息时RPOP或LPOP操作会返回null，并不像JVM的阻塞队列那样会阻塞并等待消息。

因此这里应该使用BRPOP或者BLPOP来实现阻塞效果。

基于List的消息队列有哪些优缺点？

优点：

• 利用Redis存储，不受限于JVM内存上限
• 基于Redis的持久化机制，数据安全性有保证
• 可以满足消息有序性

缺点：

• 无法避免消息丢失
• 只支持单消费者，没有办法把一条消息给很多消费者

基于PubSub的消息队列

Pubsub（发布订阅）是Redis2.0版本引入的消息传递模型。顾名思义，消费者可以订阅一个或多个channel，生产者向对应channel发送消息后，所有订阅者都能收到相关消息。

• SUBSCRIBE channel[channel]：订阅一个或多个频道

• PUBLISH channel msg：向一个频道发送消息

• PSUBSCRIBE pattern[pattern]：订阅与pattern格式匹配的所有频道

上边的消费者订阅 order.queue，下边的消费者订阅 order.任意

基于PubSub的消息队列有哪些优缺点？

优点：

• 采用发布订阅模型，支持多生产、多消费

缺点：

• 不支持数据持久化
• 无法避免消息丢失
• 消息堆积有上限，超出时数据丢失

基于Stream的消息队列

Stream 是 Redis 5.0引入的一种新数据类型，可以实现一个功能非常完善的消息队列。

发送消息的命令：xadd

接收消息的命令：xread

STREAM类型消息队列的XREAD命令特点

优点：

• 消息可回溯
• 一个消息可以被多个消费者读取
• 可以阻塞读取

缺点：

• 有消息漏读的风险

基于Stream的消息队列-消费者组

特点

• 消息分流

队列中的消息会分流给组内的不同消费者，在一个组中，不会出现一条消息被多个消费者消费的情况，从而加快消息处理的速度。

• 消息标示

消费者组会维护一个标示，记录最后一个被处理的消息，哪怕消费者宕机重启，还会从标示之后读取消息。确保每一个消息都会被消费。这个消息标示也避免了消息漏读。

• 消息确认

消费者获取消息后，消息会处于 pending 待定状态，并存入一个 pending-list 中。当消息被处理完成后，需要通过 xack 来确认消息，这样，消息才会被标记为已处理，然后从 pending-list 中移除。

Stream消费者组模式相关命令

从消费者组中读取消息：

消费者监听消息的基本思路：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

while(true){
    // 监听消息队列，等待消息到达，最长等待 2000 毫秒
    Object msg = redis.call("XREADGROUP GROUP g1 c1 COUNT 1 BLOCK 2000 STREAMS s1 >");
    if(msg == null) // 如果没有新消息到达，继续下一次
        continue;

    try {
        // 处理消息，完成后一定要ACK
        handleMessage(msg);
    } catch(Exception e) {
        while(true){
            Object msg = redis.call("XREADGROUP GROUP g1 c1 COUNT 1 STREAMS s1 0");
            if(msg == null) // 如果此时没有新消息，所有消息都已处理，结束循环
                break;
            
            try {
                // 说明有异常消息，再次处理
                handleMessage(msg);
            } catch(Exception e) {
                // 再次处理异常，记录日志，继续循环
                continue;
            }
        }
    }
}

消费者持续从Stream消息队列中提取尚未被消费的消息。如果没有检索到消息，消费者将进入下一个循环，再次尝试获取消息。一旦成功获取到消息，消费者将进行消息处理，并在处理完成后确认消息（ack）。如果在处理消息的过程中遇到异常，则进入catch代码块，此时将对挂起列表（pending-list）中的消息进行再次处理，并同样进行确认。如果再次处理时仍然出现异常，系统将记录相关日志，并可能需要人工干预。随后，消费者将继续循环，直到从挂起列表中无法再取出任何消息为止。这样的处理机制确保了消息在被成功处理前不会从系统中丢失，同时也保持了处理流程的连续性。

STREAM类型消息队列的XREADGROUP命令特点：

• 消息可回溯

• 可以多消费者争抢消息，加快消费速度

• 可以阻塞读取

• 没有消息漏读的风险

• 有消息确认机制，保证消息至少被消费一次

总结