再有人问你分布式锁是什么，就把这个丢给他！

如今面试都会聊聊分布式系统，一般面试官都会从服务框架（Spring Cloud、Dubbo），一路聊到分布式事务、分布式锁、ZooKeeper 等知识。今天就来聊聊分布式锁这块的知识，先具体的来看看 Redis 分布式锁的实现原理。

若是在公司里落地生产环境用分布式锁的时候，必定是会用开源类库的，好比 Redis 分布式锁，通常就是用 Redisson 框架就行了，很是的简便易用。感兴趣能够去 Redisson 官网看看如何在项目中引入 Redisson 的依赖，而后基于 Redis 实现分布式锁的加锁与释放锁。

一段简单的使用代码片断，先直观的感觉一下：

是否是感受简单的不行！此外，还支持 Redis 单实例、Redis 哨兵、Redis Cluster、redis master-slave 等各类部署架构，均可以完美实现。

Redisson 实现 Redis 分布式锁的底层原理

如今经过一张手绘图，说说 Redisson 这个开源框架对 Redis 分布式锁的实现原理。

加锁机制

看上面那张图，如今某个客户端要加锁。若是该客户端面对的是一个 Redis Cluster 集群，他首先会根据 Hash 节点选择一台机器。

注：仅仅只是选择一台机器！而后发送一段 Lua 脚本到 Redis 上，那段 Lua 脚本以下所示：

为啥要用 Lua 脚本呢？由于一大坨复杂的业务逻辑，能够经过封装在 Lua 脚本中发送给 Redis，保证这段复杂业务逻辑执行的原子性。

那么，这段 Lua 脚本是什么意思呢？这里 KEYS[1] 表明的是你加锁的那个 Key，好比说：RLock lock = redisson.getLock("myLock")；这里你本身设置了加锁的那个锁 Key 就是“myLock”。

ARGV[1] 表明的就是锁 Key 的默认生存时间，默认 30 秒。ARGV[2] 表明的是加锁的客户端的 ID，相似于下面这样：8743c9c0-0795-4907-87fd-6c719a6b4586:1。

第一段 if 判断语句，就是用“exists myLock”命令判断一下，若是你要加锁的那个锁 Key 不存在的话，你就进行加锁。如何加锁呢？很简单，用下面的命令：hset myLock。

8743c9c0-0795-4907-87fd-6c719a6b4586:1 1，经过这个命令设置一个 Hash 数据结构，这行命令执行后，会出现一个相似下面的数据结构：

上述就表明“8743c9c0-0795-4907-87fd-6c719a6b4586:1”这个客户端对“myLock”这个锁 Key 完成了加锁。

接着会执行“pexpire myLock 30000”命令，设置 myLock 这个锁 Key 的生存时间是 30 秒，加锁完成。

锁互斥机制

这个时候，若是客户端 2 来尝试加锁，执行了一样的一段 Lua 脚本，会怎样？

第一个 if 判断会执行“exists myLock”，发现 myLock 这个锁 Key 已经存在了。

第二个 if 判断，判断myLock 锁 Key 的 Hash 数据结构中，是否包含客户端 2 的 ID，可是明显不是的，由于那里包含的是客户端 1 的 ID。

因此，客户端 2 会获取到 pttl myLock 返回的一个数字，这个数字表明了 myLock 这个锁 Key 的剩余生存时间。好比还剩 15000 毫秒的生存时间。此时客户端 2 会进入一个 while 循环，不停的尝试加锁。

watch dog 自动延期机制

客户端 1 加锁的锁 Key 默认生存时间才 30 秒，若是超过了 30 秒，客户端 1 还想一直持有这把锁，怎么办呢？

只要客户端 1 加锁成功，就会启动一个 watch dog 看门狗，这个后台线程，会每隔 10 秒检查一下，若是客户端 1 还持有锁 Key，就会不断的延长锁 Key 的生存时间。

可重入加锁机制

那若是客户端 1 都已经持有了这把锁了，结果可重入的加锁会怎么样呢？以下代码：

分析一下上面那段 Lua 脚本。第一个if判断确定不成立，“exists myLock”会显示锁 Key 已经存在了。

第二个 if 判断会成立，由于 myLock 的 Hash 数据结构中包含的那个 ID，就是客户端 1 的那个 ID，也就是“8743c9c0-0795-4907-87fd-6c719a6b4586:1”。

此时就会执行可重入加锁的逻辑，incrby myLock 8743c9c0-0795-4907-87fd-6c71a6b4586:1 1，经过这个命令，对客户端 1 的加锁次数，累加 1。

此时 myLock 数据结构变为下面这样：

myLock 的 Hash 数据结构中的那个客户端 ID，就对应着加锁的次数。

释放锁机制

若是执行 lock.unlock()，就能够释放分布式锁，此时的业务逻辑也是很是简单的。就是每次都对 myLock 数据结构中的那个加锁次数减 1。

若是发现加锁次数是 0 了，说明这个客户端已经再也不持有锁了，此时就会用：“del myLock”命令，从 Redis 里删除这个 Key。

而另外的客户端 2 就能够尝试完成加锁了。这就是所谓的分布式锁的开源 Redisson 框架的实现机制。

通常咱们在生产系统中，能够用 Redisson 框架提供的这个类库来基于 Redis 进行分布式锁的加锁与释放锁。

上述 Redis 分布式锁的缺点

上面那种方案最大的问题，就是若是你对某个 Redis Master 实例，写入了 myLock 这种锁 Key 的 Value，此时会异步复制给对应的 Master Slave 实例。

可是这个过程当中一旦发生 Redis Master 宕机，主备切换，Redis Slave 变为了 Redis Master。

会致使客户端 2 尝试加锁时，在新的 Redis Master 上完成加锁，客户端 1 也觉得本身成功加锁。

此时就会致使多个客户端对一个分布式锁完成了加锁。这时系统在业务语义上必定会出现问题，致使各类脏数据的产生。

因此这个就是 Redis Cluster，或者是 redis master-slave 架构的主从异步复制致使的 Redis 分布式锁的最大缺陷：在 Redis Master 实例宕机的时候，可能致使多个客户端同时完成加锁。

七张图完全讲清楚 ZooKeeper 分布式锁的实现原理
下面再聊一下 ZooKeeper 实现分布式锁的原理。同理，我是直接基于比较经常使用的 Curator 这个开源框架，聊一下这个框架对 ZooKeeper（如下简称 ZK）分布式锁的实现。

通常除了大公司是自行封装分布式锁框架以外，建议你们用这些开源框架封装好的分布式锁实现，这是一个比较快捷省事的方式。

ZooKeeper 分布式锁机制

看看多客户端获取及释放 ZK 分布式锁的整个流程及背后的原理。首先看看下图，若是如今有两个客户端一块儿要争抢 ZK 上的一把分布式锁，会是个什么场景？

若是你们对 ZK 还不太了解的话，建议先自行百度一下，简单了解点基本概念，好比 ZK 有哪些节点类型等等。

参见上图。ZK 里有一把锁，这个锁就是 ZK 上的一个节点。两个客户端都要来获取这个锁，具体是怎么来获取呢？

假设客户端 A 抢先一步，对 ZK 发起了加分布式锁的请求，这个加锁请求是用到了 ZK 中的一个特殊的概念，叫作“临时顺序节点”。

简单来讲，就是直接在"my_lock"这个锁节点下，建立一个顺序节点，这个顺序节点有 ZK 内部自行维护的一个节点序号。

好比第一个客户端来搞一个顺序节点，ZK 内部会给起个名字叫作：xxx-000001。

而后第二个客户端来搞一个顺序节点，ZK 可能会起个名字叫作：xxx-000002。

注意，最后一个数字都是依次递增的，从 1 开始逐次递增。ZK 会维护这个顺序。

因此这个时候，假如说客户端 A 先发起请求，就会搞出来一个顺序节点，你们看下图，Curator 框架大概会弄成以下的样子：图片描述

客户端 A 发起一个加锁请求，先在要加锁的 node 下搞一个临时顺序节点，这列长名字都是 Curator 框架本身生成出来的。

而后，那个最后一个数字是"1"。由于客户端 A 是第一个发起请求的，因此给他搞出来的顺序节点的序号是"1"。

接着客户端 A 建立完一个顺序节点。还没完，他会查一下"my_lock"这个锁节点下的全部子节点，而且这些子节点是按照序号排序的，这个时候他大概会拿到这么一个集合：

接着客户端 A 会走一个关键性的判断：这个集合里建立的顺序节点，是否排在首位？

若是是的话，就能够加锁，由于明明我就是第一个来建立顺序节点的人，因此我就是第一个尝试加分布式锁的人啊！

加锁成功！看下图，再来直观的感觉一下整个过程：

图片描述
接着假如说，客户端 A 都加完锁了，客户端 B 过来想要加锁了，这个时候他会干同样的事儿：先是在"my_lock"这个锁节点下建立一个临时顺序节点，此时名字会变成相似于：

下图：
图片描述

客户端 B 由于是第二个来建立顺序节点的，因此 ZK 内部会维护序号为"2"。

接着客户端 B 会走加锁判断逻辑，查询"my_lock"锁节点下的全部子节点，按序号顺序排列，此时他看到的相似于：

时检查本身建立的顺序节点，是否是集合中的第一个？明显不是啊，此时第一个是客户端 A 建立的那个顺序节点，序号为"01"的那个。因此加锁失败！

加锁失败了之后，客户端 B 就会经过 ZK 的 API 对他的顺序节点的上一个顺序节点加一个监听器。ZK 自然就能够实现对某个节点的监听。

若是你们还不知道 ZK 的基本用法，能够百度查阅，很是的简单。客户端 B 的顺序节点是：

他的上一个顺序节点，不就是下面这个吗？

即客户端 A 建立的那个顺序节点！因此，客户端 B 会对：

这个节点加一个监听器，监听这个节点是否被删除等变化！你们看下图：

图片描述

接着，客户端 A 加锁以后，可能处理了一些代码逻辑，而后就会释放锁。那么，释放锁是个什么过程呢？

其实就是把本身在 ZK 里建立的那个顺序节点，也就是：

这个节点删除。删除了那个节点以后，ZK 会负责通知监听这个节点的监听器，也就是客户端 B 以前加的那个监听器，说：你监听的那个节点被删除了，有人释放了锁。
图片描述

此时客户端 B 的监听器感知到了上一个顺序节点被删除，也就是排在他以前的某个客户端释放了锁。

此时，就会通知客户端 B 从新尝试去获取锁，也就是获取"my_lock"节点下的子节点集合，此时为：

集合里此时只有客户端 B 建立的惟一的一个顺序节点了！而后呢，客户端 B 判断本身竟然是集合中的第一个顺序节点，Bingo！能够加锁了！直接完成加锁，运行后续的业务代码便可，运行完了以后再次释放锁。
图片描述

其实若是有客户端 C、客户端 D 等 N 个客户端争抢一个 ZK 分布式锁，原理都是相似的：

• 你们都是上来直接建立一个锁节点下的一个接一个的临时顺序节点。
• 若是本身不是第一个节点，就对本身上一个节点加监听器。
• 只要上一个节点释放锁，本身就排到前面去了，至关因而一个排队机制。

并且用临时顺序节点的另一个用意就是，若是某个客户端建立临时顺序节点以后，不当心本身宕机了也不要紧，ZK 感知到那个客户端宕机，会自动删除对应的临时顺序节点，至关于自动释放锁，或者是自动取消本身的排队。

最后，我们来看下用 Curator 框架进行加锁和释放锁的一个过程：

其实用开源框架就是方便。这个 Curator 框架的 ZK 分布式锁的加锁和释放锁的实现原理，就是上面咱们说的那样子。

可是若是你要手动实现一套那个代码的话，要考虑到各类细节，异常处理等等。因此你们若是考虑用 ZK 分布式锁，能够参考下本文的思路。

每秒上千订单场景下的分布式锁高并发优化实践
接着聊一个有意思的话题：每秒上千订单场景下，如何对分布式锁的并发能力进行优化？

首先，咱们一块儿来看看这个问题的背景。前段时间有个朋友在外面面试，而后有一天找我聊说：有一个国内不错的电商公司，面试官给他出了一个场景题：

假以下单时，用分布式锁来防止库存超卖，可是是每秒上千订单的高并发场景，如何对分布式锁进行高并发优化来应对这个场景？

他说他当时没答上来，由于没作过没什么思路。其实我当时听到这个面试题内心也以为有点意思，由于若是是我来面试候选人的话，给的范围会更大一些。好比，让面试的同窗聊一聊电商高并发秒杀场景下的库存超卖解决方案，各类方案的优缺点以及实践，进而聊到分布式锁这个话题。

由于库存超卖问题是有不少种技术解决方案的，好比悲观锁，分布式锁，乐观锁，队列串行化，Redis 原子操做，等等吧。可是既然那个面试官兄弟限定死了用分布式锁来解决库存超卖，我估计就是想问一个点：在高并发场景下如何优化分布式锁的并发性能。

面试官提问的角度仍是能够接受的，由于在实际落地生产的时候，分布式锁这个东西保证了数据的准确性，可是他自然并发能力有点弱。

恰好我以前在本身项目的其余场景下，确实是作太高并发场景下的分布式锁优化方案，所以正好是借着这个朋友的面试题，把分布式锁的高并发优化思路，给你们来聊一聊。

库存超卖现象是怎么产生的？

先来看看若是不用分布式锁，所谓的电商库存超卖是啥意思？你们看下图：

这个图其实很清晰了，假设订单系统部署在两台机器上，不一样的用户都要同时买 10 台 iPhone，分别发了一个请求给订单系统。

接着每一个订单系统实例都去数据库里查了一下，当前 iPhone 库存是 12 台，大于了要买的 10 台数量。

因而每一个订单系统实例都发送 SQL 到数据库里下单，而后扣减了 10 个库存，其中一个将库存从 12 台扣减为 2 台，另一个将库存从 2 台扣减为 -8 台。

如今库存出现了负数！没有 20 台 iPhone 发给两个用户啊！怎么办？

用分布式锁如何解决库存超卖问题？

咱们用分布式锁如何解决库存超卖问题呢？回忆一下上次咱们说的那个分布式锁的实现原理：

同一个锁 Key，同一时间只能有一个客户端拿到锁，其余客户端会陷入无限的等待来尝试获取那个锁，只有获取到锁的客户端才能执行下面的业务逻辑。

代码如上图，分析一下为何这样能够避免库存超卖？

你们能够顺着上面的那个步骤序号看一遍，立刻就明白了。

从上图能够看到，只有一个订单系统实例能够成功加分布式锁，而后只有他一个实例能够查库存、判断库存是否充足、下单扣减库存，接着释放锁。释放锁以后，另一个订单系统实例才能加锁，接着查库存，一下发现库存只有 2 台了，库存不足，没法购买，下单失败。不会将库存扣减为 -8 的。

有没其余方案解决库存超卖问题？

固然有！好比悲观锁，分布式锁，乐观锁，队列串行化，异步队列分散，Redis 原子操做，等等，不少方案，咱们对库存超卖有本身的一整套优化机制。可是前面说过，这篇文章就聊一个分布式锁的并发优化，不是聊库存超卖的解决方案，因此库存超卖只是一个业务场景而已。

分布式锁的方案在高并发场景下

如今咱们来看看，分布式锁的方案在高并发场景下有什么问题？分布式锁一旦加了以后，对同一个商品的下单请求，会致使全部客户端都必须对同一个商品的库存锁 Key 进行加锁。

好比，对 iPhone 这个商品的下单，都必对“iphone_stock”这个锁 Key 来加锁。这样会致使对同一个商品的下单请求，就必须串行化，一个接一个的处理。你们再回去对照上面的图反复看一下，应该能想明白这个问题。

假设加锁以后，释放锁以前，查库存→建立订单→扣减库存，这个过程性能很高吧，算他全过程 20 毫秒，这应该不错了。那么 1 秒是 1000 毫秒，只能容纳 50 个对这个商品的请求依次串行完成处理。如一秒钟50 个请求，都是对 iPhone 下单的，那么每一个请求处理 20 毫秒，逐个来，最后 1000 毫秒正好处理完 50 个请求。

你们看下图，加深印象。

因此看到这里，你们起码也明白了，简单的使用分布式锁来处理库存超卖问题，存在什么缺陷。

同一商品多用户同时下单时，会基于分布式锁串行化处理，致使无法同时处理同一个商品的大量下单的请求。这种方案应对那种低并发、无秒杀场景的普通小电商系统，可能还能够接受。

由于若是并发量很低，每秒就不到 10 个请求，没有瞬时高并发秒杀单个商品的场景的话，其实也不多会对同一个商品在 1 秒内瞬间下 1000 个订单，由于小电商系统没那场景。

如何对分布式锁进行高并发优化？

那么如今怎么办呢？面试官说，我如今就卡死，库存超卖就是用分布式锁来解决，并且一秒对一个 iPhone 下上千订单，怎么优化？

如今按照刚才的计算，你 1 秒钟只能处理针对 iPhone 的 50 个订单。其实说出来也很简单，相信不少人看过 Java 里的 ConcurrentHashMap 的源码和底层原理，应该知道里面的核心思路，就是分段加锁！

把数据分红不少个段，每一个段是一个单独的锁，因此多个线程过来并发修改数据的时候，能够并发的修改不一样段的数据。不至于说，同一时间只能有一个线程独占修改 ConcurrentHashMap 中的数据。

另外，Java 8 中新增了一个 LongAdder 类，也是针对 Java 7 之前的 AtomicLong 进行的优化，解决的是 CAS 类操做在高并发场景下，使用乐观锁思路，会致使大量线程长时间重复循环。LongAdder 中也采用了相似的分段 CAS 操做，失败则自动迁移到下一个分段进行 CAS 的思路。

其实分布式锁的优化思路也是相似的，以前咱们是在另一个业务场景下落地了这个方案到生产中，不是在库存超卖问题里用的。可是库存超卖这个业务场景不错，很容易理解，因此咱们就用这个场景来讲一下。

你们看下图：

这就是分段加锁。假如如今 iPhone 有 1000 个库存，彻底能够给拆成 20 个库存段。

要是你愿意，能够在数据库的表里建 20 个库存字段，好比 stock_01，stock_02，相似这样的，也能够在 Redis 之类的地方放 20 个库存 Key。

总之，就是把你的 1000 件库存给他拆开，每一个库存段是 50 件库存，好比 stock_01 对应 50 件库存，stock_02 对应 50 件库存。

接着，每秒 1000 个请求过来了！此时能够本身写一个简单的随机算法，每一个请求都是随机在 20 个分段库存里，选择一个进行加锁。

这样同时能够有最多 20 个下单请求一块儿执行，每一个下单请求锁了一个库存分段，而后在业务逻辑里面，就对数据库或者是 Redis 中的那个分段库存进行操做便可，包括查库存→判断库存是否充足→扣减库存。

这至关于一个 20 毫秒，能够并发处理掉 20 个下单请求，那么 1 秒，也就能够依次处理掉 20 * 50 = 1000 个对 iPhone 的下单请求了。

一旦对某个数据作了分段处理以后，有一个坑你们必定要注意：就是若是某个下单请求，咔嚓加锁，而后发现这个分段库存里的库存不足了。这时你得自动释放锁，而后立马换下一个分段库存，再次尝试加锁后尝试处理。这个过程必定要实现。

分布式锁并发优化方案有什么不足？

最大的不足是很不方便，实现太复杂：

• 首先，你得对一个数据分段存储，一个库存字段原本好好的，如今要分为 20 个库存字段。
• 其次，你在每次处理库存的时候，还得本身写随机算法，随机挑选一个分段来处理。
• 最后，若是某个分段中的数据不足了，你还得自动切换到下一个分段数据去处理。

这个过程都是要手动写代码实现的，仍是有点工做量。不过咱们确实在一些业务场景里，由于用到了分布式锁，而后又必需要进行锁并发的优化，又进一步用到了分段加锁的技术方案，效果固然是很好的了，一会儿并发性能能够增加几十倍。

该优化方案的后续改进：以咱们本文所说的库存超卖场景为例，你要是这么玩，会把本身搞的很痛苦！再次强调，咱们这里的库存超卖场景，仅仅只是做为演示场景而已。

顺便在此给你们推荐一个Java方面的交流学习群：4112676，里面会分享一些高级面试题，还有资深架构师录制的视频录像：有Spring，MyBatis，Netty源码分析，高并发、高性能、分布式、微服务架构的原理，JVM性能优化这些成为架构师必备的知识体系，主要针对Java开发人员提高本身，突破瓶颈，相信你来学习，会有提高和收获。在这个群里会有你须要的内容 朋友们请抓紧时间加入进吧