只能用分布式锁，也能搞定每秒上千订单的高并发优化？

今天给你们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？

背景引入

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，应该会给的范围更大一些。

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。

我以为，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？你们看看下面的图：

这个图，其实很清晰了，假设订单系统部署两台机器上，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。

俩大兄弟一看，乐了，12台库存大于了要买的10台数量啊！因而乎，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。

如今完了，库存出现了负数！泪奔啊，没有20台iphone发给两个用户啊！这可如何是好。

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？其实很简单，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。

代码大概就是上面那个样子，如今咱们来分析一下，为啥这样作能够避免库存超卖？

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。

有没有其余方案能够解决库存超卖问题？

固然有啊！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。

可是前面说过了，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，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

好，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？

问题很大啊！兄弟，不知道你看出来了没有。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。好比一秒钟来50个请求，都是对iphone下单的，那么每一个请求处理20毫秒，一个一个来，最后1000毫秒正好处理完50个请求。

你们看一眼下面的图，加深一下感受。

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。

缺陷就是同一个商品多用户同时下单的时候，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，要是应对那种低并发、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一秒内瞬间下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？

好了，终于引入正题了，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，你一秒钟只能处理针对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中也是采用了相似的分段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。你们看看下面的图：

其实这就是分段加锁。你想，假如你如今iphone有1000个库存，那么你彻底能够给拆成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，好！此时其实能够是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。

bingo！这样就行了，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。

这至关于什么呢？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，此时咋办？

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没有什么不足？

不足确定是有的，最大的不足，你们发现没有，很不方便啊！实现太复杂了。

• 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个分段库存字段；
• 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，挺麻烦的。

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，之后有机会，再单独聊聊高并发秒杀系统架构下的库存超卖的其余解决方案。

推荐阅读

字节跳动总结的设计模式 PDF 火了，完整版开放分享

刷Github时发现了一本阿里大神的算法笔记！标星70.5K

若是能听懂这个网约车实战，哪怕接私活你均可以月入40K

为何阿里巴巴的程序员成长速度这么快，看完他们的内部资料我懂了

程序员达到50W年薪所须要具有的知识体系。

关于【暴力递归算法】你所不知道的思路

看完三件事❤️

若是你以为这篇内容对你还蛮有帮助，我想邀请你帮我三个小忙：

点赞，转发，有大家的 『点赞和评论』，才是我创造的动力。

关注公众号 『 Java斗帝 』，不按期分享原创知识。

同时能够期待后续文章ing🚀