基于互联网架构演进，构建秒杀系统

系统架构师思考

秒杀活动是指网络商家为促销等目的组织会网上限时抢购活动，这种活动具有瞬时并发量大、库存量少和业务逻辑简单等特点。

设计一个秒杀系统需要考虑的因素很多，比如对现有业务的影响、网络带宽消耗以及超卖等因素。本文会讨论秒杀系统的各个环节可能存在的问题以及解决方案。

四大核心课题思考

一、JVM调优（调优原理，上线调优细节，掌握基本调优参数设置，调优一些经验），GC日志分析，进一步调优。

二、数据库调优（连接池调优，数据库常见设计调优，缓存）。

三、多级缓存优化（堆内缓存，分布式缓存，openresty内存字典， lua+redis实现接入层缓存）。

四、秒杀下单（高并发模式下实现下单操作—满足业务需求）-- Lock锁，AOP锁优化，分布式锁优化。

高性能架构

以用户为中心，提供快速的网页访问体验。主要参数有较短的响应时间、较大的并发处理能力、较高的吞吐量与稳定的性能参数。

可分为前端优化、应用层优化、代码层优化与存储层优化。

• 前端优化：网站业务逻辑之前的部分；--- vue ,react +nodejs – 工程化。
• 浏览器优化：减少HTTP请求数，使用浏览器缓存，启用压缩，CSS JS位置，JS异步，减少Cookie传输；CDN加速，反向代理。
• 应用层优化：处理网站业务的服务器。使用缓存，异步，集群，架构优化。
• 代码优化：多线程，资源复用（对象池，线程池等），良好的数据结构，JVM调优，单例，Cache等。
• 存储优化：缓存、固态硬盘、光纤传输、优化读写、磁盘冗余、分布式存储（HDFS）、NoSQL等。

总结：

①服务尽量进行拆分（微服务）---- 提高项目吞吐能力。

②尽量将请求拦截在上游服务（多级缓存）--- 90% ----> 数据库压力非常小，闲庭信步，数据库架构（主从架构）。

③代理层：做限速，限流。

④服务层：按照业务请求做队列的流量控制（流量削峰）。

可伸缩架构

伸缩性是指在不改变原有架构设计的基础上，通过添加/减少硬件（服务器）的方式，提高/降低系统的处理能力。

• 应用层：对应用进行垂直或水平切分。然后针对单一功能进行负载均衡（DNS、HTTP[反向代理]、IP、链路层）。
• 服务层：与应用层类似。
• 数据层：分库、分表、NoSQL等；常用算法Hash，一致性Hash。

云原生：项目运行云端，可以随时动态扩容—K8S。

8C+16G : 2000QPS +-。

 (此数字是估算结果，真实结果受到代码编写数据结构，业务逻辑，架构、rt,以现实测试结果)。

可扩展架构

SOA --- 微服务 --- 业务拆分模块 --- 新业务需求 --- 根据新业务需求创建新模块服务。

可以方便地进行功能模块的新增/移除，提供代码/模块级别良好的可扩展性。

• 模块化、组件化：高内聚，低耦合，提高复用性，扩展性。
• 稳定接口：定义稳定的接口，在接口不变的情况下，内部结构可以“随意”变化。
• 设计模式：应用面向对象思想，原则，使用设计模式，进行代码层面的设计。
• 消息队列：模块化的系统，通过消息队列进行交互，使模块之间的依赖解耦。
• 分布式服务：公用模块服务化，提供其他系统使用，提高可重用性，扩展性。

安全架构

对已知问题有有效的解决方案，对未知/潜在问题建立发现和防御机制。对于安全问题，首先要提高安全意识，建立一个安全的有效机制，从政策层面，组织层面进行保障，比如服务器密码不能泄露，密码每月更新，每周安全扫描等。

以制度化的方式，加强安全体系的建设。同时，需要注意与安全有关的各个环节。安全问题不容忽视，包括基础设施安全，应用系统安全，数据保密安全等。

 基础设施安全：

硬件采购，操作系统，网络环境方面的安全。一般采用正规渠道购买高质量的产品，选择安全的操作系统，及时修补漏洞，安装杀毒软件防火墙。防范病毒，后门。设置防火墙策略，建立DDOS防御系统，使用攻击检测系统，进行子网隔离等手段。

应用系统安全：

在程序开发时，对已知常用问题，使用正确的方式，在代码层面解决掉。防止跨站脚本攻击（XSS），注入攻击，跨站请求伪造（CSRF），错误信息，HTML注释，文件上传，路径遍历等。还可以使用Web应用防火墙（比如：ModSecurity），进行安全漏洞扫描等措施，加强应用级别的安全。

数据保密安全：

存储安全（存储在可靠的设备，实时，定时备份），保存安全（重要的信息加密保存，选择合适的人员复杂保存和检测等），传输安全（防止数据窃取和数据篡改）。

常用的加解密算法（单项散列加密[MD5、SHA]，对称加密[DES、3DES、RC]），非对称加密[RSA]等。

一、互联网架构演进思考

1、架构演进

单体架构（all in one） à水平拆分/SOA架构à微服务架构 àkubernetes云原生架构（微服务迁移到云原生）à ServiceMesh （服务网格架构，下一代微服务架构，云原生架构：istio） à serverless 架构 （无服务架构）。

企业架构转型：数字化转型。

传统架构过渡到云原生架构（容器云）。

2、 单体架构

（1）单体架构——所有业务都在同一个应用中，没有进行任何拆分。

注意：集中式架构模式，所有的请求都集中在同一个服务上面，对服务压力较大；因此这样的架构适合并发较小的架构；同时 同一个服务器中，数据库，项目都会抢占服务内存，cpu资源，造成服务性能问题。

（2）单体架构优化。

• 应用程序 MYSQL分离部署。
• 服务集群– 提升性能。
• 动态分离（静态资源存储CDN,nginx服务器）。
• 隔离术（线程池隔离，进程隔离）。
• 队列术 （blockingQueue,disruptor队列，RocketMQ）。
• 接入层限流（openresty）, 接口限流。
• MySQL优化（索引，缓存，表结构，分表分库，数据归档，冷热，SQL语句优化）。
• 引入lvs （linux virtual server）。
• DNS 解决上层流量瓶颈问题。
• 多级缓存。

（3）单体架构流量预估（单体架构真的不能承受亿级流量？？）单体架构：中小型企业，创业公司。

①传统项目（并发量小，业务简单，需求固定），项目体量比较小

②小程序

③追求极致性能的项目（业务量少）

④互联网项目（中小型企业，创业公司）

需求：

某网站平均一天下单量100w单，根据100w 评估一下系统的流量！

用户行为：

①产生的时间段：11:00 – 2:00  5:00 – 12:00 ，订单产生时间段：12h。

②每下一单会发生多少个请求：50QPS x 3 = 150 QPS。

计算流量：

100w / day * 150 QPS = 1.5 亿 ----- 亿级流量。

计算平均每一秒QPS：

1.5亿/12 h = 1250 QPS / 60min = 20W / 60s = 3400 QPS。

（4）单点架构优缺点。

单体架构优点：

①部署简单

②开发简单

③测试简单

④集群简单

⑤RT响应时间非常快速 —— 适合一些特点的项目（极端苛刻响应时间）。

单体架构问题：

①流量比较集中，所有的请求都集中一个服务中，单体无法应对

②无法实现敏捷开发，业务增大，代码结构越来越臃肿，维护变得非常困难单体架构：war  > 1G  --- IBM unix 高性能服务器 64cpus, 128GB  --- 1GB

③单体架构牵一发而动全身

④扩展性差

⑤稳定性差

3、架构拆分

随着业务流量增大，需求的增多，必须对架构进行改进，就需要对项目进行业务拆分；（水平拆分，垂直拆分）。

数据库水平拆分，垂直拆分模式：

（1）水平拆分模式。

（2）垂直拆分：SOA架构。

4、微服务架构

注意：微服务架构就是水平拆分和垂直拆分的架构结合，就是微服务架构。

5、ServiceMesh架构

ServiceMesh服务网格架构，CNCF把ServiceMesh定义为云原生架构，ServiceMesh落地级实现的成熟框架：Istio框架。

问题：为什么要是有ServiceMesh架构？

Spring Cloud alibaba微服务架构存在问题？

--ServiceMesh出现就是为了解决微服务架构中存在一些问题？

①服务性能监控(Zabbix,promutheus)2、服务限流(sentinel)

②服务降级(sentinel)

③服务熔断(sentinel)

④链路追踪(skywalking)

⑥日志监控(elk)

⑦服务告警

⑧负载均衡

以上一系列的问题，作为架构师，开发人员都需要全盘的考虑；开发微服务架构在服务治理，服务监控非常困难。

以上的工作和业务没有太多的关系，但是架构人员必须考虑，架构，设计，因此这些配套工作都会大大降低我们的开发效率，提升开发难度，增加开发成本。

6、Serverless

Serverless架构体系：无服务架构，面向未来的架构体系，从开发人员来说，不需要关心底层哪些和业务没有关系的代码，只需要开发业务即可。

例如：向CDN上传图片，视频文件。

①不需要上传到哪一个服务器

②不需要关心服务器是如何扩容的

这样的概念，思想就叫做Serverless。

总结：架构选型的时候，必须选择企业合适的架构，而不是采用最新架构。

二、性能调优思考-JVM

1、JVM的调优思考

思考题1

项目上线后，是什么原因促使必须进行jvm调优？

答案：调优的目的就是提升服务性能。

（1）jvm 堆内存空间对象太多（Java线程，垃圾对象），导致内存被占满，程序跑不动—性能严重下降。

调优：及时释放内存

（2）垃圾回收线程太多，频繁回收垃圾（垃圾回收线程也会占用内存资源，抢占cpu资源），必然会导致程序性能下降。

调优：防止频繁gc。

（3）垃圾回收导致stw(stop the world)。

调优：尽可能的减少gc次数。

思考题2

jvm调优本质是什么？

答案：jvm调优的本质就是（对内存的调优） 及时回收垃圾对象，释放内存空间；让程序性能得以提升，让其他业务线程可以获得更多内存空间；

思考题3

是否可以把JVM内存空设置的足够大（无限大），是不是就不需要垃圾回收呢？

前提条件：内存空间被装满了以后，才会触发垃圾回收器来回收垃圾。

答案：理论上是的，现实情况不行的！

寻址能力：

（是否有这么大的空间）。

32位操作系统 === 4GB 内存。

64位操作系统 === 16384 PB 内存空间。

Jvm堆内存空间大小的设置：必须设置一个合适的内存空间，不能太大，也不能太小。

问题1：考虑到寻址速度的问题，寻址一个对象消耗的时间比较长的。

问题2：一旦触发垃圾回收，将会是一个灾难；（只能重启服务器）。

2、JVM的调优原则

（1） gc的时间足够小（堆内存设置足够小）。

垃圾回收时间足够小，以为着jvm堆内存空间设置小一些，这样的话 垃圾对象寻址的时候消耗的时间就非常短，然后整个垃圾回收非常快速。

（2） gc的次数足够少 （jvm堆内存设置的足够大）。

Gc次数足够少，jvm堆内存空间必须设置的足够大；这样垃圾回收触发次数就会相应减少。

注意：原子1 ，原则2 相互冲突的，原则1&&原则2 。需要进行balance,内存空间既不能设置太大，也不能设置太小。

（3） 发生fullgc 周期足够长 （最好不发生full gc）。

 metaspace 永久代空间设置大小合理，metaspace一旦扩容，就会发生fullgc。

老年代空间设置一个合理的大小，防止full gc。

尽量让垃圾对象在年轻代被回收（90%）。

 尽量防止大对象的产生，一旦大对象多了以后，就可能发生full gc ,甚至oom。

3、JVM的调优原理

什么是垃圾?

JVM调优的本质：回收垃圾，及时释放内存空间。

但是什么是垃圾？

在内存中间中，哪些没有被引用的对象就是垃圾（高并发模式下，大量的请求在内存空间中创建了大量的对象，这些对象并不会主动消失，因此必须进行垃圾回收，当然Java垃圾回收必须我们自己编写垃圾回收代码，Java提供各种垃圾回收器帮助回收垃圾，JVM垃圾回收是自动进行的）。

一个对象的引用消失了，这个对象就是垃圾，因此此对象就必须被垃圾回收器进行回收，及时释放内存空间。

怎么找垃圾?

Jvm提供了2种方式找到这个垃圾对象：

（1）引用计数算法 找垃圾。

（2）根可达算法   找垃圾  hotspot 垃圾回收器都是使用这个算法。

（1）引用计数算法

引用计数算法：对每一个对象的引用数量进行一个计数，当引用数为0时，那么此对象就变成了一个垃圾对象。

存在问题：不能解决循环引用的问题，如果存在循环引用的话，无法发现垃圾。

这三个对象处于循环引用的状态，引用计数都不为0，因此无法判断这个3个对象是垃圾。

（2）根可达算法

根据根对象向下进行遍历，如果遍历不到的对象就是垃圾。

如何清除垃圾?

JVM提供了3种方式清除垃圾，分别是：

①mark-sweep  标记清楚算法。

②copying 拷贝算法。

③mark-compact 标记整理（压缩）算法。

①第一种算法：mark-sweep 标记清楚算法。

①使用根可达算法找到垃圾对象，对垃圾对象进标记 （做一个标记）。

②对标记对象进行删除（清除）。

优点：简单，高效。

缺点：清除的对象都不是一个连续的空间，清除垃圾后，产生很多内存碎片；不利于后期对象内存分配，及寻址。

②第二种算法：copying拷贝算法。

一开始就把内存控制一份为2，分为2个大小相同的的内存空间，另一半空间展示空闲：

①选择（寻址）存活对象。

②把存活对象拷贝到另一半空闲空间中，且是连续的内存空间。

③把存储对象拷贝结束后，另一半空间中全是垃圾，直接清除另一半空间即可。

优点：简单，内存空间是连续的，不存在内存空间碎片。

缺点：内存空间浪费。

③第三种算法：mark-compact标记整理（压缩）算法。

①选择（寻址）存活对象。

②把存活对象拷贝到另一半空闲空间中，且是连续的内存空间。

③把存储对象拷贝结束后，另一半空间中全是垃圾，直接清除另一半空间即可。

垃圾回收器

Java提供很多的垃圾回收器：10种垃圾回收器。

特点：

1、Serial Serial Old , parNew CMS , Parallel Scavenge Parallel Old  都属于物理分代垃圾回收器；年轻代，老年代分别使用不同的垃圾回收器。

2、G1 在逻辑上进行分代的，进行在使用上非常方便，关于年轻代，老年代只需要使用一个垃圾回收器即可。

3、ZGC  ZGC是一款JDK 11中新加入的具有实验性质的低延迟垃圾收集器。

4、Shenandoah OpenJDK 垃圾回收器。

5、Epsilon 是Debug使用的，调试环境下：验证jvm内存参数设置的可行性。

6、Serial Serial Old：串行化的垃圾回收器。

7、parNew CMS ：并行，并发的垃圾回收器。

8、Parallel Scavenge Parallel Old ：并行的垃圾回收器。

常用的垃圾回收器组合：

1、Serial + Serial Old: 串行化的垃圾回收器，适合单核心的cpu的服务情况。

2、parNew + CMS：响应时间优先组合。

3、Parallel Scavenge + Parallel Old ：吞吐量优先组合。

4、g1 ：逻辑上分代的垃圾回收器组合。

4、垃圾回收器原理

Serial+Serial Old

Serial : 年轻代的垃圾回收器，单线程的垃圾回收器；Serial Old是老年代的垃圾回收器，也是一个单线程的垃圾回收器，合适单核心cpu。

注意特点：

1、stw : 当进行gc的时候，整个业务线程都会被停止，如果stw时间过长，或者stw发生次数过多，都会影响程序的性能。

2、垃圾回收器线程：多线程，单线程，并发，并行。

Parallel Scavenge + Parallel Old

Parallel Scavenge + Parallel Old : 

并行的垃圾回收器；吞吐量优先的垃圾回收器组合，是JDK8默认的垃圾回收器；问题 : 什么是并发，并行？

并发：

并行：

PS + PO 回收垃圾的时候，采用的多线程模式回收垃圾。

注意特点：

1、stw : 当进行gc的时候，整个业务线程都会被停止，如果stw时间过长，或者stw发生次数过多，都会影响程序的性能。

2、垃圾回收器线程：多线程，单线程，并发，并行。

parNew+CMS

parNew : 并行垃圾回收器，年轻代的垃圾回收器。

CMS : 并发垃圾回收器，回收老年代的垃圾。

年轻代垃圾回收器：parNew。

老年代垃圾回收器：CMS。

注意：任何的垃圾回收器都无法避免 STW ，因此jvm调优实际上就是调整stw的时间。

G1

使用G1收集器时，它将整个Java堆划分成约2048个大小相同的独立Region块，每个Region块大小根据堆空间的实际大小。

而定，整体被控制 在1MB到32MB之间，且为2的N次幂，即1MB，2MB，4MB，8MB，16MB，32MB。可以通过-XX:G1HeapRegionsize设定。

所有的Region大小相同，且在JVM生命周期内不会被改变。

5、 内存分代模型

通过内存分代模型结构：大多数对象都会在年轻代被回收掉（90%+），很多对象都在15次的垃圾回收中被回收掉了，只有超过15次还没被回收掉的才会进入到老年代区域。

垃圾回收触发时机：

1、ps+po : 当堆内存被装满了，才会触发垃圾回收（eden区域满了，触发了垃圾回收，old区域满了，触发垃圾回收）。

2、cms 垃圾回收器。

①JDK1.5：68% ，当eden区域装对象达到68%时候，就会触发垃圾回收。

②JDK1.6+ : 92%才会触发垃圾回收器。

一个新对象被创建了，但是这个对象是一个大对象（查询全表），eden区域已经放不下了，此时会发生什么？

6、JVM的实战调优

明确：jvm调优本质

1、JVM调优本质就是 gc , 垃圾回收，及时释放内存空间。

2、gc次数要少，gc时间少，防止fulllgc --- 内存参数设置。

典型参数设置

服务器硬件配置：4cpu，8GB内存 --- jvm调优内存，考虑内存。

1、-Xmx4000m  设置JVM最大堆内存（经验值：3500m – 4000m,内存设置大小，没有一个固定的值，根据业务实际情况来进行设置的，根据压力测试，根据性能反馈情况，去做参数调试）。

2、-Xms4000m  设置JVM堆内存初始化的值，一般情况下，初始化的值和最大堆内存值必须一致，防止内存抖动。

3、-Xmn2g 设置年轻代内存对象（eden,s1,s2）。

4、-Xss256k 设置线程栈大小，JDK1.5+版本线程栈默认是1MB, 相同的内存情况下，线程堆栈越小，操作系统创建的线程越多。

nohup java -Xmx4000m -Xms4000m -Xmn2g -Xss256k -jar jshop-web-1.0-SNAPSHOT.jar --spring.config.addition-location=application.yaml > jshop.log 2>&1 &

压力测试：查看在此内存设置模式下性能情况：

根据压力测试结果，发现JVM参数设置，和之前没有设置吞吐能力没有太大的变化，因为测试样本不足以造成 gc,fullgc时间上差异。

问题：根据什么标准判断参数设置是否合理呢？？根据什么指标进行调优呢？1、发生几次gc, 是否频繁的发送gc?2、是否发生fullgc ,full gc发生是否合理3、gc的时间是否合理4、oom。

7、GC的日志输出

输出日志启动指令如下所示：

nohup java -Xmx4000m -Xms4000m -Xmn2g -Xss256k -XX:+PrintGCDetails -XX:+PrintGCTimeStamps -XX:+PrintGCDateStamps -XX:+PrintHeapAtGC -Xloggc:gc.log  -jar jshop-web-1.0-SNAPSHOT.jar --spring.config.addition-location=application.yaml > jshop.log 2>&1 &

输出日志指令：

-XX:+PrintGCDetails 打印GC详细信息
-XX:+PrintGCTimeStamps 打印GC时间信息
-XX:+PrintGCDateStamps 打印GC日期的信息
-XX:+PrintHeapAtGC 打印GC堆内存信息
-Xloggc:gc.log 把gc信息输出gc.log文件中

执行启动指令后，在本地产生gc.log文件：

GC日志分析： 使用https://gceasy.io/导入gc.log 进行在线分析即可。

Gc日志分析报告：

总结：可以发现 业务线程执行时间占比达到99%+，说明gc时间在整个业务执行期间所占用的时间非常少，几乎不会影响程序性能；导致业务线程执行时间占比高的原因是：

1、程序样本数不够。

2、程序运行的时间不够。

3、业务场景不符合要求（查询没有太多的对象数据）。

存在问题：发生full gc。

GC详细数据分析：

fullgc频繁发生：

查询gc内存模型：jstat -gcutil PID  查询此进程的内存模型。

Metaspace永久代空间：默认为20m（初始化大小）；当metaspace被占满后，就会发生扩容，一旦metaspace发生一次扩容，就会同时发送一次fullgc 。

Sun公司推荐设置：年轻代占整个堆内存 3/8。

发现full gc 已经没有发生了。

Yong &old比例

Sun公司推荐设置：整个堆的大小=年轻代 + 老年代 + 永久代（256m）年轻代占整个堆内存3/8 , -Xmx4000m ， 因此整个堆内存设置大小为4000m，也就是说年轻代大小应该设置为1.5G：

①定义年轻代：-Xmn1500m，剩下的空间就是老年代的空间。

②参数：-XX:NewRatio = 4  表示年轻代（eden ,s0,s1） 和老年代区域所占比值 1:4。

年轻代大小，老年代大小比值根据业务实际情况设置比例，（通过设置相应的比例：减少相应yonggc ,fullgc）。

JVM调优的原则中：要求尽量防止fullgc的发生；因此可以把fullgc设置的稍微大一些；以为old区域装载对象很长时间才能装满（或者永远都装不满），发生fullgc概率就非常小。

Eden&s0&s1

官方给定设置：可以设置eden,s区域大小：8:1:1 à  -XX:SurvivorRatio = 8。

此调优的原理：尽量让对象在年轻代被回收；调大了eden区域的空间，让更多对象进入到eden区域，触发gc时候，更多的对象被回收。

nohup java -Xmx4000m -Xms4000m -Xmn1500m -Xss256k -XX:MetaspaceSize=256m -XX:SurvivorRatio=8 -XX:+PrintGCDetails -XX:+PrintGCTimeStamps -XX:+PrintGCDateStamps -XX:+PrintHeapAtGC -Xloggc:gc.log  -jar jshop-web-1.0-SNAPSHOT.jar --spring.config.addition-location=application.yaml > jshop.log 2>&1 &

可以发现业务占比时间发送提升，说明gc时间更少了。

总结：JVM调优（调整内存大小、比例） 降低 gc次数，减少gc时间，从而提升服务性能。

调优标准：项目上线后，遇到问题，调优。

1、gc消耗时间 –业务时间占比。

2、频繁发生fullgc – 调优 – stw—程序暂停时间比较长，阻塞，导致整个程序崩溃。

3、oom --- 调优。

8、GC组合

吞吐量优先

并行的垃圾回收器：parallel scavenge(年轻代) + parallel old（老年代） ---- 是JDK默认的垃圾回收器。

nohup java -Xmx4000m -Xms4000m -Xmn1500m -Xss256k -XX:MetaspaceSize=256m -XX:SurvivorRatio=8 -XX:+UseParallelGC -XX:+UseParallelOldGC -XX:+PrintGCDetails -XX:+PrintGCTimeStamps -XX:+PrintGCDateStamps -XX:+PrintHeapAtGC -Xloggc:gc.log  -jar jshop-web-1.0-SNAPSHOT.jar --spring.config.addition-location=application.yaml > jshop.log 2>&1 &

显式的配置PS+PO垃圾回收器：-XX:+UseParallelGC -XX:+UseParallelOldGC。

响应时间优先

并行垃圾回收器（年轻代），并发垃圾回收器(老年代) ：ParNew + CMS (响应时间优先垃圾回收器)。

nohup java -Xmx4000m -Xms4000m -Xmn1500m -Xss256k -XX:MetaspaceSize=256m -XX:SurvivorRatio=8 -XX:+UseParNewGC -XX:+UseConcMarkSweepGC -XX:+PrintGCDetails -XX:+PrintGCTimeStamps -XX:+PrintGCDateStamps -XX:+PrintHeapAtGC -Xloggc:gc.log  -jar jshop-web-1.0-SNAPSHOT.jar --spring.config.addition-location=application.yaml > jshop.log 2>&1 &

显式配置：parNew+CMS垃圾回收器组合：-XX:+UseParNewGC。

-XX:+UseConcMarkSweepGC。

说明：CMS只有再发生fullgc的时候才起到作用，CMS一般情况下不会发生；因此在jvm调优原则中表示尽量防止发生fullgc; 因此CMS在JDK14被已经被废弃。

G1垃圾回收器是逻辑上分代模型，使用配置简单。

nohup java -Xmx4000m -Xms4000m -Xmn1500m -Xss256k -XX:MetaspaceSize=256m -XX:SurvivorRatio=8 -XX:+UseG1GC -XX:+PrintGCDetails -XX:+PrintGCTimeStamps -XX:+PrintGCDateStamps -XX:+PrintHeapAtGC -Xloggc:gc.log -jar jshop-web-1.0-SNAPSHOT.jar --spring.config.addition-location=application.yaml > jshop.log 2>&1 &

经过测试，发现g1 gc次数减少，由原来的28次减少为21次，但是gc总时长增加很多；时间增加，以为着服务性能就没有提升上去。

三、数据库连接池调优思考

1、数据库调优动机何在

（1）避免网页出现错误。

• Timeout 5xx 错误。
• 慢查询导致页面无法加载。
• 阻塞导致数据无法提交。

（2）增加数据库稳定性。

• 很多的数据库问题，都是由于低效的SQL语句造成的（写SQL语句）。

（3）优化用户体验。

• 流畅的业务访问体验。
• 良好的网站功能体验。

2、 影响数据库性能的因素

1、低效的SQL语句。

2、并发cpu问题（SQL语句不支持多核心的cpu并发计算，也就是说一个SQL只能在一个cpu执行结束）3、连接数：max_connections。

4、超高cpu使用率。

5、磁盘io性能问题6、大表（字段多，数据多）。

7、大事务。

数据库数据处理（困难）：数据库扩容非常困难—想要通过扩容提升数据库性能Web服务器扩容是非常简单的。

web服务器是无状态服务，可以随时进行扩容；但是数据库不能随意进行扩容，一旦扩容就会影响数据完整性，数据一致性；项目架构中提升性能：

1、对项目架构、业务，缓存各方面进行优化，真正数据库请求比较少—减少数据库压力。

2、数据库设计，架构，优化。

大多数企业：数据库采用主从架构解决问题；数据分表，分库，数据归档数据，能热分离。

3、连接池对性能样例分析（详细IP隐藏）

datasource:
#url: jdbc:mysql://127.0.0.1:3306/shop?useUnicode=true&characterEncoding=utf8&autoReconnect=true&allowMultiQueries=true
  url: jdbc:mysql://XX.XX.XX.XX:3306/shop?useUnicode=true&characterEncoding=utf8&autoReconnect=true&allowMultiQueries=true&connectionTimeout=3000&socketTimeout=1200
  username: root
  password: root
  driver-class-name: com.mysql.jdbc.Driver
  druid:
    #配置初始化大小、最小、最大
    initial-size: 1
    min-idle: 5
    max-active:10
    max-wait: 10000
    time-between-eviction-runs-millis: 600000
    # 配置一个连接在池中最大空闲时间，单位是毫秒
    min-evictable-idle-time-millis:300000
    # 设置从连接池获取连接时是否检查连接有效性，true时，每次都检查;false时，不检查
    test-on-borrow: true
    #设置往连接池归还连接时是否检查连接有效性，true时，每次都检查;false时，不检查
    test-on-return: true
    # 设置从连接池获取连接时是否检查连接有效性，true时，如果连接空闲时间超过minEvictableIdleTimeMillis进行检查，否则不检查;false时，不检查
    test-while-idle: true
    # 检验连接是否有效的查询语句。如果数据库Driver支持ping()方法，则优先使用ping()方法进行检查，否则使用validationQuery查询进行检查。(Oracle jdbc Driver目前不支持ping方法)
    validation-query: select 1 from dual
    keep-alive: true
    remove-abandoned: true
    remove-abandoned-timeout: 80
    log-abandoned: true
    #打开PSCache，并且指定每个连接上PSCache的大小，Oracle等支持游标的数据库，打开此开关，会以数量级提升性能，具体查阅PSCache相关资料
    pool-prepared-statements:true
    max-pool-prepared-statement-per-connection-size:20
    # 配置间隔多久启动一次DestroyThread，对连接池内的连接才进行一次检测，单位是毫秒。
    #检测时:
    #1.如果连接空闲并且超过minIdle以外的连接，如果空闲时间超过minEvictableIdleTimeMillis设置的值则直接物理关闭。
    #2.在minIdle以内的不处理。

试验：10 connections , 40w个样本进行测 ，TPS = 22000 TPS。

经过测试：connection=20, connection=50都进行了测试，发现当connection=20的时候，性能已经下降了，此时TPS=18000 TPS, 当connection=50的时候，TPS = 12000 TPS。

经过测试：连接池最合理的连接数量设置：[10-15]。

connectionTimeout : 配置建立TCP连接的超时时间 ，客户端和mysql建立连接超时，断开连接（释放连接）。

sockettimeout: 配置发送请求后等待响应的超时时间；（客户端和mysql建立连接是socket连接， 一旦发送网络异常，客户端无法感知，一直阻塞状态，一直等待服务端给相应结果，其实由于网络异常，这个链接变成死链接）。

# 单位是ms
jdbc:mysql://XX.XX.XX.XX:3306/shop?useUnicode=true&characterEncoding=utf8&autoReconnect=true&allowMultiQueries=true
&connectionTimeout=3000&socketTimeout=1200

4、分布式部署

单体架构：

秒杀系统，mysql都会抢占同一个服务器cpu资源，内存资源；一旦cpu资源，内存资源出现满负荷状态，就会影响服务性能。

分离部署：

通过分离部署后，发现性能提升非常不明显，因为无论是在单机，还是在分布式情况下。机器性能都不是满负荷运作的情况。

分布式部署

从上往下看：openresty是否会存在性能瓶颈，目前来看性能瓶颈不在openresty, 因为openresty(nginx) 底层使用c语言开发的，吞吐能力5w TPS。

性能瓶颈一定出现在项目，数据库这个位置。

项目优化：扩容，缓存。

数据库优化：扩容，数据库其他优化。

此时此刻对这个架构进行TPS 预测：TPS = 1600。

四、多级缓存思考

主要内容：多级缓存（堆内缓存，分布式缓存，接入层缓存，lua+redis缓存）。

1、 多级缓存

在系统架构设计中，多级缓存非常重要，尤其是构建亿级流量的系统，缓存是必不可少优化选项；因此缓存可以成倍的提升系统性能（吞吐能力），使用了缓存后，尽可能把请求拦截在上游服务器（缓存中：缓存数据命中，直接返回，不在访问后端服务器），因此下游服务器来说，压力就会变小。

在系统架构中应该使用那些缓存：

1、  浏览器缓存。

2、  CDN缓存（静态资源：js,css,视频，文件）。

3、  接入层nginx/openresty缓存。

4、  堆内存缓存（jvm进程级别的缓存）。

5、分布式缓存（redis,memcached）。

6、数据库缓存（压力非常小）。

2、缓存架构

在本系统中实现缓存是：

1、堆内存缓存 。

2、redis分布式缓存  。

3、openresty内存字典(lua)   。

4、lua+redis。

思考：JVM进程级别的缓存（缓存数据放入jvm堆内存中），存在以下问题？

1、jvm堆内存资源非常宝贵（classloader文件，java对象，对象管理），改如何考量？  

2、内存脏数据非常的不敏感（Map: key,value） 。 

3、内存资源分配不可控。

答案：

问题1：内存资源非常宝贵，不能放入太多缓存数据，只需要放入热点数据即可，提升服务性能  。

问题2：定时消耗内存对象数据(定时器)，数据有过期时间（定时销毁）--相当麻烦 --- GuavaCache  。

问题3：不可能把所有的资源都放入内存中，只放入热点数据即可。

分布式缓存：Redis --- AP模型，在海量的缓存数据中，存储一定概率的数据丢失。

接入层缓存：openresty+lua。

3、本地缓存+分布式缓存

创建一个guavaCache对象：把对象交给spring管理。

缓存业务实现：

1、先从jvm堆内存中命中（查询）缓存数据。

2、如果缓存不存在，查询redis分布式缓存，如果命中，直接返回数据，放入本地缓存。

3、如果分布式缓存也没有数据，查询数据库，同时把数据放入redis缓存。

二级缓存（堆内存缓存，redis缓存）：对于系统来说性能提升情况如何？

根据压力测试结果显示：TPS吞吐能力提升效果相当显著。

没有缓存：TPS = 800 , 加缓存：TPS = 26000RT响应时间：100ms左右，基本上满足接口性能需求。

4、Openresty内存字典

本小节中，探索openresty接入层缓存，使用openresty内存字典来实现接入层缓存；如果缓存数据在接入层命中，后端服务器就不会再收到请求了。

问题

什么样的缓存，性能最好的？--- 离请求越近的地方，缓存数据性能越好，以为系统性能越强。

1、openresty接入lua脚本

# 安装openresty:
 1、wget https://openresty.org/download/openresty-1.19.3.1.tar.gz
 2、tar -zxvf
 3、./configure
 4、make && make install # 默认被安装到/usr/local/openresty
# content_by_lua 接入lua脚本
location /lua1 {
            default_type text/html;
            content_by_lua 'ngx.say("hello lua!!")';
      }
# content_by_lua_file 通过文件的方式引入lua脚本
location /lua2 {
            default_type text/html;
            content_by_lua_file lua/test.lua; #  test.java ,test.py
        }
# test.lua
local args = ngx.req.get_uri_args()  # 获取参数对象
ngx.say("hello openresty! lua is so easy!==="..args.id)  # 获取参数值，组装值：..
# 转发请求
location /lua3 {
            content_by_lua_file lua/details.lua;
}
# details.lua
ngx.exec('/seckill/goods/detail/1'); # 转发请求

lua接入指令：https://www.nginx.com/resources/wiki/modules/lua/#directives。

2、内存字典缓存实现方案

（1）开启openresty内存字典。

lua_shared_dict ngx_cache 128m; # 在openresty服务器开辟一块128m空间存储缓存数据。

（2）lua脚本方式，实现缓存接入。

-- 基于内存字典实现缓存
-- 添加缓存实现
function set_to_cache(key,value,expritime)
    -- 判断时间是否存在
    if not expritime then
        expritime = 0
    end
    -- 获取本地内存字典对象
    local ngx_cache = ngx.shared.ngx_cache

    -- 向本地内存字典添加缓存数据
    local succ,err,forcibel = ngx_cache:set(key,vlaue,expritime)
    return succ
end
-- 获取缓存实现
function get_from_cache(key)
    -- 获取本地内存字典对象
    local ngx_cache = ngx.shared.ngx_cache
    -- 从本地内存字典中获取数据
    local value = ngx_cache:get(key)
    return value
end
-- 利用lua脚本实现一些简单业务
-- 获取请求参数对象
local params = ngx.req.get_uri_args()
-- 获取参数
local id = params.id
-- 先从内存字典获取缓存数据
local goods = get_from_cache("seckill_goods_"..id)
-- 如果内存字典中没有缓存数据
if goods == nil then
    -- 从后端服务（缓存，数据库）查询数据，完毕在放入内存字典缓存即可
    local  res = ngx.location.capture("/seckill/goods/detail/"..id)
    -- 获取查询结果
    goods = res.body
    -- 向本地内存字典添加缓存数据
    set_to_cache("seckill_goods_"..id,goods,60)
end
-- 返回结果
ngx.say(goods)

经过内存字典缓存的部署后，发现TPS = 55000。

RT响应时间也是非常之快速。

5、 Lua+redis

Openresty内部集成的lua（lua是一个脚本语言，lua+openresty（集成luaJIT）实现lua脚本解释执行）,缓存架构如下所示：

说明：使用lua+redis缓存结构，尽可能把请求拦截在上游服务器，减轻后端服务器压力，提升项目吞吐能力。

Lua脚本：mysql，redis, mongdb, es ……. , 说明可以直接使用lua+openresty构建高并发性能的网站。

OpenResty集成Redis库：使用lua脚本操作Redis,只需要引入Redis库即可实现：

如何使用redis库文件：lua脚本中引入lua库，即可使用lua库中函数方法。

开发：lua+redis缓存实现。

总结：之前经过服务器优化实现，jvm优化实现，数据库连接池优化实现，多级缓存优化，部署拓扑结构变化对性能影响—压力测试验证优化结果；--- 这些优化操作都是对读操作进行的优化。

系统中：写操作进行优化 --- 具体涉及到的业务：下单实现。

五、秒杀下单业务分析（AOP锁&分布式锁）

秒杀下单业务分析（业务问题，性能，一致性问题）解决下单操作业务问题（锁—锁优化）。

1、秒杀业务实现

前提：一系列的验证（身份信息，token,手机号，商品信息是否上架，是否是秒杀商品，商品状态，库存是否ok,活动是否开始…..）。

1、检查库存是否存在。

2、扣减库存。

3、更新库存。

4、下单实现。

秒杀实现，业务上是非常之简单的，但是在高并发压力下，也面临一系列的挑战。

1、如何在高并发情况下，保证库存不会出现超卖现象。

2、如果在高并发模式下，解决下单性能问题。

3、如果在高并发模式下，保证数据一致性问题。

2、防止超卖问题

思考题：超卖产生的原因是什么？

请提出解决方案，如何避免超卖现象的发生呢？答案：

1、对共享资源（库存）加锁 。

2、Redis原子操作特性  。

3、队列 （利用队列的单线程特性）。

1、加锁（对象共享资源库存加锁，让共享资源被多个线程互斥访问）

加锁目的：防止多个线程对共享资源的并发修改；一旦加锁，多个线程就进行排队执行，因此在高并发模式，这样的操作是一个灾难；明确：任何的加锁动作，都会导致性能急剧下降。

2、Redis原子特性（Redis单线程服务器，利用单线程的特性）

①扣减库存：hincrement(“seckill_goods_stock_1”,-1) ; 此操作是一个原子操作 --- 多个线程也是要排队。

②判断库存是否存在。

说明：以上操作既解决性能问题，又解决库存超卖的问题。

3、队列的方式 （Redis队列）

队列的特点：

①队列的长度等于商品个数（pod一个队列，相当于扣减了一个库存，且队列操作是一个原子操作）。

②队列中存储的数据是对应商品的ID值。

③每一个商品都对应一个队列。

3、超卖问题处理

单机锁Lock

对普通下单：没有上锁的操作，验证库存超卖的现象；超卖现象非常严重，1000个库存，超卖了843个库存。

因此现在加锁：控制共享资源库存防止并发修改。

@Transactional
@Override
public HttpResult startKilled(Long killId, String userId) {
   try {
      //实现一个加锁的动作
      lock.lock();
 // do your business
   } catch (Exception e) {
      e.printStackTrace();
   }finally {
      lock.unlock();
   }
   return null;
}

以上加锁操作无法控制库存， 原因是什么？

经过验证，发现加lock锁，没有控制住库存。

出现以上的原因：锁和事务冲突；导致此时这个锁根本不起作用。

问题：事务何时提交的？

问题：针对于以上问题（锁事务冲突的问题），你的解决方案是什么？

解决方案：锁上移 （表现层，AOP锁（√））。

AOP锁实现：

@Target({ElementType.PARAMETER,ElementType.METHOD})
@Retention(RetentionPolicy.RUNTIME)
@Documented
public @interface ServiceLock {
    String descripiton() default "";
}

@Component
@Scope
@Aspect
@Order(1)
public class LockAspect {
    // 定义锁对象
    private static Lock lock = new ReentrantLock(true);
    // service 切入点
    @Pointcut("@annotation(com.sugo.seckill.aop.ServiceLock)")
    public void lockAspect(){
    }
    @Around("lockAspect()")
    public Object around(ProceedingJoinPoint joinPoint){
        Object obj = null;
        // 开始加锁-- 方法增强
        lock.lock();
        try {
            //执行业务
            obj = joinPoint.proceed();
        } catch (Throwable throwable) {
            throwable.printStackTrace();
        }finally {
            // 释放锁
            lock.unlock();
        }
        return obj;
    }
}

使用1000个样本经过多次测试，发现库存都可以进行完美的控制，因此aop锁可以实现库存控制的，不会出现超卖的问题。

总结

原则上，构建完整一个系统，整体思路上还需考虑压力测试、分布式环境下数据一致性、接口幂等性问题，在此就不赘述。

实现压力测试（及时发现系统的问题，发现系统性能瓶颈），根据压力测试结果对系统进行优化，问题修复，压力测试验证性能是否有提升；服务端优化（tomcat服务器优化，undertow服务器优化），压力测试验证性能提升结果。

另外涉及Kubernetes原生迁移也是一项架构师领域考虑的问题。甚至全局规划人力成本这一计算很复杂的课题，会涉及时间成本、代码量成本、需求管理成本等各类成本。