12306 枚のチケット獲得、極端な同時並行性がもたらす思考!

12306 チケットの入手、極端な同時実行によってもたらされる思考?

休日になると、故郷に帰ったり、一級都市や二級都市で遊びに出かけたりする人々は、ほぼ必ず次のような問題に直面します。問題: 電車の切符を手に入れる! 現在、ほとんどの場合切符は予約できますが、切符が発売されるとすぐに切符が入手できなくなる状況については、誰もが深く理解していると思います。特に春節期間中は、12306 の使用だけでなく、「Zhixing」などのチケット取得ソフトウェアも検討され、この期間中、全国で何億人もの人々がチケットを取得しています。 「12306 サービス」は、世界中のどのフラッシュ セール システムも超えることのできない QPS を実現しており、数百万の同時実行はごく普通のことです。著者は、「12306」のサーバー アーキテクチャを具体的に研究し、そのシステム設計の多くのハイライトを学びました。ここでは、100 万人が同時に 10,000 枚の電車の切符を手に入れた場合に通常のサービスを提供する方法の例を共有し、シミュレーションします。 、安定したサービス。 github コード アドレス

関連する推奨事項:「 数千万のデータ同時実行ソリューション (理論と実践)」

1. 大規模高同時実行システム アーキテクチャ

高同時実行システム アーキテクチャでは、分散クラスター展開を採用し、サービスの上位層ではレイヤーごとの負荷分散を実現します。また、さまざまな災害復旧方法 (デュアル消防車室、ノードのフォールト トレランス、サーバーの災害復旧など) を提供し、システムの高可用性を確保し、さまざまな負荷能力と構成戦略に基づいてトラフィックがさまざまなサーバーに分散されます。以下は簡単な概略図です。

1.1 負荷分散の概要

上の図は、ユーザーが要求する 3 つの手順を示しています。レイヤ負荷分散、以下はこれら 3 種類の負荷分散の簡単な紹介です:

• OSPF (Open Shortest Link First) は、内部ゲートウェイ プロトコル (内部ゲートウェイ プロトコル、IGP と呼ばれます）。 OSPF は、ルータ間のネットワーク インターフェイスのステータスを通知することによってリンク ステート データベースを確立し、最短パス ツリーを生成します。OSPF はルーティング インターフェイスのコスト値を自動的に計算しますが、インターフェイスのコスト値を手動で指定することもできます。どちらかが優先されます。自動的に計算された値です。 OSPF によって計算されるコストもインターフェイスの帯域幅に反比例し、帯域幅が大きいほどコスト値は小さくなります。ターゲットまでの同じコスト値を持つパスでロード バランシングを実行でき、最大 6 つのリンクで同時にロード バランシングを実行できます。

• LVS (Linux VirtualServer) は、IP 負荷分散技術とコンテンツベースのリクエスト分散技術を使用したクラスター技術です。スケジューラは非常に優れたスループット レートを備えており、実行のためにリクエストをさまざまなサーバーに均等に転送します。また、スケジューラはサーバーの障害を自動的に保護して、サーバーのグループを高性能で可用性の高い仮想サーバーに形成します。

• Nginx は皆さんご存知かと思いますが、非常に高性能な http プロキシ/リバース プロキシ サーバーであり、サービス開発の負荷分散によく使用されます。 Nginx がロード バランシングを実現するには、ポーリング、加重ポーリング、IP ハッシュ ポーリングの 3 つの主な方法があります。以下では、Nginx の加重ポーリングの特別な構成とテストを行います

1.2 Nginx 加重ポーリングのデモンストレーション

Nginx は、アップストリーム モジュールを通じて負荷分散を実装します。加重ポーリングの設定により、関連するサービスに加重値を追加できます。設定は、パフォーマンスと負荷容量に基づいている場合があります。サーバーは対応する負荷を設定します。以下は加重ポーリング負荷設定です。ポート 3001 ～ 3004 をローカルでリッスンし、それぞれ 1、2、3、4 の重みを設定します:

#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;
    }
}

コードをローカルの /etc/hosts にコピーします。ディレクトリ www.load_balance.com の仮想ドメイン名アドレスは以下のように構成されています。次に、Go 言語を使用して 4 つの http ポート リスニング サービスを開きます。以下は、ポート 3001 でリスニングしている Go プログラムです。他のいくつかは、ポートを変更するだけで済みます。

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)
}

要求されたポート ログ情報を ./stat.log ファイルに書き込み、ab ストレス テスト ツールを使用してストレス テストを実行しました。

ab -n 1000 -c 100 http://www.load_balance.com/buy/ticket

結果は統計ログに記録されます。 、3001 ～ 3004 のポートがそれぞれ取得されました。100、200、300、400 のリクエスト量は、nginx で設定した重み比と一致しており、ロード後のトラフィックは非常に均一でランダムです。具体的な実装については、nginx の上流モジュール実装ソースコードを参照してください. こちらの記事がおすすめです: Nginx における上流機構の負荷分散

#2. フラッシュセールシステムの選択

最初に述べた質問に戻ります。鉄道チケットのフラッシュ販売システムは、同時実行性の高い条件下で、どのようにして通常の安定したサービスを提供できるのでしょうか?

上記の説明から、ユーザーのフラッシュ セールス トラフィックは、負荷分散レイヤーを通じてさまざまなサーバーに均等に分散されていることがわかりますが、それでも、クラスター内の 1 台のマシンが耐える QPS も非常に高いです。スタンドアロンのパフォーマンスを極限まで最適化するにはどうすればよいでしょうか?この問題を解決するには、次のことを理解する必要があります:

通常、チケット予約システムは注文の生成、在庫の削減、ユーザーの支払いという 3 つの基本段階を処理する必要があります。私たちのシステムが行う必要があるのは、鉄道チケットの注文が売れすぎたり売れすぎたりしないようにすることです。販売される各チケットはすべて必要です。効果を発揮するには料金が支払われ、システムは非常に高い同時実行性に耐えられることが保証されなければなりません。これら 3 つの段階の順序をより合理的に変更するにはどうすればよいでしょうか? 分析してみましょう:

2.1 在庫を減らすために注文を出します

同時ユーザー リクエストが到着したときサーバーの場合、最初に注文を作成し、次に在庫を差し引いてユーザーの支払いを待ちます。この注文は、ほとんどの人が最初に思いつく解決策ですが、この場合、注文の作成後に在庫が削減されるため、注文が売れすぎないようにすることもできます (これはアトミックな操作です)。ただし、これにはいくつかの問題も発生します。1 つ目は、極端な同時実行条件下では、メモリ操作の詳細がパフォーマンスに大きく影響し、特に注文作成などのロジックは通常ディスク データベースに保存する必要があり、負荷がかかることです。考えられるのは、2つ目は、ユーザーが悪意を持って無課金で注文した場合、在庫が減り、多くの注文が売れなくなることです。サーバー側でIPや数を制限することはできますが、これも良いアプローチではありません。

2.2 お金を払って在庫を減らす

ユーザーが注文の代金を払って在庫を減らすのを待った場合、最初の感情はそれは売上が減らないということです。しかし、これは同時実行アーキテクチャのタブーです。極端な同時実行条件下では、ユーザーが大量の注文を作成する可能性があるためです。在庫がゼロになると、多くのユーザーは、獲得した注文の代金を支払うことができないことに気づきます。これはいわゆる「売られすぎ」。同時データベース ディスク IO 操作は避けられません。

#2.3 在庫の保留

#上記 2 つの解決策を考慮すると、次のことがわかります。結論: オーダーが作成される限り、データベース IO は頻繁に操作する必要があります。では、データベース IO の直接操作を必要としないソリューションはあるのでしょうか? これは在庫の保留です。まず、売れすぎないように在庫が差し引かれ、次にユーザーの注文が非同期で生成されるため、ユーザーへの応答が大幅に速くなります。では、大量の販売を確保するにはどうすればよいでしょうか?注文を受け取った後に支払いを行わなかった場合、ユーザーはどうすればよいでしょうか?注文には有効期限があることは誰もが知っています。たとえば、ユーザーが 5 分以内に支払いをしない場合、注文は期限切れになります。注文の期限が切れると、新しい在庫が追加されます。これは、多くのオンライン小売店で採用されているソリューションでもあります企業が確実に多くの商品を販売できるようにするためです。注文は非同期に生成され、通常は MQ や Kafka などのインスタント消費キューで処理されます。注文量が比較的少ない場合、注文は非常に迅速に生成されるため、ユーザーはほとんどキューに入る必要がありません。

#3. 在庫を保留する技術

上記の分析から、在庫を保留する計画は次のとおりであることは明らかです。最も合理的です。在庫控除の詳細をさらに分析してみましょう。最適化の余地はまだたくさんあります。在庫はどこにありますか?同時実行性が高く、ユーザーのリクエストに迅速に対応できる環境で、正しい在庫控除を確実に行うにはどうすればよいでしょうか?

単一マシンでの同時実行性が低い場合、在庫控除の実装は通常次のようになります:

在庫のアトミック性を確保するため控除や注文生成からトランザクション処理、在庫判定、在庫削減、トランザクション投入というプロセス全体で大量のIOが発生し、データベースの動作がブロックされてしまいます。この方法は、同時実行性の高いフラッシュ販売システムにはまったく適していません。

次に、単一マシンの在庫控除計画: ローカル在庫控除を最適化します。一定量の在庫をローカル マシンに割り当て、メモリ内の在庫を直接減らしてから、前のロジックに従って非同期で注文を作成します。改良されたスタンドアロン システムは次のようになります:

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