借助Redis做秒杀和限流的思考

最近群里聊起秒杀和限流，我自己没有做过类似应用，但是工作中遇到过更大的数据和并发。

于是提出了一个简单的模型：

var count = rds.inc(key);

if(count > 1000) throw "已抢光！"

借助Redis单线程模型，它的inc是安全的，确保每次加一，然后返回加一后的结果。如果原来是234，加一了就是235，返回的一定是235，在此中间，不会有别的请求来打断从而导致返回236或者其它。

其实我们可以理解为inc的业务就是占坑排队，每人占一个坑，拿到排队小票后看看是不是超额了，再从业务层面输出秒杀结果，甚至做一些更加复杂的业务。

六条提到限流，可能基于某种考虑，希望把key对应的count给限制在1000附近，可以接受1%偏差。

于是有了改进模型：

var count = rds.inc(key);

if(count > 1000)｛

    rds.dec(key);

    throw "超出限额！"

｝

就加了一句，超出限额后，把小票给减回去^_^

采用Redis有一个好处，比如支持很多应用服务器一起抢……

当然，对于很大量的秒杀，这个模型也不一定合理，比如要枪10万部手机，然后来了300万用户，瞬间挤上来。

这里有个变通方法可以试一下，那就是准备10个Redis实例，每个放1万。用户请求过来的时候，可以随机数或者散列取模，找对应实例来进行抢购。

同理可以直接更多用户的场景。总的来说，在数据较大的时候，随机和散列就具有一定统计学意义，相对来说是比较均衡的。

上面是大量秒杀的简单场景，那么小数据场景呢？比如就只有几万并发的场景。

小数据场景，单应用实例，可以考虑把Redis都给省了。

初级模型：

Interlocked.Increase(ref count);

if(count >= 1000) throw "抢光啦！"

中级模型：

private volatile Int32 count;

var old = 0;

do {

    old = count;

    if(old >= 1000) throw "抢光啦！"

}while(Interlocked.CompareExchange(ref count, old + 1, old) != old);

这个CAS原子操作可是好东西，在x86指令集下有专门指令CMPXCHG来处理，在处理器级别确保比较和交换数据的原子性。大多数系统想要迈过10万tps的门槛向100万tps靠齐，就必须得实现无锁操作lock-free，其中CAS是最为简单易懂，尽管有时候有ABA问题，但我们可以找到许多解决办法。

在实际使用场景中，可能有更复杂的需求，那就另当别论，这里只能班门弄斧几个简单易用的模型。