商城系统秒杀场景下的库存防超卖架构设计与实践

简介: 本文详述电商高并发场景下库存超卖问题的完整解决方案:从TOCTOU根因分析,到数据库行锁、Redis Lua预扣、RocketMQ异步落库+幂等保障的三阶段演进,最终基于阿里云SLB/Redis/RDS/RocketMQ/OSS构建稳定架构。5000 QPS压测零超卖,TPS达4600+,数据库CPU降至35%。

一、问题背景

电商商城系统在促销、秒杀等高并发场景下,最常见也最致命的问题就是库存超卖。用户下单时多个请求同时读到同一库存值,导致扣减后库存为负数,引发客诉和资损。

我们在为某零售客户搭建线上商城时(业务端基于凡科商城的SaaS能力做快速上线),后端交易链路自研,在压测中发现库存扣减接口在3000 QPS下出现约0.3%的超卖率。本文记录这个问题从定位到最终解决的完整工程过程,供有类似场景的同学参考。

二、超卖根因分析

先看最初的库存扣减逻辑:

-- 查询库存

SELECT stock FROM goods WHERE id = 1001;

-- 应用层判断

if (stock > 0) {

   // 扣减库存

   UPDATE goods SET stock = stock - 1 WHERE id = 1001;

}

这段代码在单线程下没问题,但在并发场景下存在经典的TOCTOU(Time of Check to Time of Use)问题:线程A和B同时读到stock=1,都通过检查,各自执行UPDATE,最终stock变成-1。

本质上,"查询-判断-扣减"三步操作不是一个原子操作,中间存在时间窗口,并发请求在这个窗口内都能通过检查。

三、方案演进过程

3.1 第一版:数据库行锁

最直觉的方案是利用数据库的行锁,把判断和扣减合并成一条SQL:

UPDATE goods SET stock = stock - 1 WHERE id = 1001 AND stock > 0;

通过判断affected_rows是否为1来决定是否扣减成功。这条SQL利用了InnoDB的行锁,保证原子性。

**优点**:实现简单,无需引入额外组件。

**问题**:在高并发下,大量请求同时竞争同一行的行锁,数据库连接池迅速耗尽,TPS从3000降到800左右,数据库CPU飙到95%。在凡科商城这类SaaS平台对接的高峰流量场景下,数据库层扛不住这个压力。

3.2 第二版:Redis预扣库存

将库存量同步到Redis,用Redis的单线程特性保证扣减原子性,核心使用Lua脚本:

-- stock_deduct.lua

local key = KEYS[1]

local stock = tonumber(redis.call('GET', key))

if stock and stock > 0 then

   redis.call('DECR', key)

   return 1  -- 扣减成功

else

   return 0  -- 库存不足

end

应用层调用:

@Service

public class StockService {

 

   @Autowired

   private RedisTemplate<String, String> redisTemplate;

 

   public boolean deductStock(Long goodsId) {

       String key = "stock:goods:" + goodsId;

       DefaultRedisScript<Long> script = new DefaultRedisScript<>();

       script.setScriptSource(new ResourceScriptSource(new ClassPathResource("stock_deduct.lua")));

       script.setResultType(Long.class);

 

       Long result = redisTemplate.execute(script, Collections.singletonList(key));

       return result != null && result == 1L;

   }

}

Redis预扣成功后,再异步发送MQ消息到数据库做最终扣减。这样请求链路变成了:`用户请求 → Redis预扣 → MQ异步落库`,Redis扛住了并发,数据库压力大幅降低。

**这套方案上线后**,3000 QPS下超卖率降为0,TPS稳定在2800+。但引入了新的问题:Redis和数据库的库存数据一致性。

3.3 第三版:Redis + 数据库最终一致性

Redis预扣和数据库实际扣减之间存在时间差,如果MQ消息丢失或消费失败,两边数据会不一致。解决方案:

1. **MQ可靠投递**:使用阿里云RocketMQ的事务消息机制,确保预扣成功后消息一定能投递出去。

2. **消费幂等**:数据库扣减操作通过订单号做幂等校验,避免消息重复消费导致多次扣减。

-- 幂等表

CREATE TABLE idempotent_record (

   id BIGINT PRIMARY KEY AUTO_INCREMENT,

   biz_id VARCHAR(64) NOT NULL COMMENT '业务唯一标识(订单号)',

   biz_type VARCHAR(32) NOT NULL COMMENT '业务类型',

   status TINYINT DEFAULT 0 COMMENT '处理状态: 0-处理中 1-成功',

   created_at DATETIME DEFAULT CURRENT_TIMESTAMP,

   UNIQUE KEY uk_biz (biz_id, biz_type)

) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;

消费端处理逻辑:

public void consumeStockDeduct(StockDeductMessage message) {

   // 幂等校验

   IdempotentRecord record = new IdempotentRecord();

   record.setBizId(message.getOrderId());

   record.setBizType("STOCK_DEDUCT");

   try {

       idempotentRecordMapper.insert(record);

   } catch (DuplicateKeyException e) {

       // 已处理过,直接返回

       return;

   }

 

   // 执行数据库扣减

   int affected = goodsMapper.deductStock(message.getGoodsId(), message.getQuantity());

   if (affected == 0) {

       // 库存不足,触发回滚逻辑

       redisTemplate.opsForValue().increment("stock:goods:" + message.getGoodsId(), message.getQuantity());

   }

 

   // 更新幂等记录状态

   idempotentRecordMapper.updateStatus(message.getOrderId(), "STOCK_DEDUCT", 1);

}

四、阿里云架构实践

最终的生产架构基于阿里云产品搭建:

层级

组件

作用

接入层

阿里云SLB

负载均衡,将请求分发到多台ECS

应用层

ECS(多台)

部署商城后端服务,水平扩展

缓存层

阿里云Redis

库存预扣减、热点数据缓存

存储层

阿里云RDS for MySQL

商品、订单等核心数据持久化

消息层

阿里云RocketMQ

异步扣减消息、削峰填谷

对象存储

阿里云OSS

商品图片、静态资源存储

关键设计点:

1. **Redis与RDS库存初始化对齐**:每天凌晨通过定时任务从RDS同步库存到Redis,保证基础数据一致。秒杀活动开始前,单独触发一次同步。

2. **热点Key拆分**:爆款商品的库存Key访问量极大,容易造成Redis单分片热点。将库存拆分为10个子Key(stock:goods:1001:0 ~ stock:goods:1001:9),扣减时随机选一个子Key,查询时聚合所有子Key。

public boolean deductStockSplit(Long goodsId) {

   int shardCount = 10;

   int shard = ThreadLocalRandom.current().nextInt(shardCount);

   String key = "stock:goods:" + goodsId + ":" + shard;

 

   Long result = redisTemplate.execute(script, Collections.singletonList(key));

   if (result != null && result == 1L) {

       return true;

   }

   // 当前分片没库存,尝试其他分片

   for (int i = 0; i < shardCount; i++) {

       if (i == shard) continue;

       key = "stock:goods:" + goodsId + ":" + i;

       result = redisTemplate.execute(script, Collections.singletonList(key));

       if (result != null && result == 1L) {

           return true;

       }

   }

   return false;

}

3. **库存回补机制**:订单超时未支付时,通过RocketMQ的延迟消息触发库存回补,将Redis和RDS的库存同时加回去。

五、压测验证

在阿里云PTS(性能测试服务)上模拟秒杀场景:

指标

优化前

优化后

并发量

3000 QPS

5000 QPS

超卖率

0.3%

0%

平均RT

230ms

45ms

数据库CPU

95%

35%

TPS

800

4600

5000 QPS下系统稳定运行,零超卖,数据库CPU保持在35%左右,完全满足业务需求。

六、总结

商城系统的库存防超卖问题,核心思路是把"查询-判断-扣减"这个非原子操作变成原子操作。从数据库行锁到Redis Lua脚本预扣,再到MQ异步落库+幂等保障,是一个从强一致性向最终一致性演进的过程。

实践中有几个经验值得分享:

1. **不要过度设计**。如果并发量不高(几百QPS),数据库行锁方案就够了,没必要一上来就引入Redis+MQ的全套架构。

2. **幂等是底线**。只要涉及异步操作,幂等设计就不能省,用唯一索引是最简单可靠的方案。

3. **监控要对齐**。Redis库存和数据库库存要有定时比对告警,发现偏差及时修正,不能等用户投诉才发现。

我们在凡科商城SaaS前台+自研交易后端的混合架构下跑了大半年,经历过多次大促活动,库存数据始终准确。这套方案的核心组件都用了阿里云对应产品,如果你的技术栈也是阿里云,可以直接参考落地。

相关文章
|
10月前
|
缓存 NoSQL 测试技术
库存合并扣减:一种基于分布式缓存的强一致性热点库存扣减方案
本文介绍了一种基于Redis分桶扣减与DB合并提交的强一致库存扣减方案,适用于热点商品高并发抢购场景。通过Redis实现高性能扣减计数,结合数据库明细保障数据准确,既避免超卖少卖,又显著提升TPS与系统稳定性,有效支撑直播等大流量业务需求。
库存合并扣减:一种基于分布式缓存的强一致性热点库存扣减方案
|
5月前
|
消息中间件 NoSQL API
反向海淘系统高并发秒杀实战:Redis+Lua分布式锁防超卖
Taocarts跨境电商秒杀系统采用Redis+Lua原子扣减、分布式锁防重、消息队列异步解耦,成功应对黑五大促瞬时高并发(QPS达8000),实现零超卖、响应降至80ms,保障大促稳定可靠。(239字)
399 0
|
3月前
|
弹性计算 人工智能 运维
最新版阿里云CLI完整功能详解:插件化架构、多账号管理、自动化运维实操教程
在云原生运维大规模普及的当下,传统网页控制台的图形化操作已经很难满足批量运维、持续集成、多环境管理、自动化脚本编排的业务诉求。大量运维工程师、开发人员需要一套可以脱离浏览器,直接在终端、服务器、CI流水线、AI智能体内部调用云平台能力的工具。阿里云CLI就是这样一款开源跨平台命令行管理工具,底层基于平台OpenAPI接口封装,支持Linux、macOS、Windows多操作系统,新版采用轻量化插件架构,覆盖三百余款云产品,几乎网页控制台可以完成的操作,都可以通过命令行实现。很多初次接触该工具的使用者,只把它当作简单查询工具,却不了解它完整的凭证体系、插件自动加载、结果过滤、预演校验、多账号隔离
446 1
|
2月前
|
NoSQL 小程序 测试技术
商城订单支付后库存没扣?分布式事务与超卖的一次真实排查
商城订单付了钱库存没减、甚至同一个商品被卖超了?根因十有八九是支付回调没做幂等。本文从订单状态机、库存扣减日志、支付回调重试机制三层,完整复盘一次大促超卖事故的排查与修复,附可复用的幂等代码和5条踩坑经验。
|
3月前
|
自然语言处理 API 数据库
突破检索失真:高精度 RAG 向量相似度动态截断与分流实操
机械式固定 Top-K 检索在面对知识库外提问时,极易强行返回低相似度“伪相关”切块,诱发严重的模型幻觉。 本文深入探讨“高精度 RAG 向量检索相似度阈值截断设置”,解析余弦相似度与欧氏距离的度量基准,并提出硬阈值、动态落差、软硬双阈值分流与混合融合截断四种进阶策略。文章还提供了基于黄金测试集与 F1-Score 的科学阈值标定方法,助力系统筑牢防线、杜绝胡说八道。
370 0
|
4月前
|
弹性计算 负载均衡 安全
阿里云专有网络 VPC 完整解析:云上专属隔离网络核心能力与落地方案
阿里云专有网络VPC是逻辑隔离的云上虚拟数据中心,基于VxLAN隧道实现二层隔离,支持自定义网段、交换机、路由等全网资源。基础功能永久免费,具备极致安全、灵活组网、全场景互通及高可用低成本四大优势,广泛应用于私网部署、统一公网出口、全球组网与混合云互联。阿里云专有网络VPC官网:https://t.aliyun.com/U/Hl3ErJ
987 2
|
3月前
|
关系型数据库 Serverless 数据库
2026年低成本建站方案有哪些?从架构设计到代码实现的完整拆解
本文详解2026年低成本建站四大方案:纯静态托管(年成本≈域名费)、静态+边缘函数(覆盖表单/搜索)、自托管开源CMS(适配非技术编辑)、Serverless+托管数据库(支撑用户/订单)。强调“成本随架构走”,主张构建时生成、动态逻辑下沉边缘、数据按需托管,实现零成本起步与平滑扩展。
320 0
|
3月前
|
消息中间件 人工智能 缓存
AI时代从Demo到卓越工程的演进过程
稳定版本最终发布,我倾尽了我所有的想法与当下的用户的痛点的业务结合,做到阶段性卓越。思路我举几个例子..
151 0
|
3月前
|
NoSQL 关系型数据库 数据库
商城优惠券系统设计与实践:防超发、幂等与对账
本文详解大促优惠券系统防超发与幂等设计:通过Redis Lua原子扣减+数据库条件更新兜底,解决并发超发;利用唯一索引+状态机实现领券、核销、回退全流程幂等;结合定时对账保障最终一致性。压测验证5000 QPS下超发率归零,RT降至38ms。
|
3月前
|
NoSQL 关系型数据库 Redis
微信商城系统技术架构选型:不同规模阶段的部署方案与实践
本文针对微信商城商家规模差异大、架构选型易“一刀切”的痛点,提出四阶段演进方案:起步期用SaaS零运维;成长期采用单体+云数据库;扩张期模块化拆分+消息队列;规模化阶段落地微服务+云原生。强调架构复杂度应随业务增长渐进演进,避免过早过度设计。(239字)