# seconds-kill **Repository Path**: ying-shenghao/seconds-kill ## Basic Information - **Project Name**: seconds-kill - **Description**: 基于 Springboot + Redis + Kafka 的秒杀系统，乐观锁 + 缓存 + 限流 + 异步，TPS 从 500 优化到 3000 - **Primary Language**: Unknown - **License**: MIT - **Default Branch**: master - **Homepage**: None - **GVP Project**: No ## Statistics - **Stars**: 0 - **Forks**: 0 - **Created**: 2024-11-19 - **Last Updated**: 2025-02-06 ## Categories & Tags **Categories**: Uncategorized **Tags**: None ## README # 如何设计一个秒杀系统 ## 系统的特点 - 高性能：秒杀涉及大量的并发读和并发写，因此支持高并发访问这点非常关键 - 一致性：秒杀商品减库存的实现方式同样关键，有限数量的商品在同一时刻被很多倍的请求同时来减库存，在大并发更新的过程中都要保证数据的准确性。 - 高可用：秒杀时会在一瞬间涌入大量的流量，为了避免系统宕机，保证高可用，需要做好流量限制 ## 优化思路 - 后端优化：将请求尽量拦截在系统上游 - 限流：屏蔽掉无用的流量，允许少部分流量走后端。假设现在库存为 10，有 1000 个购买请求，最终只有 10 个可以成功，99% 的请求都是无效请求 - 削峰：秒杀请求在时间上高度集中于某一个时间点，瞬时流量容易压垮系统，因此需要对流量进行削峰处理，缓冲瞬时流量，尽量让服务器对资源进行平缓处理 - 异步：将同步请求转换为异步请求，来提高并发量，本质也是削峰处理 - 利用缓存：创建订单时，每次都需要先查询判断库存，只有少部分成功的请求才会创建订单，因此可以将商品信息放在缓存中，减少数据库查询 - 负载均衡：利用 Nginx 等使用多个服务器并发处理请求，减少单个服务器压力 - 前端优化： - 限流：前端答题或验证码，来分散用户的请求 - 禁止重复提交：限定每个用户发起一次秒杀后，需等待才可以发起另一次请求，从而减少用户的重复请求 - 本地标记：用户成功秒杀到商品后，将提交按钮置灰，禁止用户再次提交请求 - 动静分离：将前端静态数据直接缓存到离用户最近的地方，比如用户浏览器、CDN 或者服务端的缓存中 - 防作弊优化： - 隐藏秒杀接口：如果秒杀地址直接暴露，在秒杀开始前可能会被恶意用户来刷接口，因此需要在没到秒杀开始时间不能获取秒杀接口，只有秒杀开始了，才返回秒杀地址 url 和验证 MD5，用户拿到这两个数据才可以进行秒杀 - 同一个账号多次发出请求：在前端优化的禁止重复提交可以进行优化；也可以使用 Redis 标志位，每个用户的所有请求都尝试在 Redis 中插入一个 `userId_secondsKill` 标志位，成功插入的才可以执行后续的秒杀逻辑，其他被过滤掉，执行完秒杀逻辑后，删除标志位 - 多个账号一次性发出多个请求：一般这种请求都来自同一个 IP 地址，可以检测 IP 的请求频率，如果过于频繁则弹出一个验证码 - 多个账号不同 IP 发起不同请求：这种一般都是僵尸账号，检测账号的活跃度或者等级等信息，来进行限制。比如微博抽奖，用 iphone 的年轻女性用户中奖几率更大。通过用户画像限制僵尸号无法参与秒杀或秒杀不能成功 ## 代码优化 代码整体思路参考的 [@crossoverJie]()，做了以下几点变动 1. 将 SSM 换成 SpringBoot，开箱即用，替换 Mapper XML 为注解，去掉 Dubbo 和 Zookeeper 2. 原项目中依赖了开发者自己的开源包 [distributed-redis-tool]()，本项目将用到的限流部分直接集成到代码中 3. 加入缓存预热，在秒杀开始前，将库存信息读到缓存中，并暴露数据库和缓存重置方法便于服务器部署压测 4. 缓存更新逻辑中加入 Redis 事务，避免脏数据 5. 将 Kafka-client 替换为 spring-kafka，自动配置，通过 KafkaTemplate 和 Listen 进行消息的生产和消费，采用 Gson 进行 Kafka 消息序列化和反序列化，精简大量代码 ### Jmeter 压测 ![]() **测试流程如下：** 首先下载 JMeter 安装包 可以去官网下载：http://jmeter.apache.org windows 环境下载 zip 安装包，然后将下载的文件进行解压，进入 bin 目录运行 jmeter.bat 即可。 接下来是 Jmeter 测试计划设置: （1）在测试计划上右键新建一个线程组 ![]() 线程组属性内可以修改线程数、Ramp-Up 时间和循环次数。 ![]() （2）在线程组上右键添加 HTTP 请求 ![]() 其属性包括 WEB 服务器的协议、服务器名称或 IP 和端口号，HTTP 请求的方法和路径。 ![]() （3）在HTTP请求上右键添加一个监听器，可以根据自己的需求添加汇总报告、查看结果树等等。 ![]() 如下图所示为汇总报告，可以查看异常比例和吞吐量，方便调优。 ![]() 这样一个简单的 Jmeter 测试计划就算添加完了。一个 HTTP 请求对应一个接口，可以添加多个 HTTP 请求 以达到多个接口同时检测的需求。 ### 0. 基本秒杀逻辑 ```java @Override public int createWrongOrder(int sid) throws Exception { // 数据库校验库存 Stock stock = checkStock(sid); // 扣库存(无锁) saleStock(stock); // 生成订单 int res = createOrder(stock); return res; } private Stock checkStock(int sid) throws Exception { Stock stock = stockService.getStockById(sid); if (stock.getCount() < 1) { throw new RuntimeException("库存不足"); } return stock; } private int saleStock(Stock stock) { stock.setSale(stock.getSale() + 1); stock.setCount(stock.getCount() - 1); return stockService.updateStockById(stock); } private int createOrder(Stock stock) throws Exception { StockOrder order = new StockOrder(); order.setSid(stock.getId()); order.setName(stock.getName()); order.setCreateTime(new Date()); int res = orderMapper.insertSelective(order); if (res == 0) { throw new RuntimeException("创建订单失败"); } return res; } // 扣库存 Mapper 文件 @Update("UPDATE stock SET count = #{count, jdbcType = INTEGER}, name = #{name, jdbcType = VARCHAR}, " + "sale = #{sale,jdbcType = INTEGER},version = #{version,jdbcType = INTEGER} " + "WHERE id = #{id, jdbcType = INTEGER}") ``` ### 1. 乐观锁更新库存，解决超卖问题 超卖问题出现的场景 ![](https://github.com/gongfukangEE/gongfukangEE.github.io/raw/master/_pic/%E5%88%86%E5%B8%83%E5%BC%8F/%E7%A7%92%E6%9D%80%E8%B6%85%E5%8D%96.png) 悲观锁虽然可以解决超卖问题，但是加锁的时间可能会很长，会长时间的限制其他用户的访问，导致很多请求等待锁，卡死在这里，如果这种请求很多就会耗尽连接，系统出现异常。乐观锁默认不加锁，更失败就直接返回抢购失败，可以承受较高并发 ![](https://github.com/gongfukangEE/gongfukangEE.github.io/raw/master/_pic/%E5%88%86%E5%B8%83%E5%BC%8F/%E4%B9%90%E8%A7%82%E9%94%81%E6%89%A3%E5%BA%93%E5%AD%98.png) ```java @Override public int createOptimisticOrder(int sid) throws Exception { // 校验库存 Stock stock = checkStock(sid); // 乐观锁更新 saleStockOptimstic(stock); // 创建订单 int id = createOrder(stock); return id; } // 乐观锁 Mapper 文件 @Update("UPDATE stock SET count = count - 1, sale = sale + 1, version = version + 1 WHERE " + "id = #{id, jdbcType = INTEGER} AND version = #{version, jdbcType = INTEGER}") ``` ### 2. Redis 计数限流 根据前面的优化分析，假设现在有 10 个商品，有 1000 个并发秒杀请求，最终只有 10 个订单会成功创建，也就是说有 990 的请求是无效的，这些无效的请求也会给数据库带来压力，因此可以在在请求落到数据库之前就将无效的请求过滤掉，将并发控制在一个可控的范围，这样落到数据库的压力就小很多 关于限流的方法，可以看这篇博客[浅析限流算法]()，由于计数限流实现起来比较简单，因此采用计数限流，限流的实现可以直接使用 Guava 的 RateLimit 方法，但是由于后续需要将实例通过 Nginx 实现负载均衡，这里选用 Redis 实现分布式限流 在 `RedisPool` 中对 `Jedis` 线程池进行了简单的封装，封装了初始化和关闭方法，同时在 `RedisPoolUtil` 中对 Jedis 常用 API 进行简单封装，每个方法调用完毕则关闭 Jedis 连接。 限流要保证写入 Redis 操作的原子性，因此利用 Redis 的单线程机制，通过 LUA 脚本来完成。 ![](https://github.com/gongfukangEE/gongfukangEE.github.io/raw/master/_pic/%E5%88%86%E5%B8%83%E5%BC%8F/%E7%A7%92%E6%9D%80%E9%99%90%E6%B5%81.png) ```java @Slf4j public class RedisLimit { private static final int FAIL_CODE = 0; private static Integer limit = 5; /** * Redis 限流 */ public static Boolean limit() { Jedis jedis = null; Object result = null; try { // 获取 jedis 实例 jedis = RedisPool.getJedis(); // 解析 Lua 文件 String script = ScriptUtil.getScript("limit.lua"); // 请求限流 String key = String.valueOf(System.currentTimeMillis() / 1000); // 计数限流 result = jedis.eval(script, Collections.singletonList(key), Collections.singletonList(String.valueOf(limit))); if (FAIL_CODE != (Long) result) { log.info("成功获取令牌"); return true; } } catch (Exception e) { log.error(limit, e); } finally { RedisPool.jedisPoolClose(jedis); } return false; } } // 在 Controller 中，每个请求到来先取令牌，获取到令牌再执行后续操作，获取不到直接返回 ERROR public String createOptimisticLimitOrder(HttpServletRequest request, int sid) { int res = 0; try { if (RedisLimit.limit()) { res = orderService.createOptimisticOrder(sid); } } catch (Exception e) { log.error("Exception: " + e); } return res == 1 ? success : error; } ``` ### 3. Redis 缓存商品库存信息 虽然限流能够过滤掉一些无效的请求，但是还是会有很多请求落在数据库上，通过 `Druid` 监控可以看出，实时查询库存的语句被大量调用，对于每个没有被过滤掉的请求，都会去数据库查询库存来判断库存是否充足，对于这个查询可以放在缓存 Redis 中，Redis 的数据是存放在内存中的，速度快很多。 ![]() #### 缓存预热 在秒杀开始前，需要将秒杀商品信息提前缓存到 Redis 中，这么秒杀开始时则直接从 Redis 中读取，也就是缓存预热，Springboot 中开发者通过 `implement ApplicationRunner` 来设定 SpringBoot 启动后立即执行的方法 ```java @Component public class RedisPreheatRunner implements ApplicationRunner { @Autowired private StockService stockService; @Override public void run(ApplicationArguments args) throws Exception { // 从数据库中查询热卖商品，商品 id 为 1 Stock stock = stockService.getStockById(1); // 删除旧缓存 RedisPoolUtil.del(RedisKeysConstant.STOCK_COUNT + stock.getCount()); RedisPoolUtil.del(RedisKeysConstant.STOCK_SALE + stock.getSale()); RedisPoolUtil.del(RedisKeysConstant.STOCK_VERSION + stock.getVersion()); //缓存预热 int sid = stock.getId(); RedisPoolUtil.set(RedisKeysConstant.STOCK_COUNT + sid, String.valueOf(stock.getCount())); RedisPoolUtil.set(RedisKeysConstant.STOCK_SALE + sid, String.valueOf(stock.getSale())); RedisPoolUtil.set(RedisKeysConstant.STOCK_VERSION + sid, String.valueOf(stock.getVersion())); } } ``` #### 缓存和数据一致性 缓存和 DB 的一致性是一个讨论很多的问题，推荐看参考中的 [使用缓存的正确姿势]()，首先看下先更新数据库，再更新缓存策略，假设 A、B 两个线程，A 成功更新数据，在要更新缓存时，A 的时间片用完了，B 更新了数据库接着更新了缓存，这是 CPU 再分配给 A，则 A 又更新了缓存，这种情况下缓存中就是脏数据，具体逻辑如下图所示： ![]() 那么，如果避免这个问题呢？就是缓存不做更新，仅做删除，先更新数据库再删除缓存。对于上面的问题，A 更新了数据库，还没来得及删除缓存，B 又更新了数据库，接着删除了缓存，然后 A 删除了缓存，这样只有下次缓存未命中时，才会从数据库中重建缓存，避免了脏数据。但是，也会有极端情况出现脏数据，A 做查询操作，没有命中缓存，从数据库中查询，但是还没来得及更新缓存，B 就更新了数据库，接着删除了缓存，然后 A 又重建了缓存，这时 A 中的就是脏数据，如下图所示。但是这种极端情况需要数据库的写操作前进入数据库，又晚于写操作删除缓存来更新缓存，发生的概率极其小，不过为了避免这种情况，可以为缓存设置过期时间。 ![]() 安装先更新数据库再删除缓存的策略来执行，代码如下所示： ```java @Override public int createOrderWithLimitAndRedis(int sid) throws Exception { // 校验库存，从 Redis 中获取 Stock stock = checkStockWithRedis(sid); // 乐观锁更新库存和Redis saleStockOptimsticWithRedis(stock); // 创建订单 int res = createOrder(stock); return res; } // Redis 校验库存 private Stock checkStockWithRedisWithDel(int sid) throws Exception { Integer count = null; Integer sale = null; Integer version = null; List data = RedisPoolUtil.listGet(RedisKeysConstant.STOCK + sid); if (data.size() == 0) { // Redis 不存在，先从数据库中获取，再放到 Redis 中 Stock newStock = stockService.getStockById(sid); RedisPoolUtil.listPut(RedisKeysConstant.STOCK + newStock.getId(), String.valueOf(newStock.getCount()), String.valueOf(newStock.getSale()), String.valueOf(newStock.getVersion())); count = newStock.getCount(); sale = newStock.getSale(); version = newStock.getVersion(); } else { count = Integer.parseInt(data.get(0)); sale = Integer.parseInt(data.get(1)); version = Integer.parseInt(data.get(2)); } if (count < 1) { log.info("库存不足"); throw new RuntimeException("库存不足 Redis currentCount: " + sale); } Stock stock = new Stock(); stock.setId(sid); stock.setCount(count); stock.setSale(sale); stock.setVersion(version); // 此处应该是热更新，但是在数据库中只有一个商品，所以直接赋值 stock.setName("手机"); return stock; } private void saleStockOptimsticWithRedisWithDel(Stock stock) throws Exception { // 乐观锁更新数据库 int res = stockService.updateStockByOptimistic(stock); // 删除缓存，应该使用 Redis 事务 RedisPoolUtil.del(RedisKeysConstant.STOCK + stock.getId()); log.info("删除缓存成功"); if (res == 0) { throw new RuntimeException("并发更新库存失败"); } } ``` 在 Jmeter 压力测试中，并发效果并不好，跟前面的限流并发差不多，观察 Redis 中的数据看出，由于每次都删除缓存，因此导致多次缓存都不能命中，能命中缓存的次数很少，因此这种方案并不可取。 考虑到使用乐观锁更新数据库，因此在使用先更新数据库再更新缓存的策略中，实际情况如下所示 ![]() 在 A 未更新缓存阶段，虽然 B 从缓存中获取到的库存信息脏数据，但是，乐观锁使得 B 在更新数据库时失败，这时 A 又更新了缓存，则保证了数据的最终一致性，并且由于缓存一直都可以命中，对并发量的提升也是很显著的。 ```java @Override public int createOrderWithLimitAndRedis(int sid) throws Exception { // 校验库存，从 Redis 中获取 Stock stock = checkStockWithRedis(sid); // 乐观锁更新库存和Redis saleStockOptimsticWithRedis(stock); // 创建订单 int res = createOrder(stock); return res; } // Redis 中校验库存 private Stock checkStockWithRedis(int sid) throws Exception { Integer count = Integer.parseInt(RedisPoolUtil.get(RedisKeysConstant.STOCK_COUNT + sid)); Integer sale = Integer.parseInt(RedisPoolUtil.get(RedisKeysConstant.STOCK_SALE + sid)); Integer version = Integer.parseInt(RedisPoolUtil.get(RedisKeysConstant.STOCK_VERSION + sid)); if (count < 1) { log.info("库存不足"); throw new RuntimeException("库存不足 Redis currentCount: " + sale); } Stock stock = new Stock(); stock.setId(sid); stock.setCount(count); stock.setSale(sale); stock.setVersion(version); // 此处应该是热更新，但是在数据库中只有一个商品，所以直接赋值 stock.setName("手机"); return stock; } // 更新 DB 和 Redis private void saleStockOptimsticWithRedis(Stock stock) throws Exception { int res = stockService.updateStockByOptimistic(stock); if (res == 0){ throw new RuntimeException("并发更新库存失败") ; } // 更新 Redis StockWithRedis.updateStockWithRedis(stock); } // Redis 多个写入操作的事务 public static void updateStockWithRedis(Stock stock) { Jedis jedis = null; try { jedis = RedisPool.getJedis(); // 开始事务 Transaction transaction = jedis.multi(); // 事务操作 RedisPoolUtil.decr(RedisKeysConstant.STOCK_COUNT + stock.getId()); RedisPoolUtil.incr(RedisKeysConstant.STOCK_SALE + stock.getId()); RedisPoolUtil.incr(RedisKeysConstant.STOCK_VERSION + stock.getId()); // 结束事务 List list = transaction.exec(); } catch (Exception e) { log.error("updateStock 获取 Jedis 实例失败：", e); } finally { RedisPool.jedisPoolClose(jedis); } } ``` #### 发现热点数据 热点数据就是用户的热点请求对应的数据，分成静态热点数据和动态热点数据。 静态热点数据就是能够提前预测的数据，比如约定商品 A、B、C 参与秒杀，则可以提前对商品进行标记处理。动态热点数据就是不能被提前预测的，比如在商家在抖音上投放广告，导致商品短时间内被大量购买，临时产生热点数据。对于动态热点数据，最主要的就是能够提前预测和发现，以便于及时处理，这里给出[极客时间：许令波 - 如何设计一个秒杀系统]()中对于热点数据发现系统的实现： 1. 构建一个异步的系统，它可以收集交易链路上各个环节中的中间件产品的热点 Key 2. 建立一个热点上报和可以按照需求订阅的热点服务的下发规范，主要目的是通过交易链路上各个系统（包括详情、购物车、交易、优惠、库存、物流等）访问的时间差，把上游已经发现的热点透传给下游系统，提前做好保护。 3. 将上游系统收集的热点数据发送到热点服务台，然后下游系统（如交易系统）就会知道哪些商品会被频繁调用，然后做热点保护。 ![]() 我们通过部署在每台机器上的 Agent 把日志汇总到聚合和分析集群中，然后把符合一定规则的热点数据，通过订阅分发系统再推送到相应的系统中。你可以是把热点数据填充到 Cache 中，或者直接推送到应用服务器的内存中，还可以对这些数据进行拦截，总之下游系统可以订阅这些数据，然后根据自己的需求决定如何处理这些数据。 对于热点数据，除了上文所提到的缓存，还要进行隔离和限制，比如把热点商品限制在一个请求队列里，防止因某些热点商品占用太多的服务器资源，而使其他请求始终得不到服务器的处理资源；将这种热点数据隔离出来，不要让 1% 的请求影响到另外的 99% ### 4. Kafka 异步 服务器的资源是恒定的，你用或者不用它的处理能力都是一样的，所以出现峰值的话，很容易导致忙到处理不过来，闲的时候却又没有什么要处理，因此可以通过削峰来延缓用户请求的发出，让服务端处理变得更加平稳。 项目中采用的是用消息队列 Kafka 来缓冲瞬时流量，将同步的直接调用转成异步的间接推送，中间通过一个队列在一端承接瞬时的流量洪峰，在另一端平滑地将消息推送出去。 ![]() 关于 Kafka 的学习，推荐[朱小厮的博客]()和博主的书《深入理解 Kafka：核心设计与实践原理》，向 Kafka 发送消息和从 Kafka 拉取消息需要对消息进行序列化处理，这里采用的是`Gson`框架 ```java // 向 Kafka 发送消息 public void createOrderWithLimitAndRedisAndKafka(int sid) throws Exception { // 校验库存 Stock stock = checkStockWithRedis(sid); // 下单请求发送至 kafka，需要序列化 stock kafkaTemplate.send(kafkaTopic, gson.toJson(stock)); log.info("消息发送至 Kafka 成功"); } // 监听器从 Kafka 拉取消息 public class ConsumerListen { private Gson gson = new GsonBuilder().create(); @Autowired private OrderService orderService; @KafkaListener(topics = "SECONDS-KILL-TOPIC") public void listen(ConsumerRecord record) throws Exception { Optional kafkaMessage = Optional.ofNullable(record.value()); // Object -> String String message = (String) kafkaMessage.get(); // 反序列化 Stock stock = gson.fromJson((String) message, Stock.class); // 创建订单 orderService.consumerTopicToCreateOrderWithKafka(stock); } } // Kafka 消费消息执行创建订单业务 public int consumerTopicToCreateOrderWithKafka(Stock stock) throws Exception { // 乐观锁更新库存和 Redis saleStockOptimsticWithRedis(stock); int res = createOrder(stock); if (res == 1) { log.info("Kafka 消费 Topic 创建订单成功"); } else { log.info("Kafka 消费 Topic 创建订单失败"); } return res; } ``` ### 5. Nginx 负载均衡 单台服务器的处理性能是有瓶颈的，当并发量十分大时，无论怎么优化都满足不了需求，这时候就需要增加一台服务器分担原有服务器的访问压力，通过负载均衡服务器 Nginx 可以将来自用户的访问请求发到应用服务器集群中的任何一台机器 Nginx 配置如下： 在项目的配置文件 application.properties 中分别设置两个应用的端口号如 8888 和 9999 。 ``` server.port=8888 server.port=9999 ``` 然后进入nginx/conf文件目录将nginx.conf配置文件中的http部分修改为如下代码： ``` http { include mime.types; default_type application/octet-stream; #log_format main '$remote_addr - $remote_user [$time_local] "$request" ' # '$status $body_bytes_sent "$http_referer" ' # '"$http_user_agent" "$http_x_forwarded_for"'; #access_log logs/access.log main; sendfile on; #tcp_nopush on; #keepalive_timeout 0; keepalive_timeout 65; #gzip on; upstream server_miaosha{ server 127.0.0.1:8888 weight=1; server 127.0.0.1:9999 weight=1; } server { listen 80; server_name localhost; #charset koi8-r; #access_log logs/host.access.log main; location / { #root html; #index index.html index.htm; set $xheader $remote_addr; if ( $http_x_forwarded_for != '' ){ set $xheader $http_x_forwarded_for; } proxy_set_header X-Real-IP $xheader; proxy_set_header X-Forwarded-For $proxy_add_x_forwarded_for; proxy_set_header Host $http_host; proxy_redirect off; proxy_http_version 1.1; proxy_set_header Connection ""; proxy_pass http://server_miaosha; } #error_page 404 /404.html; ``` 权重weight可以根据个人需求进行设置，本文均设置为 1 ，表示访问 IP + 80 端口时两个应用按 1:1 进行轮询。 ## 数据库建表 ```mysql CREATE TABLE `stock` ( `id` int(11) unsigned NOT NULL AUTO_INCREMENT, `name` varchar(50) NOT NULL DEFAULT '' COMMENT '名称', `count` int(11) NOT NULL COMMENT '库存', `sale` int(11) NOT NULL COMMENT '已售', `version` int(11) NOT NULL COMMENT '乐观锁，版本号', PRIMARY KEY (`id`) ) ENGINE=InnoDB AUTO_INCREMENT=2 DEFAULT CHARSET=utf8; CREATE TABLE `stock_order` ( `id` int(11) unsigned NOT NULL AUTO_INCREMENT, `sid` int(11) NOT NULL COMMENT '库存ID', `name` varchar(30) NOT NULL DEFAULT '' COMMENT '商品名称', `create_time` timestamp NOT NULL DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP COMMENT '创建时间', PRIMARY KEY (`id`) ) ENGINE=InnoDB AUTO_INCREMENT=55 DEFAULT CHARSET=utf8; ``` ## 参考 >- [极客时间：许令波 - 如何设计一个秒杀系统]() >- [crossoverjie：SSM(十八)秒杀架构实践]() >- [秒杀系统优化方案（下）吐血整理]() >- [电商网站秒杀与抢购的系统架构](http://www.codeceo.com/article/spike-system-artch.html) >- [使用缓存的正确姿势]() >- [SpringBoot Kafka 整合使用]()