秒杀系统优化方案思考
秒杀相信大家都不陌生，商家会发布一些价格低廉、数量很少的商品，吸引用户抢购，例如每年双十一活动就属于典型的秒杀活动。还有类似春节12306抢票、小米手机限量发售等都可以理解为“秒杀”。
秒杀特点是持续时间短，抢购人数多，参与人数大大高于商品数量。抢购开始前后大量用户请求涌入，极易给服务造成巨大压力。如果系统设计不当，还容易造成超卖、数据丢失等问题。
本文我们主要讨论在秒杀的高并发场景下，传统订单架构存在的性能瓶颈，如何利用redis、MQ等中间件对系统做优化，解决缓存加速、防止重复提交、排队下单、超卖、少卖、削峰、异步下单等核心问题。
秒杀业务流程简介
秒杀总体业务流程可以简述为
-
商户创建秒杀活动，设定秒杀时间段，选择本次活动的商品，设置折扣、库存等； -
用户APP端在活动即将开始时会看到秒杀活动列表，点击活动可以看到商品列表，点击商品可以查看秒杀商品详情； -
商品详情页用户点击立即抢购； -
如果库存充足，则创建订单成功；否则秒杀失败 -
提交订单后超时未支付，系统会自动关闭订单，回滚库存。
秒杀页面主要分为：
（1）首页秒杀活动列表
（2）商品详情页
普通订单系统
我们来看看普通订单系统是如何处理订单请求的.
订单下单流程图
流程分析
在springcloud环境下，普通订单下单流程可以总结为：
1.用户确认订单、提交订单，发送下单请求至订单微服务；
2.订单服务会调用用户服务做一系列业务校验，如账号是否异常等；
还会调用商品服务，校验商品信息；
商品服务又会调用活动服务，校验优惠券、计算优惠等；
3.各服务从MySql获取业务数据，进行业务计算、业务校验；
4.生成订单，最后将订单数据入库。
瓶颈分析
普通订单系统分析
以上是传统微服务架构订单业务的经典流程，在用户量不多、并发不高的正常业务场景下，支撑起正常的业务需求是没问题的。可以通过部署集群、数据库分库分表和读写分离、sql调优、硬件升级等方式，进一步提高系统稳定性和抗并发能力。
但是对于秒杀业务场景，由于秒杀活动特点是商品库存少，参与人数多，在秒杀开始前后，系统的瞬间请求流量飙升，对后端服务尤其是数据库造成很大压力，如果不能进行有效削峰、限流，所有请求一次性到某一台服务器或数据库上，服务很有可能出现卡顿、不可用甚至宕机的可能，给用户造成不良体验。
普通订单系统处理秒杀业务的瓶颈
数据库负担过重
从上图可以看出，仅一个下单请求，所有服务的查询、修改等都是直接操作mysql，没有用到缓存，秒杀开始，系统瞬间承受平时数十倍甚至上百倍的流量，导致mysql cpu占用升高，压力过重，直接拖慢所有系统服务。
频繁的跨服务调用
由上图可以看出，秒杀相关接口在查询业务数据时，由于下单业务复杂，需要校验的业务项非常多，后端不得不频繁跨服务调用，订单服务会调用商品、用户等服务、活动等服务，活动服务可能还会调用其它服务，
调用链过多、过长，可能某一环节响应时间过长而拖慢系统整体速度，同时微服务之间的互相调用也会占用系统CPU、内存资源，造成服务器性能下降。
容易产生大量无效下单请求
秒杀商品只有10个，却有1000个下单请求，这1000个请求到后端会全部走一遍下单逻辑，而实际上真正成功的订单只有10个，其它秒杀失败的请求没有过滤掉。
没有排队处理请求
所有请求一窝蜂涌入，容易造成请求积压，造成OOM。
串行处理
在高并发情况下，为保证不出现超卖问题，所有涉及库存操作都会加锁处理，串行执行，增加请求处理耗时。即使系统能容忍很高的并发，也很可能出现请求堆积、超时等情况。
链接暴露
秒杀url很容易通过抓包工具获取，竞争对手或黄牛党可以通过脚本或刷单工具发送下单请求，轻则活动还没开始商品便卖光，严重的服务器宕机，活动失败，GG。
秒杀常见优化方案
关于秒杀系统，可优化的点非常多，这里列出如下几点：
前端层面
前端优化（前端按钮点击频率限制、限制用户维度访问频率、限制商品维度访问频率、验证码机制等）
页面数据的静态化+多级缓存（CDN加速+Nginx+Redis）
服务层面
web服务器优化（tomcat、undertow）
nginx限流
负载均衡
服务器硬件升级
削峰处理
服务降级、熔断
jvm性能调优
业务层面
数据库分库分表、读写分离
sql调优
代码调优
.................
本次优化关键点
实际上，受限于经费、时间、团队技术水平等条件，实际优化中我们可能无法对以上几点逐条优化，一是耗时耗力，二是可能没必要，具体优化时还是要以实际业务并发量为准。在资源、时间有限的情况下，我们需要一个高效、最能够显著提升效果的优化方案。
本文主要介绍在服务层面，如何针对瞬时的高并发请求做削峰处理；业务层面，如何利用缓存减轻mysql数据库访问压力、如何排队处理、如何防止重复提交、防止超卖问题等。
利用缓存
秒杀的业务特点是读多写少，一个秒杀商品只有10个，可能有10w个人来抢，最终只有10个用户会产生写操作，其它请求都是查询库存，非常适合利用缓存优化。
缓存这块我们选用redis，redis基于内存，内存的读写速度非常快；同时redis内部是单线程操作，省去了很多上下文切换线程的时间。redis采用多路复用技术，非阻塞式IO，可以抗住高达百万级的并发量。
排队下单
利用redis进行排队抢单，记录排队数据。秒杀请求到后端后，不立即走创建订单逻辑，先通过redis校验排队、库存信息，校验通过后将秒杀请求缓存到redis。
削峰处理
通过RabbitMQ消息队列削峰：
秒杀请求不直接生成订单，先存入MQ消息队列，可以写一个消息监听器，平缓消费秒杀请求数据，减轻数据库并发量。
优化方案设计
数据缓存
通过以上分析我们知道秒杀的最大瓶颈便是mysql，所以我们要将mysql的压力转移给缓存。
在活动开始前，我们可以配置循环定时任务，将秒杀活动、秒杀商品相关信息全部缓存到redis中，可以根据活动信息，设置缓存的失效时间。
前端秒杀活动、商品详情等数据的获取，全部走redis。
确认订单
用户发送确认订单请求时，首先校验该用户是否是否已经排队，排队信息从redis中获取，如果已经排队下单，直接返回；否则继续走确认订单的业务逻辑。
下单流程优化
1.用户提交秒杀订单，后端先获取判断是会否是本次活动黑名单用户，如果是，则直接返回
2.获取该用户的排队信息（避免用户重复提交），如果已经排队，则直接返回；
3.则从redis中获取库存信息，判断库存是否充足，如果库存不足，直接返回；
4.库存充足，则redis中记录用户下单排队信息，包括活动id、商品id、用户id等，同时将商品库存减1，这里涉及到超卖问题；
同时给前端返回一个code，表示排队中；
5.前端接收到数据后，显示排队中，并根据商品id轮询请求服务器，获取下单状态；
6.此时大部分请求都已经被过滤，只有少量请求最终会走到这一步，此时将它们发送到RabbitMQ下单队列中;
7.消息监听器监听下单消息，执行真正的下单逻辑。
（1）下单失败：这里涉及到黑名单问题，如果一个用户多次下单都失败，可能是恶意请求，也可能是该用户不符合本场秒杀条件（业务校验不通过），可以考虑将该用户加入本场秒杀活动黑名单中。
同时要回滚库存、删除用户排队缓存信息、更新redis秒杀状态信息。
（2）下单成功,更新redis秒杀状态信息，状态更新微订单已创建。发送延迟消息给rabbitMq，超时未支付自动关闭订单，回滚库存等。
定时任务缓存预热
（1）定时任务将 状态为已发布且未开始的秒杀活动、秒杀商品写入redis缓存；
（2）扫描已过期的秒杀活动，移除缓存。
扫描秒杀数据
@Scheduled("*************************")
public void pushSpikeInfoIntoRedis(){
//查询未开始的秒杀活动信息
List<RedisSpike> spikeList = spikeMapper.selectSpikeOfNotStart();
//查询秒杀商品信息
List<RedisSpikeSku> spikeSkuList = spikeSkuMapper.selectSkuList();
//根据活动分组
Map<Long, List<RedisSpikeSku>> groupSpikeSkuList=
spikeSkuList.stream().collect(Collectors.groupingBy(RedisSpikeSku::getSpikeId))
//秒杀活动存储到redis
for (RedisSpike spike : spikeList) {
redisTemplate.opsForHash()
.put("hosjoy-spike-test:spike-info", spikeId,spike );
}
//秒杀商品存储到redis
for(Map.Entry<Long, List<RedisSpikeSku>>entry: groupSpikeSkuList.entrySet()){
Long spikeId= entry.getKey;
List<RedisSpikeSku >skuList = entry.getValue();
for(RedisSpikeSku sku: skuList){
redisTemplate.opsForHash()
.put("hosjoy-spike-test:spike-sku:"+spikeId, sku.getId, sku );
}
}
}
库存入队
sku库存单独放到一个队列里面。例如库存为5个，就在队列里push 5个元素。
//库存信息
for(RedisSpikeSku sku: spikeSkuList){
Integer inventory = sku.getInventory();
List<Long> skuIds = new ArrayList<>(inventory);
for(int i=0; i<inventory; i++){
skuIds.add(sku.getId());
}
redisTemplate.opsForList().leftPushAll("hosjoy-spike-test:spike-sku-inventory:" + spikeId + spikeSkuId, skuIds);
}
定时扫描过期数据
扫描已经结束的秒杀活动和秒杀商品缓存，清理无用数据。
//删除已过期活动
List<Long> expireSpikes = new ArrayList<>();
List<RedisSpike> spikes = redisTemplate.opsForHash().values("hosjoy-spike-test:spike-info");
LocalDateTime now = LocalDateTime.now();
spikes.forEach(s->{
LocalDateTime endTime = s.getEndTime();
if(now.after(endTime)){
expireSpikes.add(s.getId());
redisTemplate.opsForHash().delete("hosjoy-spike-test:spike-info",s.getId());
}
});
//删除已过期sku
expireSpikes.forEach(spikeId->{
redisTemplate.opsForHash().delete("hosjoy-spike-test:spike-sku:"+spikeId);
});
秒杀活动列表
public SpikeListResponse spikeList(Long userId) {
//获取所有秒杀活动
List<RedisSpike> spikes = redisTemplate.opsForHash().values("hosjoy-spike-test:spike- info");
//该用户可见的活动
List<RedisSpike> visibleSpikes= new ArrayList<>();
//业务处理，过滤当前用户不可见的活动
////根据具体业务自由实现
removeSomeSpike(spikes, userId, visibleSpikes);
//距离当前时间最近的活动
RedisSpikeSku currentSpike = getCurrentSpike(visibleSpikes);
//获取该活动商品列表
List<RedisSpikeSku> spikeSkuList = redisTemplate.opsForHash()
.values("hosjoy-spike-test:spike-sku:"+currentSpike.getId() );
//业务校验、处理(例如去除当前用户不可见的商品)
//根据具体业务自由实现
removeSomeSku(spikeSkuList, userId);
//数据封装
SpikeListResponse spikeList =new SpikeListResponse();
spikeList.setSpikes(visibleSpikes); //活动列表
spikeList.setCurrentSpike(currentSpike); //当前活动
spikeList.setCurrentSpikeSkuList(spikeSkuList); //商品列表
return spikeList;
}
秒杀活动商品列表
public SpikeSkuListResponse spikeSkuListResponse(Long spikeId, Long userId) {
//获取活动信息
RedisSpike spike = redisTemplate.opsForHash()
.get("hosjoy-spike-test:spike-info", spikeId);
//获取该活动商品列表
List<RedisSpikeSku> spikeSkuList = redisTemplate.opsForHash()
.values("hosjoy-spike-test:spike-sku:"+spikeId );
//业务校验、处理(例如去除当前用户不可见的商品)
//根据具体业务自由实现
removeSomeSku(spikeSkuList, userId);
//数据封装
SpikeSkuListResponse response =new SpikeSkuListResponse();
response.spikeInfo(spike); //活动信息
response.setSpikeSkuList(spikeSkuList); //商品列表
return spikeList;
}
秒杀商品详情页
直接从redis中获取商品、活动信息：
public SpikeSkuResponse spikeSkuDetail(Long spikeId, Long skuId) {
//获取商品信息
RedisSpikeSku sku = redisTemplate.opsForHash().get("hosjoy-spike-test:spike- sku:"+spikeId, skuId);
//获取活动信息
RedisSpike spike = redisTemplate.opsForHash()
.get("hosjoy-spike-test:spike-info", spikeId);
//其它业务处理
.............................
.............................
//数据封装
SpikeSkuResponse response =new SpikeSkuResponse();
response.set...........
response.set...........
return response;
}
确认订单
确认订单前先校验用户是否已经有秒杀订单或提交过秒杀请求。如果已经提交过直接响应确认订单失败，这样又可以拦截大量的提交订单请求。
防止重复提交
获取用户提交订单次数，如果次数大于1说明已经提交过秒杀请求。
spike-user-queue-count这个缓存在下文会讲到。
//判断是否已排队
//防止脚本刷单、重复提交等，
Long currentUserQueue = redisTemplate.opsForHash().get("hosjoy-spike-test:spike-user-queue-count:"+ spikeId+spikeSkuId, userId);
if(currentUserQueue > 1){
throw new ClientException("您已提交了订单，请误重复提交");
}
提交订单
黑名单校验
用户如果多次提交订单失败，有可能是恶意刷单，也可能是该用户不符合购买条件导致提交订单失败（实际业务校验不通过），可以在提交订单失败后将该用户加入黑名单，在提交订单前校验该用户是否为黑名单用户。
Long failCount= redisTemplate.opsForHash().get("hosjoy-spike-test:spike-black-user:"+ spikeId+spikeSkuId, userId);
if(failCount > SpikeConstants.MAX_FAIL_TIMES){
throw new ClientException("您不符合购买条件");
}
防止重复提交
利用redis的increment操作，记录用户请求提交次数，如果是第一次秒杀请求，increment后的值肯定为1，则允许排队；如果值大于1，说明重复提交。
这里不需要加锁判断，不用担心并发问题，多线程环境下，各个线程获取到的currentUserQueue肯定是准确的（redis单线程操作特性）。
//当前用户提交次数
Long currentUserQueue = redisTemplate.opsForHash().increment("hosjoy-spike-test:spike-user-queue-count:"+ spikeId+spikeSkuId, userId, 1);
if(currentUserQueue > 1){
throw new ClientException("您已提交了订单，请勿重复提交");
}
超卖问题
超卖问题原因分析
引起超卖的原因很可能是代码逻辑进行 取库存-----判断库存是否充足-------业务操作…..扣减库存-----库存入库
类似的操作，并发情况下，多线程同时取库存，假设2个线程，库存只有1个，两个线程取出的库存都为1，
库存校验均通过，然后进行减库存、入库等操作，然后都下单成功了，造成超卖现象，1个商品卖给了2个人。
超卖常用解决方案
事务
我们可以使用使用redis的 watch + multi 指令，去监听秒杀商品库存，如果库存数发生改变，则后续无法进行修改库存操作。
缺点：（1）由于watch采用乐观锁机制，没有对其它线程修改操作作限制，因此事务有可能频繁失败；需要用while循环去重复尝试；
（2）增加服务器压力
分布式锁
利用分布式锁，保证同一时刻只有一个线程进行读库存---修改库存操作。
缺点：同一个商品多用户同时下单的时候，会基于分布式锁串行化处理，导致没法同时处理同一个商品的大量下单的请求，并发处理能力较弱。
redis 队列
将库存缓存到redis队列，队列里面放sku_id，例如库存为5个，就放5个id。
通过rightPop操作取出商品，预扣减库存，如果pop出来的元素为空，说明售罄 。
这里利用了redis单线程操作特性，队列取id即扣减库存，相当于原子操作，高并发场景下不需要开事务，也不用加锁同步，性能、数据一致性均好于以上两种方案。
乐观锁
利用CAS原理，在操作数据库更新库存的时候，更新条件带上之前查询到的库存数量，如果更新结果数为0,说明过程中其它线程修改了库存。
select inventory from sku;
update sku set inventory =#{inventory} where id=? and inventory= ?
代码实现
我们采用redis队列+乐观锁的方式控制超卖问题，后者需在生成订单数据入库的逻辑实现，redis队列实现的代码样例如下：
//预扣减库存
String skuId = redisTemplate..opsForList().rightPop("hosjoy-spike-test:spike-sku-inventory:" + spikeId + spikeSkuId);
//pop出来空，说明已售罄
//此处不需要加锁判断，不会产生并发问题
if(skuId == null){
//删除排队信息
redisTemplate.opsForHash().delete("hosjoy-spike-test:spike-user-queue-count:"+ spikeId+spikeSkuId, userId);
throw new ClientException("商品已售空");
}
少卖问题
少卖问题原因分析
少卖可能出现的原因有
（1）redis预扣减库存成功，但是执行真正的下单逻辑失败了，且库存没有回滚；
（2）用户订单提交成功了，但是超时没有支付，且超时后活动已结束或者超时后没有回滚库存；
（3）用户排队成功了，但是排队下单请求消息发送到MQ失败了，或者MQ消息丢了，或者消费者弄丢了数据。
解决方案
（1）异步下单失败后，要即时回滚redis中的sku库存；
（2）缩短支付时间，或者修改秒杀流程：先支付再确认订单；超时未支付后即时回滚redis中的sku库存；
（3）解决MQ消息丢失问题（下文会提到）。
排队下单
经过上述黑名单校验、重复提交校验、库存校验后，只有少量的请求最终会加入到下单队列中了。
此时系统只是预扣减库存，用户只是抢到了一个机会，加入到排队下单队列，是否能够真正购买成功取决于最终的订单创建逻辑的执行结果。
（1）将下单状态存入到redis中，设置状态为排队中，不生成订单，直接返回给用户排队中。
（2）同时更新商品信息，预扣减库存数量;
（3）同将排队信息发送到RabbitMq, 排队信息包括userId、skuId，spikeId等；立即响应客户端：下单排队中请稍候.....
//下单状态存入到Redis中 状态为排队中
OrderQueueState orderQueueState = new OrderQueueState(......下单状态封装........);
redisTemplate.opsForHash().put("hosjoy-spike-test:spike-order-user-queue-state:"+ spikeId+spikeSkuId, userId, orderQueueState);
//更新秒杀商品库存数量
redisTemplate.opsForHash()
.increment("hosjoy-spike-test:spike-sku:"+spikeId, skuId, -1 );
//发送排队信息到RabbitMq
sendRabbit(queueState);
订单创建
监听RabbitMq下单队列消息，异步生成订单；
同时更新redis中的下单状态缓存，设置订单id, 前端可通过轮询方式获取到生成的订单id
@Transactional
@StreamListener("USER-SPIKE-ORDER-QUEUE")
public void userSpikeOrderQueueInput(Message message) {
//调用订单创建逻辑，入库，生成订单id
Long orderId = appOrderService.submit();
//订单创建成功，更新下单状态为订单提交成功
if(orderId != null){
OrderQueueState orderQueueState = new OrderQueueState();
orderQueueState.setState("订单创建成功")
orderQueueState.setOrderId(orderId);
redisTemplate.opsForHash().put("hosjoy-spike-test:spike-order-user-queue-state:"+ spikeId+spikeSkuId, userId, orderQueueState);
//发送延迟消息，超时未支付自动关闭订单
sendMQDelayMessage();
}
//可能因为各种业务校验不通过而导致提交订单失败
else{
//回滚库存队列，否则会出现少卖问题
redisTemplate.opsForList.leftPush("hosjoy-spike-test:spike-sku-inventory:" + spikeId + spikeSkuId, spikeSkuId);
//商品库存数量+1
redisTemplate.opsForHash()
.increment("hosjoy-spike-test:spike-sku:"+spikeId, spikeSkuId, 1 );
//下单状态更新为订单提交失败
OrderQueueState orderQueueState = new OrderQueueState();
orderQueueState.setState("订单创建失败")
redisTemplate.opsForHash().put("hosjoy-spike-test:spike-order-user-queue-state:"+ spikeId+spikeSkuId, userId, orderQueueState);
//删除排队信息
redisTemplate.opsForHash().delete("hosjoy-spike-test:spike-user-queue-count:"+ spikeId+spikeSkuId, userId);
//用户多次提交订单失败，有可能是恶意刷单，也可能是该用户不符合购买条件导致提交订单失败（实际业务校验 不通过）。
//可以将该用户加入黑名单。
redisTemplate.opsForHash().increment("hosjoy-spike-test:spike-black-user:"+ spikeId+spikeSkuId, userId, 1)
}
}
超时未支付关闭订单
订单生成后我们通过sendMQDelayMessage发送了延迟消息，有些人下完单可能并不会付款，超过这个时间后消费者接收到MQ延迟消息，这时需做如下处理：
（1）回滚redis库存、数据库库存，否则会出现少卖问题；
（2）删除排队信息；
（3）删除下单状态缓存
@Transactional
@StreamListener(OrderSink.UNPAID_AUTO_CLOSE_INPUT)
public void unpaidAutoCloseInput(Long orderId) {
log.info("[RABBITMQ][ORDER] 收到订单订单自动关闭消息, 订单id为: {}", orderId);
this.closeOrder();
//看看是否确实没有支付
OrderQueueState orderQueueState = redisTemplate.opsForHash().get("hosjoy-spike-test:spike-order-user-queue-state:"+spikeId+spikeSkuId, userId);
//仍然有下单排队状态缓存，说明没有完成支付
if(orderQueueState!=null){
//回滚库存
redisTemplate.opsForList.leftPush("hosjoy-spike-test:spike-sku-inventory:" + spikeId + spikeSkuId, spikeSkuId);
//删除排队信息
redisTemplate.opsForHas h().delete("hosjoy-spike-test:spike-user-queue-count:"+ spikeId+spikeSkuId, userId);
//删除下单排队状态
redisTemplate.opsForHash().delete("hosjoy-spike-test:spike-order-user-queue- state:"+ spikeId+spikeSkuId, userId);
}
}
支付完成回调
支付完成后,需要删除用户排队数据、删除排队状态数据。
//删除排队信息
redisTemplate.opsForHash().delete("hosjoy-spike-test:spike-user-queue-count:"+ spikeId+spikeSkuId);
//删除下单排队状态缓存
//如果不删除，在收到超时未支付消息时，会认为该订单未支付
redisTemplate.opsForHash().delete("hosjoy-spike-test:spike-order-user-queue-state:"+ spikeId+spikeSkuId, userId);
秒杀状态查询
订单是异步生成的，所以需要后端提供秒杀状态查询接口。
前端可轮询获取秒杀状态。
@GetMapping(value = "/status")
public Integer queryStatus(){
OrderQueueState orderQueueState=
redisTemplate.opsForHash().get("hosjoy-spike-test:spike-order-user-queue-state:"+ spikeId+spikeSkuId, userId);
if(orderQueueState!=null){
orderQueueState.getState();
}
//查询不到下单状态缓存
//可能原因：1.未下单 2：创建订单业务逻辑出错 3: 超时未支付 4：已支付
throw new ClientException("ERROR");
}
补充问题
重复下单问题
MQ在整个秒杀流程中扮演了很重要的角色，因为下单数据全部暂存在MQ中，一旦消费者重复消费，就有可能出现一个用户秒杀到两个商品的重复下单情况。
所以代码有必要进行重复消息判断。
解决方案：
利用redis：发送消息时指定消息的全局唯一id；收到消息后查询redis是否有该id，有则说明是重复消息。然后立即将id存入redis中。
业务校验：生成订单时校验用户是否已经秒杀过该商品。
下单消息丢失
如果下单消息丢失了，用户秒的这个商品就可能永远卖不出去了，造成少卖问题。
以rabbit为例：
生产者丢失消息
（1）使用事务；
（2）使用confirm模式；
（3）异步监听确认模式
MQ丢失消息
开启消息持久化
消费者丢失消息
消费者消费完成后回执确认，如果一段时间后MQ没有收到消费者的回执确认，MQ就认为消息没有被成功消费，会将消息重新发送给其他消费者。
库存一致性问题
redis中记录的库存主要用于即时判断库存是否充足，作用是过滤大部分秒杀请求，只接收库存数量的请求放入请求队列。并不需要与mysql中的库存保持强一致性。
所以本方案不需要保持两者数据的一致性。
redis挂了怎么办
如果redis都扛不住了，说明并发量很高了.........
这个其实是个高可用的问题，首先要做好数据持久化工作，防止数据丢失；
其次可以采用市面上比较成熟的分布式高可用redis解决方案，如codis。
如何处理恶意下单请求
如何防止脚本刷单和脚本攻击？
1.首先保证刷单者最多也只能刷到一件商品：真正的下单逻辑校验一个用户只能购买一件商品，可以把用户id和商品id作为联合主键索引存储到数据库中，重复购买会自动报错，；
2.重复提交校验（前面讲过了）；
3.验证码机制；
4.IP限流：限制同一IP访问速率
数据链路层：交换机设备本身便具有限制同一IP访问速率的功能（这其实属于网管应该干的事情）
网关层限流：nginx配置limit_conn_zone限制同一ip的访问速率：
limit_conn_zone $binary_remote_address zone=addr:10m;
web服务器限流：MQ、限流算法（如RateLimiter）等，代码实现。
5.url加密防暴露：利用可变url，根据skuId生成md5加密参数，下单时校验md5码是否正确。
我们要做到：（1）秒杀开始前，谁都不知道秒杀接口url到底是什么；
（2）秒杀接口url是可变的，每次请求的url都不一样。
实现思路：
首先获取秒杀下单url可变参数，根据skuId进行md5加密。校验是否已经到秒杀时间，防止秒杀还没开始就要有人通过脚本刷单。
//用于加密和解密的密钥
private final String cipher="hosjoy-spike-md5-cipher&73@(**$d--=,./;~·2··%##4";
//返回url可变部分
public String getPathVirableMd5(long skuId) {
if(LocalDateTime.now().before(spikeStartTime) ){
throw new ClientException("还没到秒杀时间")
}
String base=skuId+"/"+cipher;
return DigestUtils.md5DigestAsHex(base.getBytes());
}
（2）下单请求
@RequestMapping(value = "/submit/{skuId}/{md5}")
public void submit(@PathVariable("skuId") Long skuId, @PathVariable("md5") String md5){
return spikeService.submitSpikeOrder(skuId, md5);
}
public void submitSpikeOrder(long skuId, String md5){
if(md5==null||!md5.equals(getPathVirableMd5(skuId))){
//md5校验错误
throw new RuntimeException("非法请求");
}
//校验通过，执行下单
this. doSubmitSpikeOrder(skuId);
}
}
结语
一个秒杀系统，可以设计的很复杂,因为具体业务的并发量本身就特别高，不得不逐点优化；也可以设计的很简单，因为业务可能本身不复杂，用户量也没达到那种量级。具体需要优化到什么程度，还是需要以我们的实际业务为依据。
本文主要从缓存、削峰处理等维度介绍优化效果和性价比较高的一种方案, 实际上可优化的点太多了，如果你的业务流量达到千万上亿级别，仅用上述方案是远远不够的，但是如果你们现有的系统采用传统订单架构来应对秒杀业务，相信这篇文章能够给你一定启发和帮助。
参考文章：
https://www.jianshu.com/p/cad0ecd7562b?utm_campaign=hugo
https://segmentfault.com/a/1190000020970562?utm_source=sf-related
https://www.infoq.cn/article/flash-deal-architecture-optimization/
https://www.matools.com/blog/190347003
https://blog.csdn.net/l1028386804/article/details/105393751/
https://blog.csdn.net/canot/article/details/53966987
https://blog.csdn.net/Steven_L_/article/details/106791935