高并发下减库存「库存扣减方式」

今天给大家普及一下高并发下减库存「库存扣减方式」相关知识，最近很多在问高并发下减库存「库存扣减方式」，希望能帮助到您。

背景

我们在做电商的时候，经常遇到下单之后需要扣减库存的业务，那这个业务我们怎么来实现呢？

传统的做法是：

用户下单，执行下单服务；同时，扣减库存；

如果是并发较高的场景，为了保证可用和性能，那么采用二阶段事务的方式，或者消息队列的方式，都可以实现。

但是，多个线程同时执行下单服务，库存服务，这样，会出现什么问题呢？

由于扣减服务中的逻辑并不是原子操作，必然会出现数据不一致的情况，比如，当前库存数量为 1，此时多个线程同时校验库存符合预期，但结果库存为 1 满足了多个线程，显然是不符合预期的，这样，就会导致库存不足的情况。

我们对扣减库存所需要关注的技术点如下：

当前剩余的数量大于等于当前需要扣减的数量，不允许超卖；对于同一个数据的数量存在用户并发扣减，需要保证并发的一致性；需要保证可用性和性能，性能至少是秒级；一次的扣减包含多个目标数量；当次扣减有多个数量时，其中一个扣减不成功即不成功，需要回滚；必须有扣减才能有归还；返还的数量必须要加回，不能丢失；一次扣减可以有多次返还；返还需要保证幂等性；基于 MySQL 进行扣减

顾名思义，就是扣减业务完全依赖 MySQL 等数据库来完成。而不依赖一些其他的中间件或者缓存。纯数据库实现的好处就是逻辑简单，开发以及部署成本低。（适用于中小型电商）。

纯数据库的实现之所以能够满足扣减业务的各项功能要求，主要依赖两点：

基于数据库的乐观锁方式保证并发扣减的强一致性；基于数据库的事务实现批量扣减失败进行回滚。

流程图如下：

有一句话说的非常好：一次完整的流程就是先进行数据校验，在其中做一些参数格式校验，这里做接口开发的时候，要保持一个原则就是不信任原则，一切数据都不要相信，都需要做校验判断。

1

update xxx set leavedAmount=leavedAmount-currentAmount where skuid='xxx' and leavedAmount>=currentAmount;

此 SQL 采用了类似乐观锁的方式实现了原子性。在 where 后面判断剩余数量大于等于需要的数量，才能成功，否则失败。

扣减完成之后，需要记录流水数据。每一次扣减的时候，都需要外部用户传入一个 uuid 作为流水编号，此编号是全局唯一的。用户在扣减时传入唯一的编号有两个作用：

当用户归还数量时，需要带回此编码，用来标识此次返还属于历史上的哪次扣减;进行幂等性控制。当用户调用扣减接口出现超时时，因为用户不知道是否成功，用户可以采用此编号进行重试或反查，在重试时，使用此编号进行标识防重;

库存校验这一步涉及到了读请求，那么必然增加了数据库的压力，所以需要做一些优化。

读写分离；

整体的升级策略采用读写分离的方式，另外主从复制直接使用 MySQL 等数据库已有的功能，改动上非常小，只要在扣减服务里配置两个数据源。当客户查询剩余库存，扣减服务中的前置校验时，读取从数据库即可。而真正的数据扣减还是使用主数据库。

读写分离之后，根据二八原则，80% 的均为读流量，主库的压力降低了 80%。但采用了读写分离也会导致读取的数据不准确的问题，不过库存数量本身就在实时变化，短暂的差异业务上是可以容忍的，最终的实际扣减会保证数据的准确性。

增加缓存；

在上面基础上，还可以升级，增加缓存：

缓存实现扣减

这和前面的扣减库存其实是一样的。但是此时扣减服务依赖的是 Redis 而不是数据库了。

这里针对 Redis 的 hash 结构不支持多个 key 的批量操作问题，我们可以采用 Redis lua 脚本来实现批量扣减单线程请求。

但，升级成纯 Redis 实现扣减也会有问题：

Redis 挂了：如果还没有执行到扣减 Redis 里面库存的操作挂了，只需要返回给客户端失败即可。如果已经执行到 Redis 扣减库存之后挂了，那这时候就需要有一个对账程序。通过对比 Redis 与数据库中的数据是否一致，并结合扣减服务的日志。当发现数据不一致同时日志记录扣减失败时，可以将数据库比 Redis 多的库存数据在 Redis 进行加回。Redis 扣减完成，异步刷新数据库失败了。此时 Redis 里面的数据是准的，数据库的库存是多的。在结合扣减服务的日志确定是 Redis 扣减成功到但异步记录数据失败后，可以将数据库比 Redis 多的库存数据在数据库中进行扣减。

虽然使用纯 Redis 方案可以提高并发量，但是因为 Redis 不具备事务特性，极端情况下会存在 Redis 的数据无法回滚，导致出现少卖的情况。也可能发生异步写库失败，导致多扣的数据再也无法找回的情况。

数据库 缓存

在此之前，先阐述一下顺序写的性能较好。

在向磁盘进行数据操作时，向文件末尾不断追加写入的性能要远大于随机修改的性能。因为对于传统的机械硬盘来说，每一次的随机更新都需要机械键盘的磁头在硬盘的盘面上进行寻址，再去更新目标数据，这种方式十分消耗性能。而向文件末尾追加写入，每一次的写入只需要磁头一次寻址，将磁头定位到文件末尾即可，后续的顺序写入不断追加即可。

对于固态硬盘来说，虽然避免了磁头移动，但依然存在一定的寻址过程。此外，对文件内容的随机更新和数据库的表更新比较类似，都存在加锁带来的性能消耗。

数据库同样是插入要比更新的性能好。对于数据库的更新，为了保证对同一条数据并发更新的一致性，会在更新时增加锁，但加锁是十分消耗性能的。此外，对于没有索引的更新条件，要想找到需要更新的那条数据，需要遍历整张表，时间复杂度为 O(N)。而插入只在末尾进行追加，性能非常好。

上述的架构和纯缓存的架构区别在于，写入数据库不是异步写入，而是在扣减的时候同步写入。同步写入数据库使用的是 insert 操作，就是顺序写，而不是 update 做数据库数量的修改，所以，性能会更好。

insert 的数据库称为任务库，它只存储每次扣减的原始数据，而不做真实扣减（即不进行 update）。它的表结构大致如下：

1234

create table task{id bigint not null comment "任务顺序编号",task_id bigint not null}

任务表里存储的内容格式可以为 JSON、XML 等结构化的数据。以 JSON 为例，数据内容大致可以如下：

123456

{"扣减号":uuid,"skuid1":"数量","skuid2":"数量","xxxx":"xxxx"}

这里我们肯定是还有一个记录业务数据的库，这里存储的是真正的扣减名企和 SKU 的汇总数据。对于另一个库里面的数据，只需要通过这个表进行异步同步就好了。

扣减流程：

这里和纯缓存的区别在于增加了事务开启与回滚的步骤，以及同步的数据库写入流程。

任务库里存储的是纯文本的 JSON 数据，无法被直接使用。需要将其中的数据转储至实际的业务库里。业务库里会存储两类数据，一类是每次扣减的流水数据，它与任务表里的数据区别在于它是结构化，而不是 JSON 文本的大字段内容。另外一类是汇总数据，即每一个 SKU 当前总共有多少量，当前还剩余多少量（即从任务库同步时需要进行扣减的），表结构大致如下：

123456

create table 流水表{id bigint not null,uuid bigint not null comment '扣减编号',sku_id bigint not null comment '商品编号',num int not null comment '当次扣减的数量'}comment '扣减流水表'

商品的实时数据汇总表，结构如下：

123456

create table 汇总表{id bitint not null,sku_id unsigned bigint not null comment '商品编号',total_num unsigned int not null comment '总数量',leaved_num unsigned int not null comment '当前剩余的商品数量'}comment '记录表'

在整体的流程上，还是复用了上一讲纯缓存的架构流程。当新加入一个商品，或者对已有商品进行补货时，对应的新增商品数量都会通过 Binlog 同步至缓存里。在扣减时，依然以缓存中的数量为准：