今天給大家聊一個有意思的話題：每秒上千訂單場景下，如何對分布式鎖的并發能力進行優化？

背景引入

首先，我們一起來看看這個問題的背景？

前段時間有個朋友在外面面試，然后有一天找我聊說：有一個國內不錯的電商公司，面試官給他出了一個場景題：

假如下單時，用分布式鎖來防止庫存超賣，但是是每秒上千訂單的高并發場景，如何對分布式鎖進行高并發優化來應對這個場景？

他說他當時沒答上來，因為沒做過沒什么思路。其實我當時聽到這個面試題心里也覺得有點意思，因為如果是我來面試候選人的話，應該會給的范圍更大一些。

比如讓面試的同學聊一聊電商高并發秒殺場景下的庫存超賣解決方案，各種方案的優缺點以及實踐，進而聊到分布式鎖這個話題。

因為庫存超賣問題是有很多種技術解決方案的，比如悲觀鎖，分布式鎖，樂觀鎖，隊列串行化，Redis原子操作，等等吧。

但是既然那個面試官兄弟限定死了用分布式鎖來解決庫存超賣，我估計就是想問一個點：在高并發場景下如何優化分布式鎖的并發性能

我覺得，面試官提問的角度還是可以接受的，因為在實際落地生產的時候，分布式鎖這個東西保證了數據的準確性，但是他天然并發能力有點弱。

剛好我之前在自己項目的其他場景下，確實是做過高并發場景下的分布式鎖優化方案，因此正好是借著這個朋友的面試題，把分布式鎖的高并發優化思路，給大家來聊一聊。

庫存超賣現象是怎么產生的？

先來看看如果不用分布式鎖，所謂的電商庫存超賣是啥意思？大家看看下面的圖：

這個圖，其實很清晰了，假設訂單系統部署兩臺機器上，不同的用戶都要同時買10臺iphone，分別發了一個請求給訂單系統。接著每個訂單系統實例都去數據庫里查了一下，當前iphone庫存是12臺。

倆大兄弟一看，樂了，12臺庫存大于了要買的10臺數量啊！于是乎，每個訂單系統實例都發送SQL到數據庫里下單，然后扣減了10個庫存，其中一個將庫存從12臺扣減為2臺，另外一個將庫存從2臺扣減為-8臺。

現在完了，庫存出現了負數！淚奔啊，沒有20臺iphone發給兩個用戶啊！這可如何是好。

用分布式鎖如何解決庫存超賣問題？

我們用分布式鎖如何解決庫存超賣問題呢？其實很簡單，回憶一下上次我們說的那個分布式鎖的實現原理：

同一個鎖key，同一時間只能有一個客戶端拿到鎖，其他客戶端會陷入無限的等待來嘗試獲取那個鎖，只有獲取到鎖的客戶端才能執行下面的業務邏輯。

代碼大概就是上面那個樣子，現在我們來分析一下，為啥這樣做可以避免庫存超賣？

大家可以順著上面的那個步驟序號看一遍，馬上就明白了。從上圖可以看到，只有一個訂單系統實例可以成功加分布式鎖，然后只有他一個實例可以查庫存、判斷庫存是否充足、下單扣減庫存，接著釋放鎖。

釋放鎖之后，另外一個訂單系統實例才能加鎖，接著查庫存，一下發現庫存只有2臺了，庫存不足，無法購買，下單失敗。不會將庫存扣減為-8的。

有沒有其他方案可以解決庫存超賣問題？

當然有啊！比如悲觀鎖，分布式鎖，樂觀鎖，隊列串行化，異步隊列分散，Redis原子操作，等等，很多方案，我們對庫存超賣有自己的一整套優化機制。

但是前面說過了，這篇文章就聊一個分布式鎖的并發優化，不是聊庫存超賣的解決方案，庫存超賣只是一個業務場景而已。

分布式鎖的方案在高并發場景下

好，現在我們來看看，分布式鎖的方案在高并發場景下有什么問題？

問題很大啊！兄弟，不知道你看出來了沒有。分布式鎖一旦加了之后，對同一個商品的下單請求，會導致所有客戶端都必須對同一個商品的庫存鎖key進行加鎖

比如，對iphone這個商品的下單，都必對“iphone_stock”這個鎖key來加鎖。這樣會導致對同一個商品的下單請求，就必須串行化，一個接一個的處理。大家再回去對照上面的圖反復看一下，應該能想明白這個問題。

假設加鎖之后，釋放鎖之前，查庫存 -> 創建訂單 -> 扣減庫存，這個過程性能很高吧，算他全過程20毫秒，這應該不錯了。

那么1秒是1000毫秒，只能容納50個對這個商品的請求依次串行完成處理。比如一秒鐘來50個請求，都是對iphone下單的，那么每個請求處理20毫秒，一個一個來，最后1000毫秒正好處理完50個請求。

大家看一眼下面的圖，加深一下感覺。

所以看到這里，大家起碼也明白了，簡單的使用分布式鎖來處理庫存超賣問題，存在什么缺陷。

缺陷就是同一個商品多用戶同時下單的時候，會基于分布式鎖串行化處理，導致沒法同時處理同一個商品的大量下單的請求。

這種方案，要是應對那種低并發、無秒殺場景的普通小電商系統，可能還可以接受。因為如果并發量很低，每秒就不到10個請求，沒有瞬時高并發秒殺單個商品的場景的話，其實也很少會對同一個商品在一秒內瞬間下1000個訂單，因為小電商系統沒那場景。

如何對分布式鎖進行高并發優化？

好了，終于引入正題了，那么現在怎么辦呢？

面試官說，我現在就卡死，庫存超賣就是用分布式鎖來解決，而且一秒對一個iphone下上千訂單，怎么優化？

現在按照剛才的計算，你一秒鐘只能處理針對iphone的50個訂單。

其實說出來也很簡單，相信很多人看過java里的ConcurrentHashMap的源碼和底層原理，應該知道里面的核心思路，就是分段加鎖！

把數據分成很多個段，每個段是一個單獨的鎖，所以多個線程過來并發修改數據的時候，可以并發的修改不同段的數據。不至于說，同一時間只能有一個線程獨占修改ConcurrentHashMap中的數據。

另外，Java 8中新增了一個LongAdder類，也是針對Java 7以前的AtomicLong進行的優化，解決的是CAS類操作在高并發場景下，使用樂觀鎖思路，會導致大量線程長時間重復循環。

LongAdder中也是采用了類似的分段CAS操作，失敗則自動遷移到下一個分段進行CAS的思路。

其實分布式鎖的優化思路也是類似的，之前我們是在另外一個業務場景下落地了這個方案到生產中，不是在庫存超賣問題里用的。

但是庫存超賣這個業務場景不錯，很容易理解，所以我們就用這個場景來說一下。大家看看下面的圖：

其實這就是分段加鎖。你想，假如你現在iphone有1000個庫存，那么你完全可以給拆成20個庫存段，要是你愿意，可以在數據庫的表里建20個庫存字段，比如stock_01，stock_02，類似這樣的，也可以在redis之類的地方放20個庫存key。

總之，就是把你的1000件庫存給他拆開，每個庫存段是50件庫存，比如stock_01對應50件庫存，stock_02對應50件庫存。

接著，每秒1000個請求過來了，好！此時其實可以是自己寫一個簡單的隨機算法，每個請求都是隨機在20個分段庫存里，選擇一個進行加鎖。

bingo！這樣就好了，同時可以有最多20個下單請求一起執行，每個下單請求鎖了一個庫存分段，然后在業務邏輯里面，就對數據庫或者是Redis中的那個分段庫存進行操作即可，包括查庫存 -> 判斷庫存是否充足 -> 扣減庫存。

這相當于什么呢？相當于一個20毫秒，可以并發處理掉20個下單請求，那么1秒，也就可以依次處理掉20 * 50 = 1000個對iphone的下單請求了。

一旦對某個數據做了分段處理之后，有一個坑大家一定要注意：就是如果某個下單請求，咔嚓加鎖，然后發現這個分段庫存里的庫存不足了，此時咋辦？

這時你得自動釋放鎖，然后立馬換下一個分段庫存，再次嘗試加鎖后嘗試處理。這個過程一定要實現。

分布式鎖并發優化方案有沒有什么不足？

不足肯定是有的，最大的不足，大家發現沒有，很不方便啊！實現太復雜了。

• 首先，你得對一個數據分段存儲，一個庫存字段本來好好的，現在要分為20個分段庫存字段；
• 其次，你在每次處理庫存的時候，還得自己寫隨機算法，隨機挑選一個分段來處理；
• 最后，如果某個分段中的數據不足了，你還得自動切換到下一個分段數據去處理。

這個過程都是要手動寫代碼實現的，還是有點工作量，挺麻煩的。

不過我們確實在一些業務場景里，因為用到了分布式鎖，然后又必須要進行鎖并發的優化，又進一步用到了分段加鎖的技術方案，效果當然是很好的了，一下子并發性能可以增長幾十倍。

該優化方案的后續改進

以我們本文所說的庫存超賣場景為例，你要是這么玩，會把自己搞的很痛苦！

再次強調，我們這里的庫存超賣場景，僅僅只是作為演示場景而已，以后有機會，再單獨聊聊高并發秒殺系統架構下的庫存超賣的其他解決方案。