Java场景题:支持高并发的秒杀系统设计

  • 【前端设计】

    • 静态资源(如商品详情页)通过CDN或浏览器缓存分发
    • 前端添加限流策略(如用户点击后置灰按钮),减少无效请求
    • 延缓用户请求(如数学题、滑块验证),过滤机器人
    • 请求随机延迟:前端随机增加 50-200ms 延迟提交,避免请求同时到达后端

    【后端设计】

    • 网关层
      • 限流(令牌桶/漏桶算法/IP限流):拦截大部分请求,直接返回秒杀失败
      • 熔断:当某个依赖服务(如数据库、第三方接口)的故障率超过阈值时,系统会自动暂时切断对该服务的调用,避免因持续请求导致资源耗尽或雪崩效应。熔断后,系统会快速失败(Fallback)或返回兜底结果
      • 降级:主动牺牲非核心功能或服务质量,优先保障核心业务流程的可用性。通过预定义的兜底策略(如返回缓存数据、简化逻辑)减轻系统压力。
      • 请求鉴权、登录验证
    • 服务层
      • 请求数据校验
        • 如使用布隆过滤器快速拦截不合理的请求,防止缓存穿透
        • 拦截不合法的秒杀请求,例如部分商品还没到秒杀时间,不让购买
      • 对热点数据进行Redis缓存预热(如库存),提升读性能
        • 热点数据识别
          • 报名打标(卖家主动报名参与秒杀活动,系统对报名商品打上特定标签)
          • 历史数据分析(如Top N商品)
      • 使用Redis+Lua脚本实现原子化库存预扣
      • 将耗时的操作(如订单创建、库存扣减)放到消息队列,异步执行,实现流量消峰,避免瞬时压力击垮数据库
      • 数据库读写分离、分库分表、冷热分离
      • 要应对高并发,后端使用微服务架构,核心逻辑拆分为独立服务(如库存服务、订单服务),采用无状态设计便于水平扩展
      • 秒杀逻辑专门封装到第一个服务,多部署一些机器,也可以专门使用一些Redis集群和数据库
      • 通过K8s实现自动扩容、缩容,应对突发流量
    • 注意事项
      • 避免跨服务RPC
      • 代码要优化好,减少锁竞争
      • SQL性能要优化好
      • 分布式事务问题,保证数据最终一致
      • 消息队列消费幂等性
      • 服务和中间件都要集群,避免单点故障(异地多活)
      • 根据预估流量,提前做好压力测试,预览多余算力
#牛客创作赏金赛##软件开发投递记录##java#
全部评论
mark 场景题:支持高并发的秒杀系统设计
1 回复 分享
发布于 2025-05-26 22:46 广东

相关推荐

最终还是婉拒了小红书的offer,厚着脸皮回了字节。其实这次字节不管是组内的氛围、HR的沟通体验,都比之前好太多,开的薪资也还算过得去,这些都是让我下定决心的原因之一。但最核心的,还是抵不住对Agent的兴趣,选择了Ai Coding这么一个方向。因为很多大佬讲过,在未来比较火的还是属于那些更加垂类的Agent,而Ai Coding恰好是Coding Agent这么一个领域,本质上还是程序员群体和泛程序员群体这个圈子的。目前也已经在提前实习,也是全栈这么一个岗位。就像最近阿里P10针对前端后端等等不再那么区分,确实在Agent方向不太区分这个。尤其是我们自己做AI Coding的内容,基本上90%左右的内容都是AI生成的,AI代码仓库贡献率也是我们的指标之一。有人说他不好用,那肯定是用的姿态不太对。基本上用对Skill、Rules 加上比较好的大模型基本都能Cover你的大部分需求,更别说Claude、Cursor这种目前看来Top水准的Coding工具了(叠甲:起码在我看来是这样)。所以不太区分的主要原因,还是针对一些例如Claude Code、Cursor、Trae、Codex、CC等一大堆,他们有很多新的概念和架构提出,我们往往需要快速验证(MVP版本)来看效果。而全栈就是这么快速验证的一个手段,加上Ai Coding的辅助,目前看起来问题不大(仅仅针对Agent而言)。而且Coding的产品形态往往是一个Plugin、Cli之类的,本质还是属于大前端领域。不过针对业务后端来看,区分还是有必要的。大家很多人也说Agent不就是Prompt提示词工程么?是的没错,本质上还是提示词。不过现在也衍生出一个新的Context Eneering,抽象成一种架构思想(类比框架、或者你们业务架构,参考商品有商品发布架构来提效)。本质还是提示词,但是就是能否最大化利用整个上下文窗口来提升效果,这个还是有很多探索空间和玩法的,例如Cursor的思想:上下文万物皆文件, CoWork之类的。后续也有一些Ralph Loop啥的,还有Coding里面的Coding Act姿态。这种才是比较核心的点,而不是你让AI生成的那提示词,然后调用了一下大模型那么简单;也不是dify、LangGraph搭建了一套workflow,从一个node走到另外一个node那么简单。Agent和WorkFLow还是两回事,大部分人也没能很好的区分这一点。不过很多人说AI泡沫啥啥啥的,我们ld也常把这句话挂在嘴边:“说AI泡沫还是太大了”诸如此类。我觉得在AI的时代,懂一点还是会好一点,所以润去字节了。目前的实习生活呢,除了修一些Tools的问题,还包括对比Claude、Cursor、Trae在某些源码实现思想上的点,看看能不能迁移过来,感觉还是比较有意思。不过目前组内还是主要Follow比较多,希望下一个阶段就做一些更有创新的事情哈哈。这就是一个牛马大学生的最终牧场,希望能好好的吧。说不定下次发的时候,正式AI泡沫结束,然后我又回归传统后端这么一个结局了。欢迎交流👏,有不对的🙅不要骂博主(浅薄的认知),可以私聊交流
码农索隆:和优秀的人,做有挑战的事
点赞 评论 收藏
分享
评论
10
26
分享

创作者周榜

更多
牛客网
牛客网在线编程
牛客网题解
牛客企业服务