GitHub - chanjarster/artemis-disruptor-miaosha: 没有redis也能够支撑
artemis-disruptor-miaosha
没有redis也能够支撑 "小米在印度把亚马逊搞挂了"事件的秒杀解决方案。
小米在印度打破了多项记录：
- 4分钟内卖出了超过250,000台。 ---OPS:1042次抢购/S
- 成为最快的手机抢购活动。
- 抢购前我们收到了100万“到货提醒”。
- 亚马逊每分钟收到超过500万个点击。
- 亚马逊在这个期间每秒收到1500个订单（这是印度电商公司所有销售中最高的）。 ---OPS：1500次下单请求/S
性能表现
先说一下性能表现吧，因为大家对这个比较感兴趣。
硬件环境(Tomcat、Artemis、Jmeter、Oracle，backend都在这台电脑上)：
- MacBook Pro (Retina, 15-inch, Mid 2014)
- 2.2 GHz Intel Core i7
- 16 GB 1600 MHz DDR3
- 512G SSD
软件环境：
- java version "1.8.0_131"
- Artemis 1.5.4
- Oracle XE 11g (Docker)
- Tomcat 8.5.14 (1个)
相关配置见 如何准备环境
测试Jmeter脚本见 如何Benchmark：
- 300线程，循环1000次，共30w请求
一共Benchmark了两次，因为JIT的关系，第二次的性能表现更好。
第一次结果
- QPS：300000 in 00:01:57 = 2569.8/s Avg: 108 Min: 0 Max: 41102 Err: 164 (0.05%)
- TPS：299836订单 ／ 121秒 = 2477条/s
PS. 数据库表现从后端程序的日志中分析的。
第二次结果
不重启Tomcat和Artemis，把数据库的数据恢复后，重启了后端程序
- QPS：300000 in 00:00:35 = 8527.8/s Avg: 20 Min: 0 Max: 4515 Err: 2 (0.00%)
- TPS：246873订单 / 46 秒 = 5366条 / s
数据库记录数偏少是因为Artemis队列满了，把消息丢掉了。
架构说明
从部署拓扑上看，架构分为4个部分：
- webapp，可集群部署，运行在Tomcat中
- ActiveMQ Artemis，负责webapp和backend之间的通信
- backend，只能单个部署，独立运行，内部使用 Disruptor
- Oracle数据库
ActiveMQ Artemis
ActiveMQ Artemis是JBoss把HornetQ捐赠到Apache基金会后改名的项目，目前是ActiveMQ下的子项目。
HornetQ是当年大名鼎鼎的高性能消息中间件，因此 ActiveMQ Artemis也具备相当的性能表现。
本项目利用它做webapp和backend之间的消息通信。
Disruptor
Disruptor是LMAX公司开源的高性能内存队列。 Disruptor能够让开发人员只需写单线程代码，就能够获得非常强悍的性能表现，同时避免了写并发编程的难度和坑。 其本质思想在于多线程未必比单线程跑的快。
backend利用它把从 ActiveMQ Artemis获得请求串行化，判断商品库存是否充足，更新剩余库存，最后异步写入数据库。
使用内存、避免IO
本项目对于库存是否充足的判断既不在数据库层面，也没有利用redis，更不涉及任何IO。
backend程序在启动时将数据库中的库存数据加载到内存中，库存充足判断、更新剩余库存的动作都是在内存中进行的，配合 Disruptor绕过了并发编程的内存可见性、同步、锁等问题，性能非常强。
也许有人会说，在实际项目中把商品信息都放到内存中不现实，怕会发生OOM，其实这个要看具体情况。
在本项目中商品在内存中相关类是 Item.java，在利用 jol-cli( 点此下载)查看其memory-layout后发现，其大小为24byte：
me.chanjar.jms.server.memdb.Item object internals:
OFFSET SIZE TYPE DESCRIPTION VALUE
0 12 (object header) N/A
12 4 int Item.amount N/A
16 4 Long Item.id N/A
20 4 (loss due to the next object alignment)
Instance size: 24 bytes
Space losses: 0 bytes internal + 4 bytes external = 4 bytes total
而 Long占用的内存也为24b：
java.lang.Long object internals:
OFFSET SIZE TYPE DESCRIPTION VALUE
0 12 (object header) N/A
12 4 (alignment/padding gap) N/A
16 8 long Long.value N/A
Instance size: 24 bytes
Space losses: 4 bytes internal + 0 bytes external = 4 bytes total
假设你有100W商品需要秒杀，那么其占用内存 = 1,000,000 * (24b + 4b + 24b) = 52,000,000b = 49m。仅仅只占49m。
优化项
架构上的优化点
- 下单请求异步处理，请求返回的本次请求的ID，客户端拿这个ID到另行发起请求查询结果
- 在秒杀期间，商品库存信息在内存中，库存判断及库存扣减都在内存中进行，之后异步到数据库
- 利用Disruptor将并发请求串行化，同时避免了多线程编程复杂度
- 抛弃数据库事务，采用最终一致性
和JMS相关的优化点
- 重用JMS Connection、Session、MessageProducer、MessageConsumer，而不是每次都创建这些对象(Spring的JmsTemplate就是这么干的)
- 将JMS Session设定为transacted=false, AUTO_ACKNOWLEDGE
- 发送JMS消息时DeliveryMode=NON_PERSISTENT
- 关闭Artemis的重发、消息持久机制
和JDBC相关的优化点
- 使用JDBC Batch Update，减少和数据库网络IO的次数
- 优化更新商品库存的DB操作，在高并发情况下，将针对同一个商品的更新库存操作合并成一条update，而不是多个update（借助于Disruptor）
和Tomcat相关的优化点
- 调大maxThreads参数
流程说明
本项目只提供了两个接口：
- 下单接口。用于下单。
- 查询下单结果的接口。用于查询下单是否成功。
聪明的读者肯定已经想到了，整个秒杀过程是异步的。
下单流程
查询下单结果的流程
How-tos
- 如何准备环境
- 如何构建
- 如何启动
- 如何Benchmark
- 关于崩溃恢复方案