闲鱼如何计算实时优惠：兼顾可扩展、高并发与数据一致性

问题与挑战

• • 如何描述、存储和计算优惠并提供较好的业务可扩展性

• • 如何保障大流量下优惠实时计算的性能

• • 为优惠查询加速做的数据同步如何实现一致性

本文的方案经过线上系统验证，对于优惠系统设计的场景和数据同步的场景可做相应的参考。

背景

在我们日常生活中，常常会遇到下面这样的场景：

在闲鱼上，针对闲鱼交易中的粉丝购买和粉丝回购的优惠促销场景，提供了一种定向一口价的优惠能力：

1. 卖家可以按商品分别面向全部粉丝、老粉、已购粉设置不同的优惠价格。

2. 买家在导购、下单等场景可以实时看到自己能够享受的最低优惠价格。

技术实现

我们通过三个步骤来实现

• • 分解优惠的基本要素，实现优惠的基本表达和计算

• • 为了保障大流量下的优惠查询下性能和业务的可扩展性，对优惠对象的判定过程进行抽象和加速

• • 在优惠对象制备的过程中，通过离线+实时的方式同步数据，保障数据一致性

优惠的描述、存储与计算

一个优惠主要描述了“谁对哪个商品享受什么优惠”，拆解为三个要素就是：【优惠对象】+【优惠商品】+【优惠价格】。

在这个规则中，主要是要解决如何描述优惠对象：在粉丝优惠的场景下，优惠对象是指卖家的粉丝、卖家的已购粉丝等，在存储一条优惠时，一个卖家的粉丝可以被描述为“卖家ID_all_fans”的符号（同理，已购粉丝是“卖家ID_buy_fans”）。这样我们可以得到一个优惠规则的描述大致如下：

【卖家A_all_fans】+【商品1234】+【18.88元】，对应的业务语义是：卖家A的所有粉丝，对于（卖家A的）商品1234，可以以18.88元的优惠价格成交。 

以这条优惠为例，当买家B访问商品1234时，我们会执行这样的一个过程

• • 查询商品1234上的优惠规则，发现一条【卖家A_all_fans】+【商品1234】+【18.88元】的规则

• • 分析【卖家A_all_fans】表达的含义，表示的是卖家A的全部粉丝可以享受优惠

• • 确定买家B是否是卖家A的粉丝，如果是，则以18.88元的价格展示优惠或者成交

这样，我们就实现了优惠设置和计算的能力，这个时候，我们只需要这样一个架构就可以实现：

优惠对象判定的抽象和加速-人群

但这样的架构存在两个问题：

1. 1. 优惠计算过程需要解析【优惠对象】这个符号背后所包含的业务语义，再由系统进行判断买家是否符合条件，随着业务规则的升级，系统的会变的非常复杂，可扩展性差。

2. 2. 每一次优惠查询，都需要访问用户的关注关系、购买关系，这整个查询过程非常长，性能低下，当面对大流量时，系统会陷入瘫痪。

为了解决这两个问题，我们希望优惠计算过程不再需要理解【优惠对象】的语义，判定过程中也不要再去查询各个业务系统。 

我们发现，优惠对象的判定过程，都是在回答“用户是否属于某个群体”，我们可以将这个关系进行抽象，提前制备并存储起来。在我们常见的技术手段中，表达一个用户是否属于某个群体有两种实现：

1. 1. 在用户对象上打上一个标记。

2. 2. 创建一个“人群”对象，将用户关联到人群。

一般情况下，第一种方式使用于群体较少可枚举的情况，第二种方案适用于群体较多的情况。在我们的实现中，使用了第二种方案。 

我们将用于描述优惠对象的符号（例如“卖家A_all_fans”）作为人群的名称去定义一个人群，按照这个规则，我们为每个卖家的不同分组各定义这样一个人群（这里人群作为一个符号，这里不需要实际被“创建”）。 

人群和用户的关系存储可以通过redis实现，我们设计一个类似：${user_A}_${crowd_B}的key写入redis。在查询时，查询${user_A}_${crowd_B}这个key是否存在，就可以判定user_A是否属于crowd_B。（当然这是一种比较简易的实现，实际设计中需要根据数据特性进行优化）。就这样，我们定义了人群的概念，并提供了一种实现人群的技术方案，这个架构中，人群在同时充当了“协议”和“缓存”的作用。

这时我们的得到的整体架构是这样的（顺带缓存了一下优惠数据）：

事实上，在我们基于中台的解决方案中，从一开始面临的就是这样的架构（实际中台的架构比这个会更复杂一些）。这里我们尝试从头演进了这个系统，也得到这样的一个方案。 

在实际落地的过程中，我们核心要解决的问题，是如何将业务系统中的关注和购买关系同步到人群中，并保证数据的一致性。

人群同步的数据一致性

人群的同步整体上分为两个主要部分：

1. 将离线业务数据通过T+1的方式，同步到人群服务中。

2. 通过实时同步的方式，将当天实时产生的关注、取消关注等行为产生的变动，同步的更新到人群服务中。

这种结合的方式具有以下优点：

1. 实时消费消息进行同步，保障了数据的实时性。

2. 离线T+1的全量同步，保证实时同步过程中产生的数据不一致会被及时的纠正，保障了数据的最终一致。

3. 离线同步解决了数据初始化过程中的全量同步问题。

但上述的两个过程中，会出现两类问题： 

1. 离线数据因为其数据存储的特征，只会记录存在的关注关系，如果是被删除的关注关系（取消关注），则不会出现在离线数据中。因此实时同步中，因未同步取消关注事件产生了不一致，数据无法被全量同步纠正。

2. 离线同步和实时同步在实际实施过程中，会产生一种常见的数据冲突：用户A今天原本关注了用户B，某天较早的时候取消关注了，如果这个时候的离线数据还没同步完成，全量同步会再次将A对B的关注关系写入到人群中，出现了与实际数据的不一致。

针对上述的两个问题，分别给出了以下两个解决方案： 

1.针对取关数据误差无法通过全量同步纠正的问题，同步过程中，写入人群的时候会添加一个过期时间，这个过期时间略长于离线全量同步的间隔，这样的好处是一旦在实时同步过程中，出现了取关但未同步到人群的情况，这条记录会自动过期，从而避免了不一致的数据在系统中积累。

2.针对同步过程中发生数据冲突的问题，通过在实时同步的过程中，取关的事件在redis写入一条临时记录，表示该数据近期发生过取关；在全量同步过程中，去比对redis中是否有取关记录，避免发生冲突。 

通过上述两个解决方案，我们实现了人群同步的最终一致性，最终实现的方式如图：

这样的同步方案，对于搜索、推荐等大流量的导购场景，提供了充分的数据一致性保障（绝大多数情况下，数据实时一致，对于小概率出现数据实时同步不一致，通过全量同步保障数据最终一致，满足导购场景的一致性要求）。此外，针对交易这样的要求强一致性但访问规模较小的场景，我们通过下单前对人群同步的数据进行核对，保障数据的实时完全一致。

结语

本文从三个部分介绍了优惠的实现： 

• 通过对优惠要素的拆解和人群的定义，我们在描述、存储和计算优惠的同时，提供较好的业务可扩展性。 

• 通过提前制备人群数据，我们保障了大流量下的优惠查询下性能，系统能够支持几十万QPS下的毫秒级响应。 

• 在人群同步的过程中，通过离线+实时的方式同步数据，保障了数据的最终一致性。

思考

在优惠的实现过程中，我们直接面临了一个迭代了多年的优惠中台，需要我们通过同步人群数据的方式进行接入。可能一开始会疑惑为什么需要执行一个复杂、高成本且会引入数据一致性风险的同步过程。但当我们从业务的可扩展性、系统的性能角度从头进行推演的时候，我们发现最终会回到类似的架构上来。可以说，在特定的业务规模下，架构的演进有它历史的必然性。当然，也不是说这样的架构是适用于所有情况的，如果我们在一个较小的规模下去快速验证一个优惠能力，那么可能最开始的架构是最合适的，架构选型还是需要结合实际情况出发量身定制。