前言：
随着中国消费认知的不断升级，网购走近千家万户，越来越被人们所接受。淘宝、唯品会、考拉、京东、拼多多等逐渐成为我们生活的重要组成部分。
除了常规的购物下单外，这些电商平台还经常搞一些双十一活动，秒杀、大促、限时购，各种营销玩法，层出不穷！今天就来跟大家聊一聊电商技术里的库存扣减。
当有很多人同时在买一件商品时（假设库存充足），每个人几乎同时下单成功，给人一种并行的感觉。但真实情况，库存只是一个数值，无论是存在mysql数据库还是redis缓存，减值时都要控制顺序，只能串行来扣减，当然为了保证安全性，会设计一些锁控制操作。
palm_tree:库存扣减关键技术点
同一个SKU，库存数量是共享剩余库存要大于等于本次扣减的数量，否则会出现超卖现象，引发资损对同一个数量多用户并发扣减时，要注意并发安全，保证数据的一致性类似于秒杀这样高QPS的扣减场景，要保证性能与高可用对于购物车下单场景，多个商品库存批量扣减，要保证事务如果有交易退款，保证库存扣减可以返还返还的数据总量不能大于扣减的总量返还要保证幂等可以分多次返还palm_tree:数据库扣减方案
主要是依赖数据库特性来保证扣减的一致性，逻辑简单，开发部署成本很低。
依赖的数据库特性：
依赖数据库的乐观锁（比如：版本号或者库存数量）保证数据并发扣减的强一致性借助事务特性，针对购物车下单批量扣减时，部分扣减失败，数据回滚
最上面会查询当前的剩余库存（可能不准确，但没关系，这里只是第一步粗略校验），前置校验，如果已经没有库存，前置拦截生效，减少对数据库的写操作。毕竟读操作不涉及加锁，并发性能高。数据库包含两张表：库存表、流水表。
1、库存表
当用户进行取消订单、申请退货退款，需要把数量加回来如果商家补过库存，需要在此基础上额外加上增量库存2、流水表
用于查看明细、对账、盘货、排查问题等在扣减后，某些场景下需要返还也依赖流水单条商品的扣减SQL大致如下：
updateinventorysetleaved_amount=leaved_amount-#{count}wheresku_id=andleaved_amount=#{count}
此SQL采用类似乐观锁的方式实现了原子性，在where条件里判断此次购买的数量小于等于剩余的数量。在扣减服务的代码里，判断此SQL的返回值，如果值为1，表示扣减成功。否则，返回0，表示库存不足，需要回滚。
扣减成功后，需要记录扣减流水，并与订单明细记录做关联。
当用户归还数量时，需要带回此编号，用来标识此次返还属于历史上的具体哪次扣减。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。palm_tree:第一次升级
举个极端的例子：最新款iPhone秒杀，库存只有5件，活动期间峰值QPS预估在10W，活动结束后，上面的流水表最终只会插入5条记录，但是查询的QPS却接近10WQPS，读的压力非常大。
所以，数据库扣减方案第一次升级主要是针对库存前置校验模块的优化，作为前置拦截器，承载的流量很大，如果将流量全部压到主库上，很容易把数据压垮。我们考虑把数据库架构升级。
采用了读写分离方式，新增加了一套从库，借助mysql自带的数据同步能力。库存校验时读取从数据库。
当然，数据同步有一定的时间延迟，从库的数据新鲜度有一定的滞后性，所以这个库存校验结果并不一定准确，但却能拦截大部分的无效流量。最终能不能成功购买，由主库的乐观扣减SQL来控制，并不会影响最终扣减的准确性。大大减轻主库的查询压力。
palm_tree:第二次升级
引入了从库，确实能分摊主库很大一部分压力，但是面对秒杀这种万级QPS流量，mysql的千级TPS根本支撑不了，需要进一步升级读取的性能。
此时引入缓存中间件（如Redis），将mysql的数据定时同步到缓存中库存校验模块，从redis中查询剩余的库存数据。由于缓存基于内存操作，性能比数据库高出几个数量级，单台redis实例可以达到10WQPS的读性能该方案升级后，基本上解决了在前置库存校验环节及获取库存数量接口的性能问题，提高了系统整体性能，提供较好的用户体验。
补充说明：
如果并发量还是很高的话，可以考虑引入缓存集群，将不同的秒杀商品sku尽量均匀分布在多个redis节点中，从而分摊掉整体的峰值QPS压力。（参考缓存热点的解决方案）
数据库方案的优点：
ACID超卖少买实现简单，如果项目工期紧张，或者开发资源不足情况下非常适用数据库方案的不足：
如果参与秒杀的SKU非常多，最后的写操作都是基于库存主库，性能压力会比较大。palm_tree:纯缓存扣减方案
Redis采用单线程的事件模型，具有原子性的特性。当有多个客户端给Redis发送命令时，Redis会按照接收到的顺序串行化执行。对于还未被调度的命令，则放在队列里排队等待。
库存扣减为了保证数据并发安全，要求原子性，而Redis正好满足扣减类的特殊性要求，是个不错的技术选型。
下面，我们简单来看看基于Redis如何来设计库存扣减？
首先，设计Redis的数据模型：
剩余库存（k-v结构）：key：sku_leaved_amount_{sku_id}value：剩余的库存数值流水（hash结构）：key：inventory_flow_{sku_id}hash—key：订单明细id（不同业务场景的全局性id，用来做幂等控制）hash—value：本次购买的数量
对于购物车下单，多个sku批量扣减，我们需要按单个sku循环发起Redis调用。但是多个Redis命令无法保证原子性。我们可以采用lua脚本形式，将这些命令打包到一个脚本中，作为一个命令发送给Redis执行，从而保证了原子性。
lua是一个类似JavaScript、Shell等的解释性语言，它可以完成Redis已有命令不支持的功能。用户在编写完lua脚本之后，将此脚本上传至Redis服务端，服务端会返回一个标识码代表此脚本。在实际执行具体请求时，将数据和此标识码发送至Redis即可。Redis会和执行普通命令一样，采用单线程执行此lua脚本和对应数据。
Lua脚本执行流程：
批量扣减是对单个扣减的循环调用，所以这里介绍的流程只讲单次扣减的处理步骤。
首先根据订单明细id查询扣减流水，是否已经操作过，做幂等性校验然后查询sku的剩余库存，并根据下单购买数做校验，只要有一个sku数量不足，则返回失败修改所有sku的缓存中的剩余库存数缓存中插入扣减流水记录当Redis扣减成功后，应用程序再将此次扣减异步化保存到数据库中，持久化存储，毕竟Redis只是临时性存储，有宕机风险，会丢失数据。
缓存方案利弊分析：
Redis高性能ACID少卖为了避免少卖情况发生，纯缓存方案需要做大量的对账、异常处理的设计，系统复杂度增加很多。纯缓存方案适合一些高并发、大流量场景，但对数据准确度要求不是特别苛刻的业务场景。风险：
上述Lua脚本把多条命令打包在一起，虽然保证了原子性，但不具备事务回滚特性。比如，库存扣减成功了，此时Redis宕机，扣减流水并没有插入成功，应用程序认为本次Redis调用是失败的，前台给用户反馈错误提示，但是已经扣减的数量不会回滚。当Redis故障修复后，再次启动，此时恢复的数据已经存在不一致了。需要结合Redis和数据库做数据核对check，并结合扣减服务的日志，做数据的增量修复。
palm_tree:基于分库分表的扣减方案
上面提到的数据库方式是基于单库单表玩法，虽然借助ACID特性能保证数据的一致性，但是单台mysql的并发能力有限，如何提升性能？
除了纯缓存化方案外，我们还可以考虑将库存表进行水平拆分，分摊洪峰压力。
假如库存表的QPS要求是1.6万，经过拆分成16张表后，如果数据分布均匀，每个物理表预计处理QPS，完全处于mysql单实例的承载范围之内。
另外拆分后，单表的数据量也会相应减少很多，假如分表前有一个亿数据，分表后每张表不到1千万，索引查询性能也会快很多。
注意：
同一次扣减业务，库存扣减和插入流水要放在同一个分库中，通过事务保证一致性，满足同时成功或同时失败。如果数据分布和业务请求足够均匀，理论上经过分库分表设计后，整个系统的吞吐量将会是线性的增长，主要取决于分表实例的数量。
palm_tree:其他扣减方案
还有其他的一些解决方案，这里只是提供一些思路，方案细节就不展开了
1、如果某个sku_id的库存扣减过热，单台实例支撑不了（mysql官方测评：一般单行更新的QPS在以内），可以考虑将一个sku的大库存拆分成N份，放在不同的库中（也就是说所有子库的库存数总和才是一件sku的真实库存），由于前台的访问流量非常大，按照均分原则，每个子库分到的流量应该差不多。上层路由时只需要在sku_id后面拼接一个范围内的随机数，即可找到对应的子库，有效减轻系统压力。
2、单条sku库存记录更新过热，也可以采用批量提交方式，将多次扣减累计计数，集中成一次扣减，从而实现了将串行处理变成了批处理，也可以大大减轻数据库压力。
3、引入RocketMQ消息队列，经过前置校验后，如果有剩余库存，则把创建订单的操作封装成消息发送给MQ，订单系统从RocketMQ中以特定的频率消费，创建订单，该方案有一定的延迟性。
最新完整面试题及答案（都整理成文档），有很多干货，包含mysql，netty，spring，线程，springcloud、JVM、源码、算法等详细讲解，详细的学习规划图等学习资料，私信我：Java获取！
最后说一句（求