库存系统分布式并发扣减

wen java案例 2026-07-27 3

架构设计与实战指南

目录导读

分布式库存扣减的挑战：为什么传统方案会失败？
核心架构模式：从乐观锁到TCC事务的演进
高并发场景下的扣减策略：预扣、异步对账与缓存补偿
代码级实现示例：Redis+Lua + 数据库最终一致性
常见问题与问答：死锁、超卖、性能瓶颈如何解决？

分布式库存扣减的挑战

在电商、票务、秒杀等场景中，库存系统面临的核心矛盾是：高并发写入与数据强一致性之间的平衡，传统单体应用使用数据库行锁（SELECT ... FOR UPDATE）即可保证扣减安全，但在分布式架构下，服务拆分、远程调用、网络延迟导致以下典型问题：

库存系统分布式并发扣减

超卖：多个节点同时读取到库存为1,各自扣减后实际库存变为负数。
性能瓶颈：数据库行锁在大量并发下退化为表锁，QPS（每秒查询率）难以突破数千。
数据不一致：本地事务与远程库存服务无法通过传统ACID保证,需要引入分布式事务。

关键洞察：库存扣减的核心不在于“扣得有多快”，而在于“怎么确保只扣一份库存”。

核心架构模式

1 乐观锁（CAS）模式

UPDATE inventory SET stock = stock - 1 
WHERE sku_id = ? AND stock >= 1;

优点：简单，适合低并发（<1000 QPS）
缺点：高并发下大量更新失败，需重试，且无法解决ABA问题

2 分布式锁模式

使用Redis的SET NX EX或Zookeeper临时节点实现互斥,但缺点明显：

锁粒度难以控制：锁SKU会导致其他用户排队
锁超时导致死锁，需引入看门狗机制（如Redisson的Watchdog）

3 TCC（Try-Confirm-Cancel）模式

适用于跨服务的库存扣减,典型流程：

Try阶段：预扣库存（状态标记为“冻结”）
Confirm阶段：扣减成功，转换为有效库存
Cancel阶段：扣减失败，释放冻结库存

实践注意：TCC需要业务方实现幂等接口，否则多次Confirm会导致库存重复扣减，建议在数据库添加dedup_id唯一索引。

4 异步最终一致性（推荐方案）

采用 “本地消息表 + 异步对账” 模式：

订单服务创建订单时，先在本地插入一条“待扣减库存”消息
库存服务通过MQ（消息队列）消费消息，执行扣减
若库存扣减失败，通过定时任务扫描补偿

优势：吞吐量可达传统方案10倍以上,且避免分布式事务带来的锁冲突。

高并发场景下的扣减策略

策略	适用场景	实现要点
预扣库存	秒杀、活动	用户在进入支付页面前锁定库存15分钟，超时释放
Lua脚本原子扣减	热点SKU	确保Redis检查、扣减、写入日志在单线程内完成
库存分片	大库存商品	将库存分散到多个Redis分片，按用户ID哈希分配
本地缓存兜底	读多写少	定期从数据库同步库存阈值，避免频繁穿透

经验公式：若单SKU并发请求超过1000/s，请务必引入Redis层缓存库存，但要注意缓存与数据库的最终一致性，每次扣减先写Redis日志,再异步落库。

代码级实现示例（Redis+Lua + 数据库最终一致性）

1 Lua脚本（原子扣减）

-- 参数：KEYS[1] = 商品库存key
-- ARGV[1] = 扣减数量
-- ARGV[2] = 请求唯一ID（防重）
if redis.call('exists', KEYS[1]..':lock:'..ARGV[2]) == 1 then
    return -1  -- 已扣减过，返回幂等结果
end
local stock = redis.call('get', KEYS[1])
if not stock or tonumber(stock) < tonumber(ARGV[1]) then
    return 0   -- 库存不足
end
redis.call('decrby', KEYS[1], ARGV[1])
redis.call('set', KEYS[1]..':lock:'..ARGV[2], 1, 'EX', 3600)
return 1   -- 成功

2 Java调用示例

@RedisLock(key = "inventory:lock:#skuId") // 防止并发争抢
public boolean deductStock(String skuId, int quantity, String requestId) {
    String lua = loadLuaScript("deduct_stock.lua");
    Object result = redisTemplate.execute(
        new DefaultRedisScript<>(lua, Long.class),
        Arrays.asList("inventory:" + skuId),
        quantity, requestId
    );
    return (Long) result == 1L;
}

3 数据库最终一致性（异步对账）

定时任务每5秒扫描Redis中的”扣减日志” key
批量写入MySQL的inventory_log表，使用INSERT ... ON DUPLICATE KEY UPDATE
若发现Redis库存与数据库库存不一致（差值超过阈值），触发报警并人工干预

常见问题与问答

Q1：高并发下Redis扣减成功了，但数据库写入失败怎么办？ A：这是典型的不一致问题，建议采用“双写一致性”方案：

方案A：Redis扣减成功后，立即写入MQ,保证至少一次投递。
方案B：使用Redisson的RTransaction实现Redis与MySQL的XA事务（但性能会下降30%）。
最优解：接受秒级最终一致性,通过定时对账补偿缺失的库存。

Q2：如何防止“幽灵库存”（库存扣减成功但订单取消后库存未恢复）？ A：需要实现自动回滚机制：

在Redis中设置扣减记录的TTL为15分钟（超时自动释放）。
数据库端的订单取消事件异步回调，恢复库存。注意：回滚时要严格比对请求ID,防止两次回滚导致库存增加。

Q3：分布式锁和Lua脚本哪个更好？ A：没有绝对优劣，Lua脚本保证单节点原子性，适合单一Redis实例；分布式锁适合需要在多个操作间保持互斥（如“减库存+生成订单”），通常情况下，库存扣减用Lua脚本更轻量，而库存预留（如购物车冻结）则更适合锁。

Q4：商品库存分片后，如何保证全局唯一？ A：采用“一致性哈希”或“范围分片”，sku_id % 32 决定库存落在哪个Redis分片，但需要注意，若单个分片崩溃，会导致部分超卖（因为其他分片正常扣减）。降级方案：当某个分片不可用时，直接返回失败，不要让用户以“伪装”的方式扣减其他分片。

Q5：如何衡量系统是否达标？
A：关键指标：

吞吐量：目标应达到单Redis节点>2万QPS（4核8G实例）
P99延迟：<5ms（Lua脚本执行时间）
数据一致性：最终延迟<30秒（异步对账周期）
极端情况：Redis宕机后,数据库库存不应出现超卖超过总库存的5%

延伸思考：对于百亿级库存系统（如电商大促），建议采用“预分配+弹性扩容”策略，预先将热门SKU的库存按比例拆解到多个Redis集群，每个集群独立处理，最后通过离线任务合并总库存，使用BRPOP或Stream实现库存事件的实时监控,确保极端情况下的快速发现与恢复。