一次电商秒杀系统架构评审：从本地锁到分布式锁的演进与取舍

2026年4月5日，某电商平台在备战618大促前夕，技术团队召开了一场关于秒杀系统架构升级的评审会。当前系统在高并发场景下频繁出现超卖问题，QPS峰值突破8000时，库存扣减错误率高达3.7%。业务方明确要求：在30天内完成架构改造，保证库存强一致性，同时将系统吞吐量提升至15000 QPS以上，且不允许引入新的中间件依赖（如ZooKeeper）。

团队最初提出两套方案：方案A采用本地锁 + 数据库乐观锁，方案B采用Redis分布式锁 + Lua脚本原子扣减。评审会上，双方围绕性能、一致性、运维成本和故障恢复能力展开激烈讨论。最终，团队在充分评估后选择了一条折中路径：基于Redisson实现分布式锁，结合本地缓存预热与异步日志补偿机制，构建最终一致性的高可用秒杀架构。

问题背景：超卖频发，系统濒临崩溃

当前秒杀系统采用Spring Boot + MySQL架构，核心扣减逻辑如下：

java 复制代码

@Transactional
public boolean deductStock(Long itemId, int quantity) {
    Product product = productMapper.selectById(itemId);
    if (product.getStock() < quantity) {
        return false;
    }
    product.setStock(product.getStock() - quantity);
    return productMapper.updateById(product) > 0;
}

在高并发场景下，多个线程同时读取到相同库存值，导致超卖。尽管已添加synchronized关键字，但由于服务部署在4台机器上，本地锁无法跨JVM生效。团队尝试引入数据库悲观锁（SELECT FOR UPDATE），但压测显示TPS骤降至1200，无法满足业务需求。

错误直觉：本地锁 + 乐观锁就能解决问题？

方案A主张："既然分布式锁复杂，不如回归本地锁 + 数据库乐观锁"。其核心逻辑是：

使用synchronized保证单节点内线程安全；
在更新时增加版本号校验（UPDATE product SET stock = stock - ?, version = version + 1 WHERE id = ? AND version = ?）；
若更新失败，重试3次。

表面看似乎合理：乐观锁避免了行锁竞争，重试机制可应对冲突。但评审会上，资深架构师指出三大致命缺陷：

跨节点失效：4台机器各自持锁，无法阻止并发写入；
重试风暴：高并发下大量请求重试，数据库连接池被打满；
版本号竞争：即使库存充足，因版本号冲突导致大量请求失败，用户体验差。

压测结果验证了担忧：在5000并发下，成功扣减率仅68%，平均响应时间飙升至1.2秒，MySQL CPU使用率持续超过90%。

正确方案：Redisson分布式锁 + 异步补偿机制

方案B提出使用Redis分布式锁，但直接使用SETNX存在锁过期、误删等问题。团队最终选择Redisson框架，其内置看门狗机制可自动续期，避免业务未执行完锁已释放。

核心实现如下：

java 复制代码

public boolean deductStockWithLock(Long itemId, int quantity) {
    RLock lock = redissonClient.getLock("stock:lock:" + itemId);
    try {
        boolean locked = lock.tryLock(5, 10, TimeUnit.SECONDS);
        if (!locked) {
            log.warn("获取锁失败，itemId={}", itemId);
            return false;
        }
        // 再次查询库存，防止锁等待期间库存变化
        Product product = productMapper.selectById(itemId);
        if (product.getStock() < quantity) {
            return false;
        }
        product.setStock(product.getStock() - quantity);
        int updated = productMapper.updateById(product);
        if (updated > 0) {
            // 异步记录日志，用于后续对账
            stockLogService.asyncLog(itemId, quantity, "DEDUCT");
        }
        return updated > 0;
    } finally {
        if (lock.isHeldByCurrentThread()) {
            lock.unlock();
        }
    }
}

为进一步提升性能，团队引入以下优化：

本地缓存预热：启动时加载热门商品库存至Caffeine缓存，减少数据库查询；
锁粒度细化 ：按商品ID分段加锁（如stock:lock:1001），避免全局锁竞争；
异步日志补偿：扣减成功后异步写入日志表，定时任务对账修复异常数据；
熔断降级：当Redis不可用时，自动降级为本地锁 + 限流，保障系统可用性。

压测结果显示：在15000 QPS下，成功扣减率达99.98%，平均响应时间稳定在80ms以内，Redis CPU使用率控制在40%以下。

技术取舍与风险边界

尽管方案B表现优异，但团队仍明确其边界条件：

不适用于超高频扣减：若单商品QPS超过5万，建议引入分桶扣减或预扣库存机制；
依赖Redis稳定性：需部署Redis Cluster，配置持久化与哨兵机制；
最终一致性容忍：异步日志补偿存在毫秒级延迟，需业务接受短暂不一致；
锁续期开销：看门狗机制会定期续约，增加网络开销，需合理设置超时时间。

最终，团队决定分阶段上线：先灰度10%流量验证稳定性，再逐步全量。同时建立监控大盘，实时跟踪锁等待时间、扣减成功率、Redis延迟等关键指标。

技术补丁包

Redisson分布式锁实现原理 原理：基于Redis的SET resource_name unique_value NX PX timeout命令实现互斥锁，通过看门狗线程自动续期（默认30秒，每10秒续一次）。设计动机：解决原生Redis锁在业务执行时间长于锁超时时间时的误释放问题。边界条件：必须确保unique_value唯一（通常用UUID），避免误删其他线程的锁；业务逻辑需在finally块中释放锁。落地建议：使用tryLock(long waitTime, long leaseTime, TimeUnit unit)方法，明确指定等待时间和持有时间，避免无限阻塞。
本地锁在分布式环境中的局限性 原理：synchronized或ReentrantLock仅作用于单个JVM，无法跨进程同步。设计动机：简化单机并发控制，性能极高（纳秒级）。边界条件：仅适用于单实例部署或无需跨节点协调的场景。落地建议：在分布式系统中，本地锁仅可用于保护非关键路径的本地状态，如线程池配置、本地缓存更新等。
数据库乐观锁与悲观锁的适用场景 原理：乐观锁通过版本号或CAS机制实现无锁更新；悲观锁通过SELECT FOR UPDATE提前加锁。设计动机：乐观锁适用于读多写少、冲突概率低的场景；悲观锁适用于写密集、强一致性要求的场景。边界条件：乐观锁在高并发下重试成本高；悲观锁易造成死锁和性能瓶颈。落地建议：秒杀场景优先选择分布式锁+数据库校验，而非纯乐观/悲观锁。
异步日志补偿机制设计要点 原理：核心操作成功后，异步记录操作日志，后台任务定期扫描异常状态进行修复。设计动机：解耦核心流程与对账逻辑，提升系统吞吐量。边界条件：需保证日志写入的可靠性（如写入本地文件+MQ双写）；补偿任务需具备幂等性。落地建议：日志表设计包含操作类型、商品ID、数量、时间戳、状态等字段，便于追踪与修复。
锁粒度细化的最佳实践 原理：将全局锁拆分为多个细粒度锁（如按商品ID、用户ID、订单类型等维度）。设计动机：减少锁竞争，提升并发能力。边界条件：避免过度细化导致锁数量爆炸（如百万级商品ID）；需防止死锁（按固定顺序加锁）。落地建议：使用ConcurrentHashMap缓存锁对象，避免频繁创建；设置最大锁数量限制，防止内存溢出。