携程门票交易秒杀场景优化

携程门票系统为保障强一致性与复杂限购规则，应对洪峰流量主要从三方面优化：通过多级缓存与大Key治理缓解Redis压力；采用缓存更新、消息聚合和异步机制降低数据库负载；引入缓冲队列削峰填谷，减轻供应商系统压力。
与传统电商相比，携程门票交易系统具有两大特点：
1) 强一致性：用户预 订后保证出票且尽可能快速确认，确保每一笔交易都能履约。
2) 多维度和跨商品组合限购：限购规则复杂多变，例如多维度和跨商品组合限购，保障每位用户有公平购票的机会，避免囤票行为。

当系统遇到洪峰流量时，容易出现页面打开慢、卡顿等问题，主要原因有以下几点：
1) Redis 超负载与缓存热点。
2) 数据库超负载。
3) 供应商系统不稳定。

系统优化：
一、Redis负载与缓存热点优化
a) 缓存热点应对方案：热点识别自动构建多级缓存将单位时间内高频访问的Key ，识别出来。例如：同一个 Key 1 秒内单机访问 10 次。
b) 缓存大key问题：
1. 精简缓存对象：去除缓存中的冗余字段。
2. 压缩缓存对象：采用压缩比更高的压缩方式，缩小缓存对象。
3. 拆分大 Key ：若精简和压缩后还是过大，根据业务逻辑，将大 Key 拆分成多个小 Key 。
5. 长期治理：建立长期治理机制，定期扫描 Redis 中的大 Key ，每周跟进，将隐患在日常治理中消除。

二、数据库超载优化
a) 缓存覆盖更新策略：替代直接删除缓存 Key 的做法，采用了缓存覆盖更新策略。当商品信息发生变更时，系统不再删除缓存 Key ，而是直接更新该 Key 对应的缓存值。避免了流量穿透到底层数据库。
b) 消息聚合：针对商品变化消息量过大的问题，引入了消息聚合机制。将商品多次变化消息在一段时间窗口内合并成一个，减少消息处理的频率。
c) 异步更新缓存：为了进一步降低 对数据库的实时压力，采用了异步更新缓存的策略。当商品信息发生变更时，系统不会立即更新缓存，而是将更新任务放入一个异步队列中，由后台线程异步处理。

三、供应商系统不稳定
当供应商系统面临大流量冲击时，往往会出现响应缓慢甚至被限流的情况，这直接影响了我们自身系统的稳定性和用户体验。
为了缓解上述问题，我们采取以下技术策略：
1）削峰填谷 缓冲池：利用消息队列作为订单提交的缓冲池，将订单信息先写入队列，再由后台服务异步处理。这样可以将订单提交的高峰流量削平，减少对供应商系统的瞬时压力。

通过多级缓存、大Key治理、异步解耦、限购规则引擎等手段，有效应对高并发下的一致性保障与限流限购等复杂场景，实现性能与稳定性的双重提升。