現在面試，一般都會聊聊分布式系統這塊的東西。通常面試官都會從服務框架(Spring Cloud、Dubbo)聊起，一路聊到分布式事務、分布式鎖、ZooKeeper 等知識。

所以咱們就來聊聊分布式鎖這塊的知識，先具體的來看看 Redis 分布式鎖的實現原理。

說實話，如果在公司里落地生產環境用分布式鎖的時候，一定是會用開源類庫的，比如 Redis 分布式鎖，一般就是用 Redisson 框架就好了，非常的簡便易用。

大家如果有興趣，可以去 Redisson 的官網，看看如何在項目中引入 Redisson 的依賴，然后基于 Redis 實現分布式鎖的加鎖與釋放鎖。

下面給大家看一段簡單的使用代碼片段，先直觀的感受一下：

 

怎么樣，上面那段代碼，是不是感覺簡單的不行!此外，人家還支持 Redis 單實例、Redis 哨兵、Redis Cluster、redis master-slave 等各種部署架構，都可以給你***實現。

Redisson 實現 Redis 分布式鎖的底層原理

好的，接下來就通過一張手繪圖，給大家說說 Redisson 這個開源框架對 Redis 分布式鎖的實現原理。

 

加鎖機制

咱們來看上面那張圖，現在某個客戶端要加鎖。如果該客戶端面對的是一個 Redis Cluster 集群，他首先會根據 Hash 節點選擇一臺機器。

這里注意，僅僅只是選擇一臺機器!這點很關鍵!緊接著，就會發送一段 Lua 腳本到 Redis 上，那段 Lua 腳本如下所示：

 

為啥要用 Lua 腳本呢?因為一大坨復雜的業務邏輯，可以通過封裝在 Lua 腳本中發送給 Redis，保證這段復雜業務邏輯執行的原子性。

那么，這段 Lua 腳本是什么意思呢?這里 KEYS[1] 代表的是你加鎖的那個 Key，比如說：RLock lock = redisson.getLock("myLock");這里你自己設置了加鎖的那個鎖 Key 就是“myLock”。

ARGV[1] 代表的就是鎖 Key 的默認生存時間，默認 30 秒。ARGV[2] 代表的是加鎖的客戶端的 ID，類似于下面這樣：8743c9c0-0795-4907-87fd-6c719a6b4586:1。

給大家解釋一下，***段 if 判斷語句，就是用“exists myLock”命令判斷一下，如果你要加鎖的那個鎖 Key 不存在的話，你就進行加鎖。如何加鎖呢?很簡單，用下面的命令：hset myLock。

8743c9c0-0795-4907-87fd-6c719a6b4586:1 1，通過這個命令設置一個 Hash 數據結構，這行命令執行后，會出現一個類似下面的數據結構：

 

上述就代表“8743c9c0-0795-4907-87fd-6c719a6b4586:1”這個客戶端對“myLock”這個鎖 Key 完成了加鎖。

接著會執行“pexpire myLock 30000”命令，設置 myLock 這個鎖 Key 的生存時間是 30 秒。好了，到此為止，加鎖完成了。

鎖互斥機制

那么在這個時候，如果客戶端 2 來嘗試加鎖，執行了同樣的一段 Lua 腳本，會咋樣呢?

很簡單，***個 if 判斷會執行“exists myLock”，發現 myLock 這個鎖 Key 已經存在了。

接著第二個 if 判斷，判斷一下，myLock 鎖 Key 的 Hash 數據結構中，是否包含客戶端 2 的 ID，但是明顯不是的，因為那里包含的是客戶端 1 的 ID。

所以，客戶端 2 會獲取到 pttl myLock 返回的一個數字，這個數字代表了 myLock 這個鎖 Key 的剩余生存時間。

比如還剩 15000 毫秒的生存時間。此時客戶端 2 會進入一個 while 循環，不停的嘗試加鎖。

watch dog 自動延期機制

客戶端 1 加鎖的鎖 Key 默認生存時間才 30 秒，如果超過了 30 秒，客戶端 1 還想一直持有這把鎖，怎么辦呢?

簡單!只要客戶端 1 一旦加鎖成功，就會啟動一個 watch dog 看門狗，他是一個后臺線程，會每隔 10 秒檢查一下，如果客戶端 1 還持有鎖 Key，那么就會不斷的延長鎖 Key 的生存時間。

可重入加鎖機制

那如果客戶端 1 都已經持有了這把鎖了，結果可重入的加鎖會怎么樣呢?比如下面這種代碼：

 

這時我們來分析一下上面那段 Lua 腳本。***個if判斷肯定不成立，“exists myLock”會顯示鎖 Key 已經存在了。

第二個 if 判斷會成立，因為 myLock 的 Hash 數據結構中包含的那個 ID，就是客戶端 1 的那個 ID，也就是“8743c9c0-0795-4907-87fd-6c719a6b4586:1”。

此時就會執行可重入加鎖的邏輯，他會用：incrby myLock 8743c9c0-0795-4907-87fd-6c71a6b4586:1 1，通過這個命令，對客戶端 1 的加鎖次數，累加 1。

此時 myLock 數據結構變為下面這樣：

 

大家看到了吧，那個 myLock 的 Hash 數據結構中的那個客戶端 ID，就對應著加鎖的次數。

釋放鎖機制

如果執行 lock.unlock()，就可以釋放分布式鎖，此時的業務邏輯也是非常簡單的。其實說白了，就是每次都對 myLock 數據結構中的那個加鎖次數減 1。

如果發現加鎖次數是 0 了，說明這個客戶端已經不再持有鎖了，此時就會用：“del myLock”命令，從 Redis 里刪除這個 Key。

然后呢，另外的客戶端 2 就可以嘗試完成加鎖了。這就是所謂的分布式鎖的開源 Redisson 框架的實現機制。

一般我們在生產系統中，可以用 Redisson 框架提供的這個類庫來基于 Redis 進行分布式鎖的加鎖與釋放鎖。

上述 Redis 分布式鎖的缺點

上面那種方案***的問題，就是如果你對某個 Redis Master 實例，寫入了 myLock 這種鎖 Key 的 Value，此時會異步復制給對應的 Master Slave 實例。

但是這個過程中一旦發生 Redis Master 宕機，主備切換，Redis Slave 變為了 Redis Master。

接著就會導致，客戶端 2 來嘗試加鎖的時候，在新的 Redis Master 上完成了加鎖，而客戶端 1 也以為自己成功加了鎖。

此時就會導致多個客戶端對一個分布式鎖完成了加鎖。這時系統在業務語義上一定會出現問題，導致各種臟數據的產生。

所以這個就是 Redis Cluster，或者是 redis master-slave 架構的主從異步復制導致的 Redis 分布式鎖的***缺陷：在 Redis Master 實例宕機的時候，可能導致多個客戶端同時完成加鎖。

七張圖徹底講清楚 ZooKeeper 分布式鎖的實現原理

下面再給大家聊一下 ZooKeeper 實現分布式鎖的原理。同理，我是直接基于比較常用的 Curator 這個開源框架，聊一下這個框架對 ZooKeeper(以下簡稱 ZK)分布式鎖的實現。

一般除了大公司是自行封裝分布式鎖框架之外，建議大家用這些開源框架封裝好的分布式鎖實現，這是一個比較快捷省事兒的方式。

ZooKeeper 分布式鎖機制

接下來我們一起來看看，多客戶端獲取及釋放 ZK 分布式鎖的整個流程及背后的原理。

首先大家看看下面的圖，如果現在有兩個客戶端一起要爭搶 ZK 上的一把分布式鎖，會是個什么場景?

 

如果大家對 ZK 還不太了解的話，建議先自行百度一下，簡單了解點基本概念，比如 ZK 有哪些節點類型等等。

參見上圖。ZK 里有一把鎖，這個鎖就是 ZK 上的一個節點。然后呢，兩個客戶端都要來獲取這個鎖，具體是怎么來獲取呢?

咱們就假設客戶端 A 搶先一步，對 ZK 發起了加分布式鎖的請求，這個加鎖請求是用到了 ZK 中的一個特殊的概念，叫做“臨時順序節點”。

簡單來說，就是直接在"my_lock"這個鎖節點下，創建一個順序節點，這個順序節點有 ZK 內部自行維護的一個節點序號。

比如說，***個客戶端來搞一個順序節點，ZK 內部會給起個名字叫做：xxx-000001。

然后第二個客戶端來搞一個順序節點，ZK 可能會起個名字叫做：xxx-000002。

大家注意一下，***一個數字都是依次遞增的，從 1 開始逐次遞增。ZK 會維護這個順序。

所以這個時候，假如說客戶端 A 先發起請求，就會搞出來一個順序節點，大家看下面的圖，Curator 框架大概會弄成如下的樣子：

 

大家看，客戶端 A 發起一個加鎖請求，先會在你要加鎖的 node 下搞一個臨時順序節點，這一大坨長長的名字都是 Curator 框架自己生成出來的。

然后，那個***一個數字是"1"。大家注意一下，因為客戶端 A 是***個發起請求的，所以給他搞出來的順序節點的序號是"1"。

接著客戶端 A 創建完一個順序節點。還沒完，他會查一下"my_lock"這個鎖節點下的所有子節點，并且這些子節點是按照序號排序的，這個時候他大概會拿到這么一個集合：

 

接著客戶端 A 會走一個關鍵性的判斷，就是說：唉!兄弟，這個集合里，我創建的那個順序節點，是不是排在***個啊?

如果是的話，那我就可以加鎖了啊!因為明明我就是***個來創建順序節點的人，所以我就是***個嘗試加分布式鎖的人啊!

Bingo!加鎖成功!大家看下面的圖，再來直觀的感受一下整個過程：

 

接著假如說，客戶端 A 都加完鎖了，客戶端 B 過來想要加鎖了，這個時候他會干一樣的事兒：先是在"my_lock"這個鎖節點下創建一個臨時順序節點，此時名字會變成類似于：

 

大家看看下面的圖：

 

客戶端 B 因為是第二個來創建順序節點的，所以 ZK 內部會維護序號為"2"。

接著客戶端 B 會走加鎖判斷邏輯，查詢"my_lock"鎖節點下的所有子節點，按序號順序排列，此時他看到的類似于：

 

同時檢查自己創建的順序節點，是不是集合中的***個?明顯不是啊，此時***個是客戶端 A 創建的那個順序節點，序號為"01"的那個。所以加鎖失敗!

加鎖失敗了以后，客戶端 B 就會通過 ZK 的 API 對他的順序節點的上一個順序節點加一個監聽器。ZK 天然就可以實現對某個節點的監聽。

如果大家還不知道 ZK 的基本用法，可以百度查閱，非常的簡單。客戶端 B 的順序節點是：

 

他的上一個順序節點，不就是下面這個嗎?

 

即客戶端 A 創建的那個順序節點!所以，客戶端 B 會對

 

這個節點加一個監聽器，監聽這個節點是否被刪除等變化!大家看下面的圖：

接著，客戶端 A 加鎖之后，可能處理了一些代碼邏輯，然后就會釋放鎖。那么，釋放鎖是個什么過程呢?

其實很簡單，就是把自己在 ZK 里創建的那個順序節點，也就是：

這個節點給刪除。刪除了那個節點之后，ZK 會負責通知監聽這個節點的監聽器，也就是客戶端 B 之前加的那個監聽器，說：兄弟，你監聽的那個節點被刪除了，有人釋放了鎖。

此時客戶端 B 的監聽器感知到了上一個順序節點被刪除，也就是排在他之前的某個客戶端釋放了鎖。

此時，就會通知客戶端 B 重新嘗試去獲取鎖，也就是獲取"my_lock"節點下的子節點集合，此時為：

集合里此時只有客戶端 B 創建的唯一的一個順序節點了!然后呢，客戶端 B 判斷自己居然是集合中的***個順序節點，Bingo!可以加鎖了!直接完成加鎖，運行后續的業務代碼即可，運行完了之后再次釋放鎖。

其實如果有客戶端 C、客戶端 D 等 N 個客戶端爭搶一個 ZK 分布式鎖，原理都是類似的：

• 大家都是上來直接創建一個鎖節點下的一個接一個的臨時順序節點。
• 如果自己不是***個節點，就對自己上一個節點加監聽器。
• 只要上一個節點釋放鎖，自己就排到前面去了，相當于是一個排隊機制。

而且用臨時順序節點的另外一個用意就是，如果某個客戶端創建臨時順序節點之后，不小心自己宕機了也沒關系，ZK 感知到那個客戶端宕機，會自動刪除對應的臨時順序節點，相當于自動釋放鎖，或者是自動取消自己的排隊。

***，咱們來看下用 Curator 框架進行加鎖和釋放鎖的一個過程：

其實用開源框架就是這點好，方便。這個 Curator 框架的 ZK 分布式鎖的加鎖和釋放鎖的實現原理，就是上面我們說的那樣子。

但是如果你要手動實現一套那個代碼的話。還是有點麻煩的，要考慮到各種細節，異常處理等等。所以大家如果考慮用 ZK 分布式鎖，可以參考下本文的思路。

每秒上千訂單場景下的分布式鎖高并發優化實踐

接著就給大家聊一個有意思的話題：每秒上千訂單場景下，如何對分布式鎖的并發能力進行優化?

首先，我們一起來看看這個問題的背景?前段時間有個朋友在外面面試，然后有一天找我聊說：有一個國內不錯的電商公司，面試官給他出了一個場景題：

假如下單時，用分布式鎖來防止庫存超賣，但是是每秒上千訂單的高并發場景，如何對分布式鎖進行高并發優化來應對這個場景?

他說他當時沒答上來，因為沒做過沒什么思路。其實我當時聽到這個面試題心里也覺得有點意思，因為如果是我來面試候選人的話，應該會給的范圍更大一些。

比如，讓面試的同學聊一聊電商高并發秒殺場景下的庫存超賣解決方案，各種方案的優缺點以及實踐，進而聊到分布式鎖這個話題。

因為庫存超賣問題是有很多種技術解決方案的，比如悲觀鎖，分布式鎖，樂觀鎖，隊列串行化，Redis 原子操作，等等吧。

但是既然那個面試官兄弟限定死了用分布式鎖來解決庫存超賣，我估計就是想問一個點：在高并發場景下如何優化分布式鎖的并發性能。

我覺得，面試官提問的角度還是可以接受的，因為在實際落地生產的時候，分布式鎖這個東西保證了數據的準確性，但是他天然并發能力有點弱。

剛好我之前在自己項目的其他場景下，確實是做過高并發場景下的分布式鎖優化方案，因此正好是借著這個朋友的面試題，把分布式鎖的高并發優化思路，給大家來聊一聊。

庫存超賣現象是怎么產生的?

先來看看如果不用分布式鎖，所謂的電商庫存超賣是啥意思?大家看看下面的圖：

這個圖，其實很清晰了，假設訂單系統部署在兩臺機器上，不同的用戶都要同時買 10 臺 iPhone，分別發了一個請求給訂單系統。

接著每個訂單系統實例都去數據庫里查了一下，當前 iPhone 庫存是 12 臺。倆大兄弟一看，樂了，12 臺庫存大于了要買的 10 臺數量啊!

于是乎，每個訂單系統實例都發送 SQL 到數據庫里下單，然后扣減了 10 個庫存，其中一個將庫存從 12 臺扣減為 2 臺，另外一個將庫存從 2 臺扣減為 -8 臺。

現在完了，庫存出現了負數!淚奔啊，沒有 20 臺 iPhone 發給兩個用戶啊!這可如何是好。

用分布式鎖如何解決庫存超賣問題?

我們用分布式鎖如何解決庫存超賣問題呢?其實很簡單，回憶一下上次我們說的那個分布式鎖的實現原理：

同一個鎖 Key，同一時間只能有一個客戶端拿到鎖，其他客戶端會陷入***的等待來嘗試獲取那個鎖，只有獲取到鎖的客戶端才能執行下面的業務邏輯。

代碼大概就是上面那個樣子，現在我們來分析一下，為啥這樣做可以避免庫存超賣?

大家可以順著上面的那個步驟序號看一遍，馬上就明白了。

從上圖可以看到，只有一個訂單系統實例可以成功加分布式鎖，然后只有他一個實例可以查庫存、判斷庫存是否充足、下單扣減庫存，接著釋放鎖。

釋放鎖之后，另外一個訂單系統實例才能加鎖，接著查庫存，一下發現庫存只有 2 臺了，庫存不足，無法購買，下單失敗。不會將庫存扣減為 -8 的。

有沒其他方案解決庫存超賣問題?

當然有啊!比如悲觀鎖，分布式鎖，樂觀鎖，隊列串行化，異步隊列分散，Redis 原子操作，等等，很多方案，我們對庫存超賣有自己的一整套優化機制。

但是前面說過了，這篇文章就聊一個分布式鎖的并發優化，不是聊庫存超賣的解決方案，所以庫存超賣只是一個業務場景而已。

分布式鎖的方案在高并發場景下

好，現在我們來看看，分布式鎖的方案在高并發場景下有什么問題?

問題很大啊!兄弟，不知道你看出來了沒有。分布式鎖一旦加了之后，對同一個商品的下單請求，會導致所有客戶端都必須對同一個商品的庫存鎖 Key 進行加鎖。

比如，對 iPhone 這個商品的下單，都必對“iphone_stock”這個鎖 Key 來加鎖。這樣會導致對同一個商品的下單請求，就必須串行化，一個接一個的處理。

大家再回去對照上面的圖反復看一下，應該能想明白這個問題。

假設加鎖之后，釋放鎖之前，查庫存→創建訂單→扣減庫存，這個過程性能很高吧，算他全過程 20 毫秒，這應該不錯了。

那么 1 秒是 1000 毫秒，只能容納 50 個對這個商品的請求依次串行完成處理。

比如一秒鐘來 50 個請求，都是對 iPhone 下單的，那么每個請求處理 20 毫秒，一個一個來，*** 1000 毫秒正好處理完 50 個請求。

大家看一眼下面的圖，加深一下感覺。

 

所以看到這里，大家起碼也明白了，簡單的使用分布式鎖來處理庫存超賣問題，存在什么缺陷。

缺陷就是同一個商品多用戶同時下單的時候，會基于分布式鎖串行化處理，導致沒法同時處理同一個商品的大量下單的請求。

這種方案，要是應對那種低并發、無秒殺場景的普通小電商系統，可能還可以接受。

因為如果并發量很低，每秒就不到 10 個請求，沒有瞬時高并發秒殺單個商品的場景的話，其實也很少會對同一個商品在 1 秒內瞬間下 1000 個訂單，因為小電商系統沒那場景。

如何對分布式鎖進行高并發優化?

好了，終于引入正題了，那么現在怎么辦呢?

面試官說，我現在就卡死，庫存超賣就是用分布式鎖來解決，而且一秒對一個 iPhone 下上千訂單，怎么優化?

現在按照剛才的計算，你 1 秒鐘只能處理針對 iPhone 的 50 個訂單。其實說出來也很簡單，相信很多人看過 Java 里的 ConcurrentHashMap 的源碼和底層原理，應該知道里面的核心思路，就是分段加鎖!

把數據分成很多個段，每個段是一個單獨的鎖，所以多個線程過來并發修改數據的時候，可以并發的修改不同段的數據。不至于說，同一時間只能有一個線程獨占修改 ConcurrentHashMap 中的數據。

另外，Java 8 中新增了一個 LongAdder 類，也是針對 Java 7 以前的 AtomicLong 進行的優化，解決的是 CAS 類操作在高并發場景下，使用樂觀鎖思路，會導致大量線程長時間重復循環。

LongAdder 中也是采用了類似的分段 CAS 操作，失敗則自動遷移到下一個分段進行 CAS 的思路。

其實分布式鎖的優化思路也是類似的，之前我們是在另外一個業務場景下落地了這個方案到生產中，不是在庫存超賣問題里用的。

但是庫存超賣這個業務場景不錯，很容易理解，所以我們就用這個場景來說一下。

大家看看下面的圖：

這就是分段加鎖。假如你現在 iPhone 有 1000 個庫存，那么你完全可以給拆成 20 個庫存段。

要是你愿意，可以在數據庫的表里建 20 個庫存字段，比如 stock_01，stock_02，類似這樣的，也可以在 Redis 之類的地方放 20 個庫存 Key。

總之，就是把你的 1000 件庫存給他拆開，每個庫存段是 50 件庫存，比如 stock_01 對應 50 件庫存，stock_02 對應 50 件庫存。

接著，每秒 1000 個請求過來了，好!此時其實可以是自己寫一個簡單的隨機算法，每個請求都是隨機在 20 個分段庫存里，選擇一個進行加鎖。

Bingo!這樣就好了，同時可以有最多 20 個下單請求一起執行，每個下單請求鎖了一個庫存分段，然后在業務邏輯里面，就對數據庫或者是 Redis 中的那個分段庫存進行操作即可，包括查庫存→判斷庫存是否充足→扣減庫存。

這相當于什么呢?相當于一個 20 毫秒，可以并發處理掉 20 個下單請求，那么 1 秒，也就可以依次處理掉 20 * 50 = 1000 個對 iPhone 的下單請求了。

一旦對某個數據做了分段處理之后，有一個坑大家一定要注意：就是如果某個下單請求，咔嚓加鎖，然后發現這個分段庫存里的庫存不足了，此時咋辦?

這時你得自動釋放鎖，然后立馬換下一個分段庫存，再次嘗試加鎖后嘗試處理。這個過程一定要實現。

分布式鎖并發優化方案有什么不足?

不足肯定是有的，***的不足，很不方便，實現太復雜了：

• 首先，你得對一個數據分段存儲，一個庫存字段本來好好的，現在要分為 20 個庫存字段。
• 其次，你在每次處理庫存的時候，還得自己寫隨機算法，隨機挑選一個分段來處理。
• ***，如果某個分段中的數據不足了，你還得自動切換到下一個分段數據去處理。

這個過程都是要手動寫代碼實現的，還是有點工作量，挺麻煩的。

不過我們確實在一些業務場景里，因為用到了分布式鎖，然后又必須要進行鎖并發的優化，又進一步用到了分段加鎖的技術方案，效果當然是很好的了，一下子并發性能可以增長幾十倍。

該優化方案的后續改進：以我們本文所說的庫存超賣場景為例，你要是這么玩，會把自己搞的很痛苦!再次強調，我們這里的庫存超賣場景，僅僅只是作為演示場景而已。

作者：中華石杉

中華石杉：十余年 BAT 架構經驗，一線互聯網公司技術總監。帶領上百人團隊開發過多個億級流量高并發系統。現將多年工作中積累下的研究手稿、經驗總結整理成文，傾囊相授。微信公眾號：石杉的架構筆記(ID：shishan100)。