小商店从0到1的系统能力构建之路
作者：endyxu??腾讯WXG后台开发工程师
|导语 小商店系统设计深度解析，本文将围绕快速上线、系统优化、商家入驻、商家成交四个维度的技术思考进行讲解
小程序交易开放方案包含标准低门槛版方案（小商店）以及自定义开发版方案（交易组件）。小商店是用于帮助商家免开发、0成本快速生成卖货小程序的一款低门槛的开店工具。小商店现提供商品信息发布、商品交易、直播等功能。有兴趣的朋友可以通过小程序搜索“小商店助手” 或者?https://shop.weixin.qq.com/了解更多。
小商店自立项以来，除了产品形态上在不断迭代，开发上的核心目标也在跟随着产品战略而有不同的侧重，本文主要围绕以下几个产品战略阶段展开讨论。
01
快速上线
这个时间点的开发上的核心挑战是2个月时间搭建一套电商系统雏形。
这是一个比较考验开发个人积累的阶段，因为除了“怎么快怎么来”以外，选型的时候更需要考虑以下两点：“业界怎么做”，“后面怎么升级”。
这里我们以商品及订单系统为例：
商品体系
商品体系核心主要是解决各类关系型数据，这里数据结构设计各友商们也基本大同小异。1:N的关系型，基本就是SQL表每一行存储关系树上的一条边（id, father_id），有兴趣的同学可以翻看下面文章。
订单体系
订单的设计，我们可以围绕以下的几个点来展开讨论：
1. 多维度查询问题
（1）用户维度查询
这是我们设计上的第一考虑要点，C端用户体验，这里TDSQL自带了水平分片的能力，分片路由上我们选用了useruin，一是保证C端用户查询快，二是确保数据存储均衡。
（2）订单号维度查询
由于我们选择了useruin作为shardkey，在以订单号查询时，有两个方法来避免扫所有分片，一个是在与前端的协议上，要求所有请求都带上useruin（因为一个订单号只对应一个订单），另一个方法，也是业界常用的“基因法”，既是将useruin的部分路由信息，融合到订单号的几个固定位置上。
（3）商户维度查询
在订单量过亿（目前在百万级）之前，扫描所有分片所用耗时均在50ms以内，属于可接受级别，在当前阶段没必要过度设计。后续数据量暴涨时，我们可以使用双集群相互复制模式，既多一套以商户维度分片的存储集群，将所有商户维度的请求都走该集群，不过该方案会带来两个衍生问题：1，单表数据过大问题，需要做水平切分，后面会讲；2，集群同步延迟带来的不一致问题，我们从业务角度上考虑，是属于可接受级别的，比如商家端发货，商家端可以马上看到订单状态更新，而用户端看到需要少许延时。
（4）搜索、筛选、排序
这类请求的特点是，性能消耗大，因此，业界通用做法是使用ES作为附加索引在解决。
2. 数据切分问题
（1）垂直切分
当存储空间不足时，就需要对存储做垂直切分了，这里可以订单表与ES只保留最核心的索引数据，冗余部分最常用的数据（金额）。
（2）水平切分
目前的设计主要是使用TDSQL自带的水平分片能力，以useruin作shardkey避免单表过大问题。假如后面需要优化商户维度的查询性能，则需对商户维度的存储做定制水平切分处理。
（3）数据冷热
订单的特点是时间越久被访问的频次越低，可以按照时间维度划分冷人数据，冷数据归档到便宜的存储上，既可以让数据库瘦身保持性能，同时也能降低存储成本。
参考：
02
系统优化
由于接入场景变多，部分场景存在抢购行为（如视频号直播）或者海量导入行为（交易组件），这些场景会给系统带来一定的冲击，因此这个阶段我们核心目标就是系统稳定性建设。
系统解耦
这是常用的降低故障影响面的套路，主要分为以下几点：
（1）主次分离：将核心业务重点隔离出来，将影响到交易，且不可降级的业务为核心业务，DB层/逻辑层均独立部署
（2）读写分离：C端读 B端写的数据可做读写分离（如商品，优惠券），降低写操作对高频读的影响，并可讲读数据简化提升读性能
（3）前后端分离：前端（展示+效果）与后端（数据+业务逻辑）解耦，方便紧急情况下后端做一些降级策略
读优化
之前由于需要快速上线，整个系统基本处于裸奔无任何cache状态，这一阶段我们对整个系统的所有读调用做了梳理，说到加缓存，其实就是以下这几个套路：
电商场景下，我们可以总结出以下几类数据：
（1）商家/商品相关：核心考虑点是保护商家上架时，用户突然间一波峰的抢购冲击，这里需要在上货时主动set cache。
（2）类目/品牌相关：属于少量数据，且变动不频繁，可做全量cache
（3）用户相关：这类数据，需要考虑点是如何做到访问DB的时机与交易时机错开，这个需要因地制宜，例如直播场景下，我们需要在用户进入直播间时预热这些数据
（4）库存相关：在售时属于动态数据，无需cache，但售罄时，需要第一时间cache住售罄状态，并将多余的流量做剪枝。
（5）商品降级数据：触发降级条件时生效，数据是正常请求时随机1%的结果去set cache，后面会详细讲。
关于如何防止缓存同时大量穿透的问题，其实有很多，如做本地+分布式的两级cache，或者stable cache等。
这一块重点想讨论的是，“如何排查出系统里面有哪些地方没加缓存”，发现未知的隐患，不然某一天一波突发流量进来了，他就是一颗定时炸弹。有人说压测/测试可以吗？可以，但前提是测试case要覆盖全逻辑链路，在一套庞大的系统面前几乎不可能。
这里我们提出了一个的监控方法：
怎么理解呢？我们假设理想情况下，DB里面所有数据有加了完美缓存，那么理论上DB的GET次数为GETuv（多少个key就访问多少次，同一个key第二次访问会被cache挡住）+SETpv（数据更新时，我们会删除缓存，所以需要额外访问一次DB），而实际的DB GET次数为GETpv次。因此我们可以根据该公式，对每一个DB的表做监控，如：
当曲线值远大于1（1为理想情况），且抖动明显时，可通过告警发现系统处理无缓存无优化状态。
写优化
说到写，在整个电商场景里面，最难的应该就是秒杀了，这也是经典的面试题。
秒杀场景的瓶颈在于热点库存的吞吐量，这里由于我们之前使用的是TDSQL的事务来做，基本上限是在100QPS左右。这道面试题标准的解法就是使用Redis集群代理模式来解决，这里我们主要围绕CAP理论展开讨论下实际使用中的一些注意点（面试干货）。
（1）租借式：同一条库存在某个时间节点只有一个DB可用（避免信息同步不及时带来的一致性问题），以DB为准，缓存只做代理租借，借出与归还都要写凭证，成交流水凭证也要同步给DB。
（2）平滑租借：从tdsql借出，到入账redis的过程，如何规避这个短暂不可交易状态？可以从业务上来考虑，在上架前完成租借，或者使用类似两阶段提交的模式，一次只租借部分的库存，保证任何时刻至少有一方有库存。
（3）redis可靠性：lua脚本保证操作的原子性；部署方案使用集群，双机热备，保证5个9的可用性；未知极端选择少卖，这里有一个技巧，所有扣库存的操作，都是先扣库存再写凭证，所有还库存的操作，都是先写凭证再还库存，确保库存当前值<=库存实际值。
（4）最终一致性：以写凭证成功为准，并在系统低峰基于凭证修复库存数。
（5）扩展性：动态扩容分桶模式，一个桶代理不够了，可以使用两个桶代理，这里我们可以对每个库存桶做一个令牌桶告警，当令牌桶水位超过50%时，自动将该库存桶的库存一分为二。由于库存分散在多个桶，可能会有碎片问题，但结合业务实际思考，能触发到扩容（至少2w/s以上的单key并发请求），其实货物马上就售罄了，所以碎片问题不会暴露。
柔性可用
如何做用户无感知的降级？在电商场景下，有一个核心思想很重要：调用峰值=min(库存数，同时购买人数)，因为在商品售罄后，我们可以直接从一个复杂case变成简单case。
在突发大流量进来时，我们没必要去硬抗，确保有少部分用户（超过库存数）能正常交易就行，其他用户看到的其实都是静态页面。
这里我们在商详页的读请求做了简单的频率限制，超过3w/s（普遍抢购场景库存数都不超过1k）的请求自动加载降级页面。由于降级页面属于静态页面，因此我们可以直接做在CGI层的local cache，通过正常请求随机1%的流量去更新cache，这样即使有百万级以上的抢购流量进来时，我们只需简单扩容CGI层的机器即可，轻量的水平拓展。
03
商家入驻
当系统趋于稳定后，我们的部分精力会去思考如何辅助产品做好这个项目。
电商场景下，商家入驻影响因素：拉力与门槛。而我们是否可以从技术的角度去辅助产品降低门槛呢？
（1）OCR自动填表：优化用户多余的无必要操作
（2）自动识物：拍照即可为商家自动填充所需商品信息，“自动识图”的底层是“扫一扫—识物”的基础能力。基于识物的召回结果，首先对多个相关商品标题进行信息整合，通过Pointer-Generator-Network得到包含品牌、商品名和基础属性的精简标题；其次，采用基于AL-BERT的多标题的文本分类，提取精确的商品三级类目；此外，对召回的商品图集，通过DBSCAN的同款聚类、PHash的相似图去重、CNN的图像质量分排序，为商家挑选高质精美的商品主图。
（3）爬虫代替API模式：电商场景中，部分商家是基于API导入商品的，这个过程本质就是字段的copy。而其实该商品有对应的小程序页面，我们正在规划一种接入模式，商家只需告诉我们path，我们可以自己爬取。
04
商家成交
继上面的命题，商家入驻了之后，我们如何用技术的手段辅助商家促成交易呢？
（1）智能海报：转化率最高的传播方式，这里我们正在做一套类似阿里“鹿班”的系统，结合设计的模版与u2net像素级抠图算法智能生成花样百出的海报
（2）智能文案：多用于微商场景群聊传播，转化率高，但创作门槛也高，这里我们通过对抗网络生成离线生成营销文案库，在线场景通过倒排检索相关营销文案，辅助商家0成本创作
（3）智能视频：用户短视频消费时间越来越长，微商已经把广告投放到短视频生态中，这里我们结合设计的模板（PAG）与智能选图，智能魔性配乐，降低商品视频的制作成本，辅助促成交易
05
小结
本文主要围绕工程算法在不同的时期，不同产品方向目标下，所面临的问题，以及如何做好对应的技术决策的思考小结，很多细节本文没有展开。项目能够在短时间能上线，并取得不错的业务结果，背后有很多人的付出，感谢整个项目团队的共同努力。
近期热文
基于云原生基础设施的后台架构设计思考
云时代，我们需要怎样的数据库？
大数据AI时代的产品修炼之路：A/B测试
让我知道你在看
