100亿级订单怎么调度，来一个大厂的极品方案

妖狐艹你老母 2024-03-26 12:10 104阅读 0赞

### 背景 ###

超时处理，是一个很有技术难度的问题。

所以很多的小伙伴，在写简历的时候，喜欢把这个技术难题写在简历里边， 体现自己高超的技术水平。

在40岁老架构师 尼恩的**读者社群**(50+)中，尼恩经常指导大家 优化简历。

最近，有小伙伴写简历，就写了这问题：

> 通过 定时任务+ 数据分片的方式，进行订单的超时处理。

尼恩去问他，怎么进行分片、怎么进行调度的。

小伙伴就开始一半糊涂、一半清晰。也就是说，他也能讲一些细节，比如怎么分片，怎么调度，感觉好像是接触过。

为啥说一半糊涂呢？ 就是他的方案的 **空白点太多， 随便找几个点发问， 就讲不清楚了**。

一半糊涂、一半清晰的方案，问题很严重，为啥呢？ 从面试官的角度来说，这 就是没有**真正干过**， 说明是**盗用的其他人的方案**。

这种案例，在尼恩的招人生涯中见得太多。面试过N多这种看上去牛逼轰轰，实际上 稀里糊涂的面试者，没有一次让他们过的。

那么问题来了，订单的超时处理的方案，具体是什么样的呢？

这里尼恩给大家做一下系统化、体系化的 订单的超时处理的方案，使得大家可以充分展示一下大家雄厚的 “技术肌肉”，**让面试官爱到 “不能自已、口水直流”**。

也一并把这个题目以及参考答案，收入咱们的 《[尼恩Java面试宝典][Java]》，供后面的小伙伴参考，提升大家的 3高 架构、设计、开发水平。

> 注：本文以 PDF 持续更新，最新尼恩 架构笔记、面试题 的PDF文件，请从这里获取：[码云][Link 1]

--------------------

#### 100亿订单的超时处理难题 ####

100亿订单的超时处理，是一个很有技术难度的问题。

比如，用户下了一个订单之后，需要在指定时间内(例如30分钟)进行支付，在到期之前可以发送一个消息提醒用户进行支付。

下面是一个订单的流程：

![bbf23d147f0c47c9a64ec05e9c900698.png][]

如上图所示，实际的生产场景中，一个订单流程中有许多环节要用到定时处理，比如：

*  买家超时未付款：  
    超过15分钟没有支付，订单自动取消。
 *  商家超时未发货：  
    商家超过1个月没发货，订单自动取消。
 *  买家超时未收货：  
    商家发货后，买家没有在14天内点击确认收货，则自动收货。

#### 海量任务的定时处理方案 ####

*  基于内存的延迟队列/优先级队列处理
 *  基于内存的时间轮调度
 *  基于分布式队列延迟消息的定时方案
 *  基于分布式K-V组件（如Redis）过期时间的定时方案

一些消息中间件的Broker端内置了延迟消息支持的能力

### 方案1：基于内存的延时队列 ###

JDK中提供了一种延迟队列数据结构DelayQueue，其本质是封装了PriorityQueue，可以把元素进行排序。

Java 的Timer、JUC的延迟调度，最终都是基于 PriorityQueue。

基于内存的延时队列进行调度的逻辑，其实比较简单，具体如下：

![7368f5ffe6264c1b953681cb269b3cc5.png][]

1.  把订单插入DelayQueue中，以超时时间作为排序条件，将订单按照超时时间从小到大排序。
2.  起一个线程不停轮询队列的头部，如果订单的超时时间到了，就出队进行超时处理，并更新订单状态到数据库中。
3.  为了防止机器重启导致内存中的DelayQueue数据丢失，每次机器启动的时候，需要从数据库中初始化未结束的订单，加入到DelayQueue中。

**基于内存的延时队列调度的优点和缺点：**

*  优点：  
    简单，不需要借助其他第三方组件，成本低。
 *  缺点：
    
     *  所有超时处理订单都要加入到DelayQueue中，占用内存大。
     *  没法做到分布式处理，只能在集群中选一台leader专门处理，效率低。
     *  不适合订单量比较大的场景。

### 方案2：RocketMQ的定时消息 ###

RocketMQ支持任意秒级的定时消息，如下图所示

![2dedcba0a8924b0c84f75f6edb9e663f.png][]

使用门槛低，只需要在发送消息的时候设置延时时间即可，以 java 代码为例：

MessageBuilder messageBuilder = null;
    Long deliverTimeStamp = System.currentTimeMillis() + 10L * 60 * 1000; //延迟10分钟
    Message message = messageBuilder.setTopic("topic")
            //设置消息索引键，可根据关键字精确查找某条消息。
            .setKeys("messageKey")
            //设置消息Tag，用于消费端根据指定Tag过滤消息。
            .setTag("messageTag")
            //设置延时时间
            .setDeliveryTimestamp(deliverTimeStamp) 
            //消息体
            .setBody("messageBody".getBytes())
            .build();
    SendReceipt sendReceipt = producer.send(message);
    System.out.println(sendReceipt.getMessageId());

#### RocketMQ的定时消息是如何实现的呢？ ####

RocketMQ 定时消息的推送，主要分为 ： 延迟消息、定时消息。

*  在 RocketMQ 4.x 版本，使用 延迟消息来实现消息的多个级别延迟消息——粗粒度延迟。
 *  在 RocketMQ 5.x 版本，使用定时消息来实现消息的更精准定时消息,——细粒度延迟。

RocketMQ 4.x 版本只支持 延迟消息，有一些局限性。而 RocketMQ 5.x 版本引入了定时消息，弥补了 延迟消息的不足。

#### RocketMQ 4.x 粗粒度 延迟消息 ####

RocketMQ 的 延迟消息是指 Producer 发送消息后，Consumer 不会立即消费，而是需要等待固定的时间才能消费。

在一些场景下， 延迟消息是很有用的，比如电商场景下关闭 30 分钟内未支付的订单。

使用 延迟消息非常简单，只需要给消息的 delayTimeLevel 属性赋值就可以。

发送 分级定时消息，参考下面代码：

Message message = new Message("TestTopic", ("Hello scheduled message " + i).getBytes());
    //第 3 个级别，10s
    message.setDelayTimeLevel(3);
    producer.send(message);

延迟消息有 18 个级别，如下：

private String messageDelayLevel = "1s 5s 10s 30s 1m 2m 3m 4m 5m 6m 7m 8m 9m 10m 20m 30m 1h 2h";

##### 实现原理 #####

延迟消息的实现原理如下图：

![f307df9205d84bb7b0ba4958f186d8d2.png][]

Producer 把消息发送到 Broker 后，Broker 判断是否 延迟消息，

如果是，首先会把消息投递到延时队列（Topic = SCHEDULE\_TOPIC\_XXXX，queueId = delayTimeLevel - 1）。

另外，由于18 个级别的延迟，所以定时任务线程池会有 18 个线程来对延时队列进行调度，每个线程调度一个延时级别，

调度任务把 延迟消息再投递到原始队列，这样 Consumer 就可以拉取到了到期的消息。

#### RocketMQ 4.x 粗粒度 延迟消息存在不足 ####

RocketMQ 4.x 延迟消息存在着一些不足：

1、延时级别只有 18 个，粒度很粗，并不能满足所有场景；

"1s 5s 10s 30s 1m 2m 3m 4m 5m 6m 7m 8m 9m 10m 20m 30m 1h 2h";

2、可以通过修改 messageDelayLevel 配置来自定义延时级别，虽然可以修改，但是不灵活

比如一个在大规模的平台上，延时级别成百上千，而且随时可能增加新的延时时间；

3.延时时间不准确，后台的定时线程可能会因为处理消息量大导致延时误差大。

#### RocketMQ 5.x 细粒度定时消息 ####

为了弥补 延迟消息的不足，RocketMQ 5.0 引入了细粒度定时消息。

经典的时间轮算法如下：

![368c8cae61414262a70b70a4707b7ab6.png][]

时间轮类似map，key 为时间的刻度，value为此刻度所对应的任务列表。

一般来说，可以理解为一种环形结构，像钟表一样被分为多个 slot 槽位。

每个 slot 代表一个时间段，每个 slot 中可以存放多个任务，使用的是链表结构保存该时间段到期的所有任务。

时间轮通过一个时针随着时间一个个 slot 转动，并执行 slot 中的所有到期任务。

从内部结构来看，是一个Bucket 数组，每个 Bucket 表示时间轮中一个 slot。

从 Bucket 的结构定义可以看出，Bucket 内部是一个双向链表结构，双向链表的每个节点持有一个 task 对象，task 代表一个定时任务。每个 Bucket 都包含双向链表 head 和 tail 两个 task 节点，这样就可以实现不同方向进行链表遍历

![c64f245afdb947eeb9bbc6eb86ecc31d.png][]

时间轮的算法、以及时间轮的演进，非常重要

*内容太多，这里不做展开，具体请看尼恩的3高架构笔记《彻底穿透Caffeine底层源码和架构》，里边介绍了三个超高并发组件：时间轮、 多级时间轮、条带环状结构、MPSC队列，大家一定认真看看。*

#### RocketMQ 5.X的时间轮 ####

RocketMQ 定时消息引入了秒级的时间轮算法。注意，是 秒级时间轮。

**从源码来看，RocketMQ 定义了一个 7 天的以秒为单位的时间轮**

注意：时间刻度为1s，没有再细，比如 10ms、100ms之类的 。

作为参考下面提供一个一分钟的，以1s为刻度的时间轮，如下图：

![3830d74f184344a08f565d5383e46a83.png][]

图中是一个 60s 的时间轮，每一个槽位是一个链表，链表里边的节点，通过TimerLog节点结构来记录不同时刻的消息。

所以，RocketMQ 使用 TimerWheel 来描述时间轮，TimerWheel 中每一个时间节点是一个 Slot，Slot 保存了这个延时时间的 TimerLog 信息的链表。

Slot 数据结构如下图：

![c644a75cc6be4a9a96ffceb27b0ee241.png][]

**参考下面代码：**

//类 TimerWheel
    public void putSlot(long timeMs, long firstPos, long lastPos, int num, int magic) {
        
        localBuffer.get().position(getSlotIndex(timeMs) * Slot.SIZE);
        localBuffer.get().putLong(timeMs / precisionMs);
        localBuffer.get().putLong(firstPos);
        localBuffer.get().putLong(lastPos);
        localBuffer.get().putInt(num);
        localBuffer.get().putInt(magic);
    }

##### 绑定时间轮 #####

时间通过TimerWheel来描述时间轮不同的时刻，

并且，对于所处于同一个刻度的的消息，组成一个槽位的链表，每一个定时消息，有一个TimerLog 描述定时相关的信息

TimerLog 有一个核心字段prevPos，同一个时间轮槽位里边的TimerLog ，会通过prevPos串联成一个链表.

首先看一下 TimerLog 保存的数据结构，如下图：

![b0492aa1a6874023a8f5f46fd31c12af.png][]

参考下面代码：

//TimerMessageStore类
    ByteBuffer tmpBuffer = timerLogBuffer;
    tmpBuffer.clear();
    tmpBuffer.putInt(TimerLog.UNIT_SIZE); //size
    tmpBuffer.putLong(slot.lastPos); //prev pos
    tmpBuffer.putInt(magic); //magic
    tmpBuffer.putLong(tmpWriteTimeMs); //currWriteTime
    tmpBuffer.putInt((int) (delayedTime - tmpWriteTimeMs)); //delayTime
    tmpBuffer.putLong(offsetPy); //offset
    tmpBuffer.putInt(sizePy); //size
    tmpBuffer.putInt(hashTopicForMetrics(realTopic)); //hashcode of real topic
    tmpBuffer.putLong(0); //reserved value, just set to 0 now
    long ret = timerLog.append(tmpBuffer.array(), 0, TimerLog.UNIT_SIZE);
    if (-1 != ret) {
        
     // If it's a delete message, then slot's total num -1
     // TODO: check if the delete msg is in the same slot with "the msg to be deleted".
     timerWheel.putSlot(delayedTime, slot.firstPos == -1 ? ret : slot.firstPos, ret,
      isDelete ? slot.num - 1 : slot.num + 1, slot.magic);
    }

##### 时间轮上的时间指针 #####

时间轮上，会有一个指向当前时间的指针定时地移动到下一个时间（秒级）。

TimerWheel中的每一格代表着一个时刻，同时会有一个firstPos指向槽位链的首条TimerLog记录的地址，一个lastPos指向这个槽位链最后一条TimerLog的记录的地址。

![1dca36506e5b450d9da13304843061aa.png][]

当需要新增一条记录的时候，

例如现在我们要新增一个 “1-4”。

那么就将新记录的 prevPos 指向当前的 lastPos，即 “1-3”，然后修改 lastPos 指向 “1-4”。

这样就将同一个刻度上面的 TimerLog 记录全都串起来了。

![e1d4c06a11ef42899ab2d235f3d916af.png][]

#### 精准定时消息发送方式 ####

使用 RocketMQ 定时消息时，客户端定义精准定时消息的示例代码如下：

//定义消息投递时间
    // deliveryTime = 未来的一个时间戳
    org.apache.rocketmq.common.message.Message messageExt = this.sendMessageActivity.buildMessage(null,
     Lists.newArrayList(
      Message.newBuilder()
       .setTopic(Resource.newBuilder()
        .setName(TOPIC)
        .build())
       .setSystemProperties(SystemProperties.newBuilder()
        .setMessageId(msgId)
        .setQueueId(0)
        .setMessageType(MessageType.DELAY)
        .setDeliveryTimestamp(Timestamps.fromMillis(deliveryTime))
        
        .setBornTimestamp(Timestamps.fromMillis(System.currentTimeMillis()))
        .setBornHost(StringUtils.defaultString(RemotingUtil.getLocalAddress(), "127.0.0.1:1234"))
        .build())
       .setBody(ByteString.copyFromUtf8("123"))
       .build()
     ),
    Resource.newBuilder().setName(TOPIC).build()).get(0);

#### 源码分析：消息投递原理 ####

客户端SDK代码中，Producer 创建消息时给消息传了一个系统属性 deliveryTimestamp，

这个属性指定了消息投递的时间，并且封装到消息的 TIMER\_DELIVER\_MS 属性，代码如下：

protected void fillDelayMessageProperty(apache.rocketmq.v2.Message message, org.apache.rocketmq.common.message.Message messageWithHeader) {
        
        if (message.getSystemProperties().hasDeliveryTimestamp()) {
        
    
            Timestamp deliveryTimestamp = message.getSystemProperties().getDeliveryTimestamp();
            //delayTime 这个延时时间默认不能超过 1 天,可以配置
            long deliveryTimestampMs = Timestamps.toMillis(deliveryTimestamp);
            validateDelayTime(deliveryTimestampMs);
            //...
            String timestampString = String.valueOf(deliveryTimestampMs);
            //MessageConst.PROPERTY_TIMER_DELIVER_MS="TIMER_DELIVER_MS"
            MessageAccessor.putProperty(messageWithHeader, MessageConst.PROPERTY_TIMER_DELIVER_MS, timestampString);
        }
    }

服务端代码中，Broker 收到这个消息后，判断到 TIMER\_DELIVER\_MS 这个属性是否有值，

如果有，就会把这个消息投递到 Topic 是 rmq\_sys\_wheel\_timer 的队列中，这个只有一个分区，queueId 是 0，作为中转的队列

中转的时候，同时会保存原始消息的 Topic、queueId、投递时间（TIMER\_OUT\_MS）。

TimerMessageStore 中有个定时任务 TimerEnqueueGetService 会从 rmq\_sys\_wheel\_timer 这个 Topic 中读取消息，然后封装 TimerRequest 请求并放到内存队列 enqueuePutQueue。

一个异步任务TimerEnqueuePutService 从上面的 enqueuePutQueue 取出 TimerRequest 然后封装成 TimerLog，然后绑定到时间轮

#### TimerLog 是怎么和时间轮关联起来的呢？ ####

RocketMQ 使用 TimerWheel 来描述时间轮，

\*\*从源码上看，RocketMQ 定义了一个 7 天的以秒为单位的时间轮。\*\*TimerWheel 中每一个时间节点是一个 Slot，Slot 保存了这个延时时间的 TimerLog 信息。

数据结构如下图：

![06bd428abbca410fb35462d267629c26.png][]

**参考下面代码：**

通过TimerWheel的 putSlot方法，TimerLog 跟 时间轮就绑定起来了，见下图：

![5431eb6355fc4297bc941963058b1bb0.png][]

如果时间轮的一个时间节点（Slot）上有一条新的消息到来，那只要新建一个 TimerLog，然后把它的指针指向该时间节点的最后一个 TimerLog，然后把 Slot 的 lastPos 属性指向新建的这个 TimerLog，如下图：

![872286609656489ea80799206bc81b0f.png][]

#### 时间轮中的 定时消息异步处理总流程 ####

终于，咱们的定时消息进入到时间轮了。

那么，随着时间刻度的步进， 上面的消息，怎么转移到原始的topic的 分区呢？

由于 rocketmq的源码是超高性能的，所以，这里有N个队列做缓冲，有N个任务

这里用到 5 个定时任务和 3个队列来实现。

定时消息的处理流程如下图：

![49ac76d79c094da6a718c70e09c9cd4a.png][]

##### 时间轮转动 #####

转动时间轮时，TimerDequeueGetService 这个定时任务从当前时间节点（Slot）对应的 TimerLog 中取出数据，封装成 TimerRequest 放入 dequeueGetQueue 队列。

##### CommitLog 中读取消息 #####

定时任务 TimerDequeueGetMessageService 从队列 dequeueGetQueue 中拉取 TimerRequest 请求，然后根据 TimerRequest 中的参数去 CommitLog（MessageExt） 中查找消息，查出后把消息封装到 TimerRequest 中，然后把 TimerRequest 写入 dequeuePutQueue 这个队列。

##### 写入原队列 #####

定时任务 TimerDequeuePutMessageService 从 dequeuePutQueue 队列中获取消息，

把消息转换成原始消息，投入到原始队列中，这样消费者就可以拉取到了。

#### RocketMQ的定时消息的优点和不足 ####

##### 要注意的地方 #####

对于定时时间的定义，客户端、Broker 和时间轮的默认最大延时时间定义是不同的，使用的时候需要注意。

##### RocketMQ的定时消息优点 #####

*  精度高，支持任意时刻。
 *  使用门槛低，和使用普通消息一样。

##### RocketMQ的定时消息缺点 #####

*  时长的使用限制：  
    定时和延时消息的msg.setStartDeliverTime参数可设置40天内的任何时刻（单位毫秒），超过40天消息发送将失败。  
    设置定时和延时消息的投递时间后，从中转队列调度到了原始的消息队列之后，依然受3天的消息保存时长限制。例如，设置定时消息5天后才能被消费，如果第5天后一直没被消费，那么这条消息将在第8天被删除。
 *  海量 消息场景，存储成本高：  
    在海量订单场景中，如果每个订单需要新增一个定时消息，且不会马上消费，额外给MQ带来很大的存储成本。
 *  同一个时刻大量消息会导致消息延迟：  
    定时消息的实现逻辑需要先经过定时存储等待触发，定时时间到达后才会被投递给消费者。  
    因此，如果将大量定时消息的定时时间设置为同一时刻，则到达该时刻后会有大量消息同时需要被处理，会造成系统压力过大，导致消息分发延迟，影响定时精度。

### 方案3：Redis的过期监听 ###

和RocketMQ定时消息一样，Redis支持过期监听，也能达到的能力

#### 通过Redis中key的过期事件，作为延迟消息 ####

可以通过Redis中key的过期事件，作为延迟消息。使用Redis进行订单超时处理的流程图如下

![03a765f462ec4b9695c821217844e42d.png][]

具体步骤如下：

1.  在服务器中 修改redis配置文件, 开启"notify-keyspace-events Ex"

原来notify-keyspace-events 属性是" " 空的，我们只需要填上“Ex”就行了

![f38cefb5fe9f426a933d19168a622ce5.png][]

1.  监听key的过期回调

创建一个Redis监控类，用于监控过期的key，该类需继承KeyExpirationEventMessageListener

public class KeyExpiredListener extends KeyExpirationEventMessageListener {
        
     
        public KeyExpiredListener(RedisMessageListenerContainer listenerContainer) {
        
            super(listenerContainer);
        }
     
        @Override
        public void onMessage(Message message, byte[] pattern) {
        
               String keyExpira = message.toString();
            System.out.println("监听到key：" + expiredKey + "已过期");
        }
    }

1.  创建Redis配置类 , 装配这个 监听器

@Configuration
    public class RedisConfiguration {
        
     
        @Autowired
        private RedisConnectionFactory redisConnectionFactory;
     
        @Bean
        public RedisMessageListenerContainer redisMessageListenerContainer() {
        
            RedisMessageListenerContainer redisMessageListenerContainer = new RedisMessageListenerContainer();
            redisMessageListenerContainer.setConnectionFactory(redisConnectionFactory);
            return redisMessageListenerContainer;
        }
     
        @Bean
        public KeyExpiredListener keyExpiredListener() {
        
            return new KeyExpiredListener(this.redisMessageListenerContainer());
        }
    }

#### Redis过期时间作为延迟消息的原理 ####

每当一个key设置了过期时间，Redis就会把该key带上过期时间，在redisDb中通过expires字段维护：

typedef struct redisDb {
        
        dict *dict;    /* 维护所有key-value键值对 */
        dict *expires; /* 过期字典，维护设置失效时间的键 */
        ....
    } redisDb;

这个结构，通过一个 过期字典dict来维护

过期字典dict 本质上是一个链表，每个节点的数据结构结构如下：

*  key是一个指针，指向某个键对象。
 *  value是一个long long类型的整数，保存了key的过期时间。

![434b879e37bc4e1dbdcbca755ce29fea.png][]

为了提升性能，Redis主要使用了定期删除和惰性删除策略来进行过期key的删除

*  定期删除：每隔一段时间（默认100ms）就**随机抽取**一些设置了过期时间的key，检查其是否过期，如果有过期就删除。之所以这么做，是为了通过限制删除操作的执行时长和频率来减少对cpu的影响。不然每隔100ms就要遍历所有设置过期时间的key，会导致cpu负载太大。
 *  惰性删除：不主动删除过期的key，每次从数据库访问key时，都检测key是否过期，如果过期则删除该key。惰性删除有一个问题，如果这个key已经过期了，但是一直没有被访问，就会一直保存在数据库中。

从以上可以知道，Redis过期删除是不精准的，

在订单超时处理的场景下，订单的数据如果没有去访问，那么惰性删除基本上也用不到，

所以，无法保证key在过期的时候可以立即删除，更不能保证能立即通知。

如果订单量比较大，那么延迟几分钟也是有可能的。

总而言之，Redis过期通知也是不可靠的，Redis在过期通知的时候，

如果应用正好重启了，那么就有可能通知事件就丢了，会导致订单一直无法关闭，有稳定性问题。

### 方案4：超大规模分布式定时批处理 架构 ###

海量订单过期的 分布式定时批处理解决方案，分为两步：

step1：通过分布式定时不停轮询数据库的订单，将已经超时的订单捞出来

step2：分而治之，分发给不同的机器分布式处理

![f0c606c6f2f5421881688446d9bb2979.png][]

在阿里内部，几乎所有的业务都使用**超大规模分布式定时批处理 架构**，大致的架构图如下：

![2bad4166c7844c75b901b2ef5db49cad.png][]

#### 超大规模分布式定时批处理 宏观架构 ####

前段时间指导简历，小伙伴简历里边写了这个项目，但是对这个项目的思想和精髓没有理解，导致漏洞百出。

接下来，尼恩首先给大家梳理一下 超大规模分布式定时批处理 宏观架构。

如何让超时调度中心不同的节点协同工作，拉取不同的数据？宏观的架构如下：

![b59bd23e86974b85b4a3b3076e73b6e1.png][]

##### 调度中心：海量任务调度执行系统 #####

通常的解决方案如

*  自研分布式调度系统，尼恩曾经自研过 基于DB的分布式调度系统、基于zookeeper 的分布式调度系统
 *  开源的分布式调度系统 如 xxl-job，
 *  阿里巴巴分布式任务调度系统SchedulerX，不但兼容主流开源任务调度系统，也兼容Spring @Scheduled注解，

优先推荐，是使用最新版本的、基于时间轮的xxl-job，或者基于xxl-job做定制开发，后面估计尼恩可能会通过对 xxl-job的架构和源码进行介绍。

*xxl-job基于 时间轮完成调度，关于时间轮和 高性能多级时间轮，非常重要，但是内容太多，这里不做展开，*

*具体请看尼恩的3高架构笔记《彻底穿透Caffeine底层源码和架构》，里边介绍了三个超高并发组件：时间轮、 多级时间轮、条带环状结构、MPSC队列，大家一定认真看看。*

那么在100亿级海量订单超时处理场景中，虽然海量订单，但是对于调度系统来说，不是海量的。

因为为了给DB降低压力，订单是批量处理的，不可能一个订单一个延迟任务，而是一大批订单一个延迟任务。

所以，任务的数量级，成数量级的下降。

所以100亿级海量订单超时处理场景的压力不在调度，而在于 数据库。

问题的关键是如何进行数据分片。

#### 海量数据分片模型 ####

首先来看 DB数据的数据是如何分片的。 DB数据分片模型的架构，本身场景复杂：

*  分库分表场景
 *  一张大表场景
 *  海量数据存储组件 hbase、hdfs 等等

海量数据分片模型 要解决问题：

*  首先是复杂的分片模型的问题
 *  其次就是数据批处理的过程中，如何减少数据传输，提升性能的问题。

第一个问题：复杂的分片模型的问题。

由于 分片模型与数据库的存储方案的选型，和分库分表的设计有关，这里不做展开。

*后面给大家讲大数据的时候，再展开。*

*咱们的卷王目标是**左手大数据、右手云原生**， 大数据是咱们后面卷的重点。*

##### 轻量级MapReduce模型 #####

第2个问题：如何减少数据传输。

注意，如果数据源在mysql这样的结构化db，修改订单的状态，是可以直接通过结构化sql，进行批量更新的。这个一条sql搞定，是非常简单的。

但是，既然是海量数据，就不一定在结构化DB，而是在异构的DB（NOSQL）中。

异构DB（NOSQL）就没有办法通过结构化sql，进行批量更新了。

很多的NOSQL DB的记录修改，是需要两步：

*  step1：把数据读取出来，
 *  step2：改完之后，再写入。

所以，如果订单的数据源，不一定是DB，而且在异构的DB（NOSQL）中， 那么久存在大量的数据传输的问题。

100亿级订单规模，基本上会涉及到异构DB，所以阿里的订单状态修改，要求既能兼容 结构化DB，又能兼容异构 DB， 那么就存在大量的数据传输问题。

为了减少数据传输，提升批处理性能的问题。阿里技术团队，使用了轻量级MapReduce模型。

###### 重量级MapReduce模型 ######

首先看看，什么是MapReduce模型。

传统的基于hadoop的文件批处理，数据在hdfs文件系统中，读取到内存之后，再把结果写入到hdfs，这种基于文件的批处理模式，存在大量的数据传输、磁盘IO，性能太低太低，根本不在目前的这个场景考虑之内哈

基于内存的批量数据处理，比如spark中的离线批量处理，采用的内存处理方式，和基于文件的批量处理相比，速度有了质的飞越

在spark基于内存的批处理流程中（这里简称为基于内存的MR），首先把数据加载到内存， 进行map转换、reduce 规约（或者聚合）之后，再把结果通过网络传输到下一个环节。这里，存在着大家的数据传输。

所以，不论是内存的批处理、还是基于文件批处理，都需要大量的传输数据，

大量的数据传输，意味着性能太低， 不适用 海量订单批处理场景。

如何缩减数据传输的闺蜜，避免数据的大规模传输呢？

###### 轻量级MapReduce模型 ######

阿里自研了轻量级MapReduce模型，可以简称为本地批处理。

所以轻量级MapReduce模型，就是减少数据传输，在原来的数据库里边进行数据的计算（比如通过SQL语句），不需要把数据加载到内存进行计算。

轻量级MapReduce模型在执行的过程中，计算节点主要管理的是 **转换**、**规约** 的分片规则、执行状态和结果，对这些任务中的业务数据，计算节点不去读取计算的目标数据，减少了海量业务数据的反复读取、写入。

**转换阶段：**

轻量级MapReduce模型，通过实现map函数，通过代码自行构造分片，调度系统将分片平均分给超时中心的不同节点分布式执行。

![22321a9085514ccc86c77ffe13fef735.png][]

注意，在MR集群中，分片由Master主节点完成，保存在内存数据库H2中。工作节点的调度，也是Master完成。

##### 规约阶段 #####

通过实现reduce函数，可以做聚合，可以判断这次跑批有哪些分片跑失败了，从而通知下游处理。

![1eedb7006f774950b0028632f747b59d.png][]

注意，在MR集群中，work的分片任务执行结果汇报到Master，这些结果保存在内存数据库H2中，由Master完成规约（或聚合）。

有了这个自研了轻量级MapReduce模型，阿里的超时调度中心可以针对任意异构数据源，简单几行代码就可以实现海量数据秒级别跑批。

#### 定时任务分布式批处理的方案的优势： ####

使用定时任务分布式批处理的方案具有如下优势：

*  **稳定性强：**  
    基于通知的方案（比如MQ和Redis），比较担心在各种极端情况下导致通知的事件丢了。  
    使用定时任务跑批，只需要保证业务幂等即可，  
    如果这个批次有些订单没有捞出来，或者处理订单的时候应用重启了，下一个批次还是可以捞出来处理，稳定性非常高。
 *  **效率高：**  
    基于MQ的方案，需要一个订单一个定时消息，consumer处理定时消息的时候也需要一个订单一个订单更新，对数据库tps很高。  
    使用定时任务跑批方案，一次捞出一批订单，处理完了，可以批量更新订单状态，减少数据库的tps。  
    在海量订单处理场景下，批量处理效率最高。
 *  **可运维：**  
    基于数据库存储，可以很方便的对订单进行修改、暂停、取消等操作，所见即所得。  
    如果业务跑失败了，还可以直接通过sql修改数据库来进行批量运维。
 *  **成本低：**  
    相对于其他解决方案要借助第三方存储组件，复用数据库的成本大大降低。

#### 定时任务分布式批处理的方案的缺点： ####

但是使用定时任务有个天然的缺点：没法做到精度很高。

定时任务的延迟时间，由定时任务的调度周期决定。

如果把频率设置很小，就会导致数据库的qps比较高，容易造成数据库压力过大，从而影响线上的正常业务。

解决方案就是DB解耦：

阿里内部，一般需要解耦单独超时库，单独做订单的超时调度，不会和业务库在在一起操作。

同时也有独立的超时中心，完成 数据的分片，以及跑批任务的调度。

### 订单任务调度场景的选型 ###

（1）超时精度比较高、超时任务不会有峰值压力的场景

如果对于超时精度比较高，不会有峰值压力的场景，推荐使用RocketMQ的定时消息解决方案。

（2）超时精度比较低、超时任务不会有峰值压力的场景（100亿级订单）

在电商业务下，许多订单超时场景都在24小时以上，对于超时精度没有那么敏感，并且有海量订单需要批处理，推荐使用基于定时任务的跑批解决方案。

阿里的100亿级订单超时处理选型，选择的是后面的方案。

### 架构的魅力 ###

通过以上的梳理，大家如果需要把 海量任务定时调度的方案写入简历，再也不会一半清晰、一半糊涂了。

如果还不清楚怎么写入简历，可以来找尼恩进行简历指导。**保证 脱胎换骨、金光闪闪、天衣无缝。**

总之，架构魅力，在于没有最好的方案，只有更好的方案。

大家如果有疑问，或者更好的方案，可以多多交流，此题，后面的答案，也会不断的完善和优化。

### 参考文献： ###

\[1\]https://developer.aliyun.com/article/994932

\[2\]https://redis.io/docs/manual/keyspace-notifications/

\[3\]https://www.aliyun.com/aliware/schedulerx

\[4\]https://developer.aliyun.com/article/706820

\[5\]https://blog.csdn.net/zjj2006/article/details/127825955

### 技术自由的实现路径 PDF 获取： ###

##### 实现你的 架构自由： #####

《[吃透8图1模板，人人可以做架构][8_1]》

《[10Wqps评论中台，如何架构？B站是这么做的！！！][10Wqps_B]》

《[阿里二面：千万级、亿级数据，如何性能优化？ 教科书级 答案来了][Link 2]》

《[峰值21WQps、亿级DAU，小游戏《羊了个羊》是怎么架构的？][21WQps_DAU]》

《[100亿级订单怎么调度，来一个大厂的极品方案][100]》

《[2个大厂 100亿级 超大流量 红包 架构方案][2_ 100_ _ _]》

*… 更多架构文章，正在添加中*

##### 实现你的 响应式 自由： #####

《[响应式圣经：10W字，实现Spring响应式编程自由][10W_Spring]》

这是老版本 《[Flux、Mono、Reactor 实战（史上最全）][Flux_Mono_Reactor]》

##### 实现你的 spring cloud 自由： #####

**《[Spring cloud Alibaba 学习圣经][Spring cloud Alibaba]》 PDF**

《[分库分表 Sharding-JDBC 底层原理、核心实战（史上最全）][Sharding-JDBC]》

《[一文搞定：SpringBoot、SLF4j、Log4j、Logback、Netty之间混乱关系（史上最全）][SpringBoot_SLF4j_Log4j_Logback_Netty]》

##### 实现你的 linux 自由： #####

《[Linux命令大全：2W多字，一次实现Linux自由][Linux_2W_Linux]》

##### 实现你的 网络 自由： #####

《[TCP协议详解 (史上最全)][TCP_]》

《[网络三张表：ARP表, MAC表, 路由表，实现你的网络自由！！][ARP_ MAC_]》

##### 实现你的 分布式锁 自由： #####

《[Redis分布式锁（图解 - 秒懂 - 史上最全）][Redis_ - _ -]》

《[Zookeeper 分布式锁 - 图解 - 秒懂][Zookeeper _ - _ -]》

##### 实现你的 王者组件 自由： #####

《[队列之王： Disruptor 原理、架构、源码 一文穿透][Disruptor _]》

《[缓存之王：Caffeine 源码、架构、原理（史上最全，10W字 超级长文）][Caffeine _10W_]》

《[缓存之王：Caffeine 的使用（史上最全）][Caffeine]》

《[Java Agent 探针、字节码增强 ByteBuddy（史上最全）][Java Agent _ ByteBuddy]》

##### 实现你的 面试题 自由： #####

[4000页《尼恩Java面试宝典 》 40个专题][Java]

以上尼恩 架构笔记、面试题 的PDF文件更新，请到《技术自由圈》公号获取↓↓↓

### 免费领取11个技术圣经PDF： ###

![7a551a621a284dd9b6a7ce8ab5276ea8.png][]

[Java]: https://blog.csdn.net/crazymakercircle/article/details/124790425
[Link 1]: https://gitee.com/crazymaker/SimpleCrayIM/blob/master/%E7%96%AF%E7%8B%82%E5%88%9B%E5%AE%A2%E5%9C%88%E6%80%BB%E7%9B%AE%E5%BD%95.md
[bbf23d147f0c47c9a64ec05e9c900698.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/26/569cf08ecedf41f095cd20cb421c7ec3.png
[7368f5ffe6264c1b953681cb269b3cc5.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/26/de51917df193437d91258a15ca6d3d06.png
[2dedcba0a8924b0c84f75f6edb9e663f.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/26/0106f4a81a90402ea37f45f14f566c13.png
[f307df9205d84bb7b0ba4958f186d8d2.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/26/cff71ea32d0d41f282784df69a108ed0.png
[368c8cae61414262a70b70a4707b7ab6.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/26/5871ea089563428aa0250de9cd4358cd.png
[c64f245afdb947eeb9bbc6eb86ecc31d.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/26/ef7f7e0324d84a9c8d280fe9f2e19d93.png
[3830d74f184344a08f565d5383e46a83.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/26/0e44bdf2a30c4ce5b604291584df4d2f.png
[c644a75cc6be4a9a96ffceb27b0ee241.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/26/d632660a017b4ecfb46990c16b102615.png
[b0492aa1a6874023a8f5f46fd31c12af.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/26/1951193e4cfd49159a1c5fba4093975a.png
[1dca36506e5b450d9da13304843061aa.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/26/90ab82d628784c6ebb22e30002f5f25c.png
[e1d4c06a11ef42899ab2d235f3d916af.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/26/c1209a6f8571437c94ddbb770cc61dfa.png
[06bd428abbca410fb35462d267629c26.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/26/d859bca19b924134af53114c42c3c495.png
[5431eb6355fc4297bc941963058b1bb0.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/26/6ec5d3fff3af45c1b21075b7a444e864.png
[872286609656489ea80799206bc81b0f.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/26/1559dfd90a3741dbaed8c80e4e895515.png
[49ac76d79c094da6a718c70e09c9cd4a.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/26/18f3478576664226965cf5e3e8c1fa3b.png
[03a765f462ec4b9695c821217844e42d.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/26/a206fe8a5e394f21b0e1c56b6ace8814.png
[f38cefb5fe9f426a933d19168a622ce5.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/26/2535dcd3f4944ef0b2c1e42e0de60711.png
[434b879e37bc4e1dbdcbca755ce29fea.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/26/755637de173b4375841bf53954d0097d.png
[f0c606c6f2f5421881688446d9bb2979.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/26/129e087888134086a3cdccebbbbff3c0.png
[2bad4166c7844c75b901b2ef5db49cad.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/26/ee1b15d1a9974f098b0b931e91302441.png
[b59bd23e86974b85b4a3b3076e73b6e1.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/26/e0e9a2099e9d43489f53e17f05c082be.png
[22321a9085514ccc86c77ffe13fef735.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/26/5650469d973c41bea43730469833230e.png
[1eedb7006f774950b0028632f747b59d.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/26/e39a6ee27d92478a974594f6a1d61591.png
[8_1]: https://blog.csdn.net/crazymakercircle/article/details/129204455
[10Wqps_B]: https://blog.csdn.net/crazymakercircle/article/details/129410795
[Link 2]: https://blog.csdn.net/crazymakercircle/article/details/128848309
[21WQps_DAU]: https://blog.csdn.net/crazymakercircle/article/details/128725701
[100]: https://blog.csdn.net/crazymakercircle/article/details/129145200
[2_ 100_ _ _]: https://blog.csdn.net/crazymakercircle/article/details/128697096
[10W_Spring]: https://blog.csdn.net/crazymakercircle/article/details/129022714
[Flux_Mono_Reactor]: https://blog.csdn.net/crazymakercircle/article/details/124120506
[Spring cloud Alibaba]: https://blog.csdn.net/crazymakercircle/article/details/129559428
[Sharding-JDBC]: https://blog.csdn.net/crazymakercircle/article/details/123420859
[SpringBoot_SLF4j_Log4j_Logback_Netty]: https://blog.csdn.net/crazymakercircle/article/details/125135726
[Linux_2W_Linux]: https://blog.csdn.net/crazymakercircle/article/details/128932396
[TCP_]: https://blog.csdn.net/crazymakercircle/article/details/114527369
[ARP_ MAC_]: https://blog.csdn.net/crazymakercircle/article/details/129334254
[Redis_ - _ -]: https://blog.csdn.net/crazymakercircle/article/details/116425814
[Zookeeper _ - _ -]: https://blog.csdn.net/crazymakercircle/article/details/85956246
[Disruptor _]: https://blog.csdn.net/crazymakercircle/article/details/128264803
[Caffeine _10W_]: https://blog.csdn.net/crazymakercircle/article/details/128123114
[Caffeine]: https://blog.csdn.net/crazymakercircle/article/details/113751575
[Java Agent _ ByteBuddy]: https://blog.csdn.net/crazymakercircle/article/details/126579528
[7a551a621a284dd9b6a7ce8ab5276ea8.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/26/c83c91a034584d92b1ff65501b17e8e6.png