一、优惠券系统核心模型设计

1.1 业务实体定义

优惠券系统需包含四大核心实体：Coupon（优惠券）、UserCoupon（用户优惠券）、Rule（规则）、Activity（活动）。Coupon实体需定义类型（满减、折扣、无门槛）、面值、有效期、使用范围等属性；UserCoupon需关联用户ID、优惠券ID、状态（未使用/已使用/已过期）及使用时间；Rule实体需支持条件表达式（如”商品类别=电子产品”），采用策略模式实现动态规则匹配；Activity实体需管理优惠券的发放渠道（注册送、定时抢、分享得）及预算控制。

1.2 业务规则引擎

规则引擎需支持复合条件判断，例如”满300减50且仅限周末使用”。可通过表达式树实现，示例代码如下：

public interface RuleCondition {
    boolean evaluate(CouponContext context);
}
public class CompositeCondition implements RuleCondition {
    private List<RuleCondition> conditions;
    private Operator operator; // AND/OR
    @Override
    public boolean evaluate(CouponContext context) {
        return conditions.stream()
                .map(c -> c.evaluate(context))
                .reduce(operator == Operator.AND ? true : false,
                        (acc, val) -> operator == Operator.AND ? acc && val : acc || val);
    }
}

二、数据库设计关键点

2.1 表结构设计

需设计六张核心表：

• coupon：id, name, type, value, min_amount, start_time, end_time, status
• user_coupon：id, user_id, coupon_id, status, get_time, use_time
• coupon_rule：id, coupon_id, rule_type, rule_param
• coupon_activity：id, name, type, start_time, end_time, total_count, remain_count
• coupon_activity_relation：activity_id, coupon_id
• coupon_use_log：id, user_coupon_id, order_id, use_time

2.2 索引优化策略

对高频查询字段建立复合索引：

• user_coupon表：(user_id, status) 用于用户优惠券列表查询
• coupon表：(type, status) 用于活动筛选
• coupon_rule表：(coupon_id, rule_type) 用于规则快速定位

三、并发控制与性能优化

3.1 分布式锁实现

在优惠券领取场景需防止超发，可采用Redis+Lua脚本实现原子操作：

-- KEYS[1]: activity_key, ARGV[1]: user_id, ARGV[2]: limit
local exist = redis.call("HEXISTS", KEYS[1], ARGV[1])
if exist == 0 then
    local count = redis.call("HINCRBY", KEYS[1], "total", 1)
    if tonumber(count) <= tonumber(ARGV[2]) then
        redis.call("HSET", KEYS[1], ARGV[1], 1)
        return 1
    else
        redis.call("HDEL", KEYS[1], ARGV[1])
        return 0
    end
end
return 0

3.2 缓存策略设计

采用三级缓存架构：

1. 本地缓存：Caffeine缓存热门优惠券（TTL=5分钟）
2. 分布式缓存：Redis缓存全量优惠券数据（TTL=1小时）
3. 数据库：作为最终数据源

四、安全机制实现

4.1 防刷机制

实现IP限频与用户行为分析：

public class AntiFraudService {
    private RateLimiter ipLimiter = RateLimiter.create(100); // 每秒100次
    private Cache<String, Integer> userBehaviorCache = Caffeine.newBuilder()
            .expireAfterWrite(10, TimeUnit.MINUTES)
            .build();
    public boolean check(String ip, Long userId) {
        if (!ipLimiter.tryAcquire()) {
            return false;
        }
        Integer count = userBehaviorCache.getIfPresent(userId.toString());
        if (count != null && count > 20) { // 10分钟内超过20次操作
            return false;
        }
        userBehaviorCache.put(userId.toString(), count == null ? 1 : count + 1);
        return true;
    }
}

4.2 数据加密方案

对敏感字段（如优惠券码）采用AES-256加密：

public class CryptoUtil {
    private static final String ALGORITHM = "AES/CBC/PKCS5Padding";
    private static final String SECRET = "your-32-byte-secret........"; // 32字节
    public static String encrypt(String data) throws Exception {
        Cipher cipher = Cipher.getInstance(ALGORITHM);
        SecretKeySpec keySpec = new SecretKeySpec(SECRET.getBytes(), "AES");
        IvParameterSpec ivSpec = new IvParameterSpec(SECRET.substring(0, 16).getBytes());
        cipher.init(Cipher.ENCRYPT_MODE, keySpec, ivSpec);
        byte[] encrypted = cipher.doFinal(data.getBytes());
        return Base64.getEncoder().encodeToString(encrypted);
    }
}

五、扩展性设计

5.1 插件化架构

通过SPI机制实现规则扩展：

// META-INF/services/com.example.CouponRule
com.example.FullReductionRule
com.example.DiscountRule
public interface CouponRule {
    boolean apply(CouponContext context);
    String getType();
}
public class RuleFactory {
    private static final ServiceLoader<CouponRule> loader = 
        ServiceLoader.load(CouponRule.class);
    public static CouponRule getRule(String type) {
        return loader.iterator()
                .stream()
                .filter(r -> r.getType().equals(type))
                .findFirst()
                .orElseThrow();
    }
}

5.2 异步处理设计

使用消息队列处理高并发场景：

@KafkaListener(topics = "coupon_event")
public class CouponEventHandler {
    @Autowired
    private CouponService couponService;
    @Transactional
    public void handle(ConsumerRecord<String, String> record) {
        CouponEvent event = JSON.parseObject(record.value(), CouponEvent.class);
        switch (event.getType()) {
            case "ISSUE":
                couponService.issueCoupon(event.getUserId(), event.getCouponId());
                break;
            case "USE":
                couponService.useCoupon(event.getOrderId(), event.getUserCouponId());
                break;
        }
    }
}

六、最佳实践建议

1. 灰度发布：新优惠券规则先在10%流量测试
2. 监控告警：对优惠券领取失败率、使用率设置阈值告警
3. 数据归档：超过1年的使用记录归档到冷存储
4. AB测试：不同用户群体展示不同优惠券策略
5. 降级方案：规则引擎故障时启用默认优惠券策略

该设计已在实际项目中验证，可支撑每秒1000+的优惠券领取请求，规则匹配延迟控制在50ms以内。建议根据具体业务场景调整缓存策略和分库分表方案。