一、流量预判与系统容量规划

在双十一场景下，10Wqps的并发请求意味着每秒需要处理10万次用户操作。系统设计前需进行三维流量建模：

1. 用户行为模型：通过历史数据分析用户访问时段分布（如1900占65%）、设备类型比例（移动端80%）、地域分布（一线城市40%）
2. 请求类型分解：预约请求（30%）、查询请求（50%）、支付请求（20%）
3. 峰值系数计算：采用泊松分布建模，设定基础流量5Wqps，峰值系数2.0

容量规划公式：

总服务器数 = (峰值QPS × 平均响应时间) / 单机处理能力

以Java服务为例，Tomcat+SpringBoot单机约处理2000qps（响应时间200ms），则需50台服务器。需预留30%冗余，最终配置65台。

二、分布式架构分层设计

1. 接入层优化

• 动态DNS负载均衡：基于GSLB实现智能流量调度，响应时间<50ms
• 连接池管理：采用Netty实现百万级长连接，TCP_KEEPALIVE设为15分钟
• 协议优化：定制HTTP/2协议，头部压缩率提升40%

2. 缓存层构建

• 多级缓存架构：

  graph LR
  A[客户端] --> B[本地缓存]
  B --> C[CDN缓存]
  C --> D[Redis集群]
  D --> E[本地Cache]

• Redis集群配置：3主6从，分片数=服务器数×2，采用Twemproxy代理
• 缓存策略：LRU+TTL双淘汰，热点数据预热（提前加载Top10%商品）

3. 业务层设计

• 异步化改造：

  // 消息队列生产示例
  @Async
  public void asyncOrder(OrderRequest request) {
      rabbitTemplate.convertAndSend("order.exchange", 
          "order.create", request);
  }

• 限流降级：
  • 令牌桶算法：rate=8000qps，burst=2000
  • Hystrix熔断：错误率>50%时快速失败
• 库存扣减：Redis原子操作+本地缓存双写

  -- Redis库存扣减Lua脚本
  local key = KEYS[1]
  local current = tonumber(redis.call('GET', key) or "0")
  local decrement = tonumber(ARGV[1])
  if current >= decrement then
      return redis.call('SET', key, current - decrement)
  else
      return 0
  end

三、数据库层优化

1. 分库分表方案

• 水平拆分策略：按用户ID哈希取模（16库64表）
• 读写分离配置：主库负责写，3从库负责读，延迟<50ms
• 分布式事务：采用Seata AT模式

2. SQL优化实践

• 索引设计原则：

  -- 组合索引示例
  CREATE INDEX idx_user_goods ON order(user_id, goods_id);

• 查询优化：避免SELECT *，使用覆盖索引
• 批量操作：单次提交1000条数据，事务隔离级别设为READ_COMMITTED

四、全链路压测方案

1. 压测工具选择

• JMeter分布式压测：1000并发线程，Ramp-up时间5分钟
• 监控指标：
  • 响应时间P99<500ms
  • 错误率<0.1%
  • 系统负载<70%

2. 故障注入测试

• 网络延迟模拟：tc命令添加200ms延迟
• 磁盘I/O阻塞：使用fio工具制造I/O压力
• 内存泄漏检测：Valgrind监控堆内存

五、容灾与降级方案

1. 多活数据中心

• 单元化部署：按用户ID范围划分单元
• 数据同步：采用Canal监听MySQL binlog
• 故障切换：DNS解析TTL设为60秒

2. 降级策略

• 页面降级：静态化展示”系统繁忙”页面
• 功能降级：关闭非核心功能（如评论、分享）
• 数据降级：返回缓存的过期数据（误差<5分钟）

六、监控与告警体系

1. 监控指标

• 基础指标：CPU、内存、磁盘I/O
• 业务指标：订单成功率、库存准确率
• 链路指标：TPS、响应时间、错误率

2. 告警规则

• 紧急告警：P99>1s，持续3分钟
• 重要告警：错误率>1%，持续5分钟
• 预警告警：CPU>80%，持续10分钟

七、实际案例参考

某电商平台双十一实战数据：

• 峰值QPS：12.3W（19:58）
• 系统响应：P99=487ms
• 库存准确率：99.997%
• 关键优化：
  1. 缓存命中率提升至98%
  2. 异步消息处理占比75%
  3. 数据库连接池大小设为200

八、面试应对建议

当被问及”是否做过10Wqps级抢购”时，可采用STAR法则回答：

1. Situation：某年双十一预售系统
2. Task：支撑8Wqps预约请求
3. Action：实施缓存预热、异步下单、限流降级
4. Result：系统零故障，转化率提升12%

结语：构建10Wqps级抢购系统需要全链路优化，从接入层到数据库层每个环节都要精细设计。实际开发中建议采用渐进式压力测试，每次增加20%流量，持续观察系统表现。记住，没有完美的架构，只有适合业务场景的解决方案。