一、系统架构设计：从单体到微服务的演进

1.1 单体架构的局限性

在电商初期，优惠券系统通常采用单体架构，将用户管理、优惠券发放、核销、规则引擎等模块集中在一个应用中。这种架构在流量较小时能快速迭代，但当用户量突破千万级后，单体架构的缺点逐渐显现：

• 代码耦合度高：修改优惠券规则可能影响支付流程，导致发布周期延长。
• 扩展性差：垂直扩展（升级服务器）成本高，水平扩展（集群）需整体复制，资源利用率低。
• 故障扩散风险：单个模块的BUG可能导致整个系统不可用。

1.2 微服务拆分策略

针对亿级流量场景，需将系统拆分为多个独立微服务，每个服务聚焦单一职责：

• 用户服务：管理用户优惠券资产、领取记录。
• 规则服务：定义优惠券类型（满减、折扣、无门槛）、适用范围（品类、店铺）。
• 发放服务：处理批量发放、定向投放、活动触发等逻辑。
• 核销服务：对接订单系统，验证优惠券有效性并计算优惠金额。
• 风控服务：识别刷券、套现等异常行为。

拆分原则：

• 高内聚低耦合：例如，将“优惠券模板管理”和“用户优惠券实例”拆分为独立服务，避免模板变更影响用户数据。
• 独立扩展：核销服务在促销期间流量激增，可单独扩容。
• 技术异构：规则引擎服务可使用更适合复杂计算的Java，而用户服务可用Go提升吞吐量。

1.3 服务间通信设计

微服务间通信需兼顾性能与可靠性：

• 同步调用：使用gRPC（Protobuf序列化）替代REST，降低延迟。例如，核销服务调用用户服务验证优惠券状态。
• 异步消息：通过Kafka处理发放日志、风控事件，实现解耦。例如，发放服务生成优惠券后发布“优惠券创建”事件，通知服务同步数据。
• 服务发现：集成Nacos或Eureka，动态感知服务实例变化。

二、高并发处理：支撑亿级流量的关键技术

2.1 缓存策略优化

优惠券系统需应对“秒杀”“大促”等高并发场景，缓存是核心优化手段：

• 多级缓存：
  • 本地缓存：Guava Cache存储热点优惠券规则，减少RPC调用。
  • 分布式缓存：Redis集群存储用户优惠券列表，使用Hash结构分片。
• 缓存穿透防护：对不存在的优惠券ID返回空对象缓存，设置短过期时间（如1分钟）。
• 缓存雪崩预防：为不同优惠券设置随机过期时间，避免集中失效。

2.2 数据库分库分表

当用户优惠券数据量超过千万级时，需分库分表：

• 水平分片：按用户ID哈希分库，例如分为16个库，每个库再按优惠券ID分表。
• 读写分离：主库写，从库读，通过MyCat或ShardingSphere实现。
• 分布式事务：对强一致性场景（如发放后立即查询），使用Seata的AT模式。

2.3 异步化与削峰填谷

• 队列削峰：发放服务将请求写入Kafka，消费者按批次处理，避免数据库瞬时压力。
• 延迟队列：处理优惠券过期通知，使用RocketMQ的延迟消息功能。
• 最终一致性：核销成功后，通过消息队列异步更新用户资产，允许短暂数据不一致。

三、数据一致性保障：分布式环境下的挑战与解决方案

3.1 分布式事务场景

优惠券系统涉及多服务数据变更，例如：

• 发放场景：用户服务创建领取记录，库存服务扣减优惠券模板库存。
• 核销场景：核销服务更新优惠券状态，订单服务计算实际支付金额。

解决方案：

• TCC模式：适用于强一致性场景，如支付扣款。但实现复杂，需编写Try、Confirm、Cancel逻辑。
• 本地消息表：发放服务先更新本地表，再通过消息队列通知库存服务，适合最终一致性场景。
• Saga模式：将长事务拆分为多个本地事务，通过反向操作回滚，适合订单与优惠券联动。

3.2 幂等性设计

重复请求可能导致数据异常，例如用户重复领取优惠券：

• 唯一ID：为每个发放请求生成全局ID，数据库表添加唯一约束。
• 状态机：优惠券状态分为“未领取”“已领取”“已使用”，仅允许状态正向流转。
• Token机制：前端请求携带Token，服务端校验后失效。

四、实际业务场景的优化策略

4.1 优惠券规则引擎设计

规则引擎需支持复杂条件判断，例如：

• 组合规则：满100减20且仅限生鲜品类。
• 动态规则：根据用户等级（VIP、普通）返回不同优惠。

实现方案：

• 表达式引擎：使用Aviator或QLExpress解析规则字符串，例如：

  // 示例：判断订单是否满足优惠券条件
  boolean match = (orderAmount >= 100) && (categories.contains("生鲜"));

• 决策表：将规则存储为CSV或数据库表，通过查询匹配。

4.2 性能监控与调优

• 指标采集：通过Prometheus采集QPS、延迟、错误率，Grafana展示仪表盘。
• 链路追踪：集成SkyWalking或Zipkin，定位慢查询、超时调用。
• A/B测试：对比不同分片策略的性能，例如哈希分片与范围分片的CPU占用。

五、总结与展望

构建亿级电商微服务优惠券系统需从架构设计、高并发处理、数据一致性、业务优化四个维度综合考量。未来，随着AI技术的普及，优惠券系统可进一步融入智能推荐（根据用户行为动态调整优惠力度）、实时风控（基于机器学习识别异常）等能力，持续提升用户体验与商业价值。开发者应持续关注Service Mesh、Serverless等新技术，推动系统向更弹性、更智能的方向演进。