【资料图】

一、背景

vivo官方商城经过了七年的迭代，从单体架构逐步演进到微服务架构，我们的开发团队沉淀了许多宝贵的技术与经验，对电商领域业务也有相当深刻的理解。

去年初，团队承接了O2O商城的建设任务，还有即将成立的礼品中台，以及官方商城的线上购买线下门店送货需求，都需要搭建底层的商品、交易和库存能力。

为节约研发与运维成本，避免重复造轮子，我们决定采用平台化的思想来搭建底层系统，以通用能力灵活支撑上层业务的个性化需求。

包括交易平台、商品平台、库存平台、营销平台在内的一整套电商平台化系统应运而生

本文将介绍交易平台的架构设计理念与实践，以及上线后持续迭代过程中的挑战与思考。

二、整体架构2.1 架构目标

除了高并发、高性能、高可用这三高外，还希望做到：

低成本注重模型与服务的可重用性，灵活支撑各业务的个性化需求，提高开发效率，降低人力成本。高扩展系统架构简单清晰，应用系统间耦合低，容易水平扩展，业务功能增改方便快捷。

2.2 系统架构

（1）电商平台整体架构中的交易平台

（2）交易平台系统架构

2.3 数据模型

三、关键方案设计3.1 多租户设计

（1）背景和目标

交易平台面向多个租户（业务方），需要能够存储大量订单数据，并提供高可用高性能的服务。不同租户的数据量和并发量可能有很大区别，要能根据实际情况灵活分配存储资源。

（2）设计方案

考虑到交易系统OLTP特性和开发人员熟练程度，采用MySQL作为底层存储、ShardingSphere作为分库分表中间件，将用户标识(userId)作为分片键，保证同一个用户的订单落在同一个库中。接入新租户时约定一个租户编码(tenantCode)，所有接口都要带上这个参数；租户对数据量和并发量进行评估，分配至少满足未来五年需求的库表数量。租户与库表的映射关系：租户编码 -> {库数量,表数量,起始库编号,起始表编号}。

通过上面的映射关系，可以为每个租户灵活分配存储资源，数据量很小的租户还能复用已有的库表。

示例一：

新租户接入前已有4库*16表，新租户的订单量少且并发低，直接复用已有的0号库0号表，映射关系是：租户编码-> 1,1,0,0

示例二：

新租户接入前已有4库*16表，新租户的订单量多但并发低，用原有的0号库中新建8张表来存储，映射关系是：租户编码-> 1,8,0,16

示例三：

新租户接入前已有4库*16表，新租户的订单量多且并发高，用新的4库*8表来存储，映射关系是：租户编码-> 4,8,4,0

用户订单所属库表计算公式

库序号 = Hash(userId) / 表数量 % 库数量 + 起始库编号表序号 = Hash(userId) % 表数量 + 起始表编号

可能有小伙伴会问：为什么计算库序号时要先除以表数量？下面的公式会有什么问题？

库序号 = Hash(userId) % 库数量 + 起始库编号表序号 = Hash(userId) % 表数量 + 起始表编号

答案是，当库数量和表数量存在公因数时，会存在倾斜问题，先除以表数量就能剔除公因数。

以2库4表为例，对4取模等于1的数，对2取模也一定等于1，因此0号库的1号表中不会有任何数据，同理，0号库的3号表、1号库的0号表、1号库的2号表中都不会有数据。

路由过程如下图所示：

（3）局限性和应对办法

全局唯一ID

问题：分库分表后，数据库自增主键不再全局唯一，不能作为订单号来使用。且很多内部系统间的交互接口只有订单号，没有用户标识这个分片键。

方案：如下图所示，参考雪花算法来生成全局唯一订单号，同时将库表编号隐含在其中（两个5bit分别存储库表编号），这样就能在没有用户标识的场景下，从订单号中获取库表编号。

全库全表搜索

问题：管理后台需要根据各种筛选条件，分页查询所有满足条件的订单。

方案：将订单数据冗余存储一份到搜索引擎Elasticsearch中，满足各种场景下的快速灵活查询需求。

3.2 状态机设计

（1）背景

之前做官方商城时，由于是定制化业务开发，各类型的订单和售后单的状态流转都是写死的，比如常规订单在下单后是待付款，付款后是待发货，发货后是待收货；虚拟商品订单不需要发货，没有待发货状态。现在要做的是平台系统，不可能再为每个业务方做定制化开发，否则会导致频繁改动发版，代码错综冗余。

（2）目标

引入订单状态机，能为每个业务方配置多套差异化的订单流程，类似于流程编排。新增订单流程时，尽可能不改动代码，实现状态和操作的可复用性。

（3）方案

在管理后台为每个租户维护一系列订单类型，数据转化为JSON格式存储在配置中心，或存储在数据库并同步到本地缓存中。每个订单类型的配置包括：初始订单状态，以及每个状态下允许的操作和操作之后的目标状态。当订单在执行某个动作时，使用订单状态机来修改订单状态。订单状态机的公式是：StateMachine（E,S —> A,S’）表示订单在事件E的触发下执行动作A，并从原状态S转化为目标状态S’每个订单类型配置完成后，生成数据的结构是

/** * 订单流程配置 **/@Datapublic class OrderFlowConfig implements Serializable {    /**     * 初始订单状态编码     **/    private String initStatus;    /**     * 每个订单状态下，可执行的操作及执行操作后的目标状态     * Map<原状态编码, Map<订单操作类型编码, 目标状态编码>>     */    private Map> operations;}

订单商品行状态机、售后单状态机，也用同样的方式实现3.3 通用操作触发器

（1）背景

业务中通常都会有这样的延时需求，我们之前往往通过定时任务来扫描处理。

下单后多久未支付，自动关闭订单申请退款后商家多久未审核，自动同意申请订单签收后多久未确认收货，自动确认收货

（2）目标

业务方有类似的延时需求时，能够有通用的方式轻松实现

（3）方案

设计通用操作触发器，具体步骤为：

配置触发器，粒度是状态机的流程类型。创建订单/售后单时或订单状态变化时，如果有满足条件的触发器，发送延迟消息。收到延迟消息后，再次判断执行条件，执行配置的操作。

触发器的配置包括：

注册时间：可选订单创建时，或订单状态变化时执行时间：可使用JsonPath表达式选取订单模型中的时间，并可叠加延迟时间注册条件：使用QLExpress配置，满足条件才注册执行条件：使用QLExpress配置，满足条件才执行操作执行的操作和参数3.4 分布式事务

对交易平台而言，分布式事务是一个经典问题，比如：

创建订单时，需要同时扣减库存、占用优惠券，取消订单时则需要进行回退。用户支付成功后，需要通知发货系统给用户发货。用户确认收货后，需要通知积分系统给用户发放购物奖励的积分。

我们是如何保证微服务架构下数据一致性的呢？首先要区分业务场景对一致性的要求。

（1）强一致性场景

比如订单创建和取消时对库存和优惠券系统的调用，如果不能保证强一致，可能导致库存超卖或优惠券重复使用。

对于强一致性场景，我们采用Seata的AT模式来处理，下面的示意图取自seata官方文档。

（2）最终一致性场景

比如支付成功后通知发货系统发货，确认收货后通知积分系统发放积分，只要保证能够通知成功即可，不需要同时成功同时失败。

对于最终一致性场景，我们采用的是本地消息表方案：在本地事务中将要执行的异步操作记录在消息表中，如果执行失败，可以通过定时任务来补偿。

3.5 高可用与安全设计熔断

使用Hystrix组件，对依赖的外部系统添加熔断保护，防止某个系统故障的影响扩大到整个分布式系统中。

限流

通过性能测试找出并解决性能瓶颈，掌握系统的吞吐量数据，为限流和熔断的配置提供参考。

并发锁

任何订单更新操作之前，会通过数据库行级锁加以限制，防止出现并发更新。

幂等性

所有接口均具备幂等性，上游调用我们接口如果出现超时之类的异常，可以放心重试。

网络隔离

只有极少数第三方接口可通过外网访问，且都有白名单、数据加密、签名验证等保护，内部系统交互使用内网域名和RPC接口。

监控和告警

通过配置日志平台的错误日志报警、调用链的服务分析告警，再加上公司各中间件和基础组件的监控告警功能，让我们能够能够第一时间发现系统异常。

3.6 其他考虑是否用领域驱动设计

考虑到团队非敏捷型组织架构，又缺少领域专家，因此没有采用

高峰期性能瓶颈问题

大促和推广期间，特别是爆款抢购时的流量可能会触发限流，导致部分用户被拒之门外。因为无法准确预估流量，难以提前扩容。

可以通过主动降级方案增加并发量，比如同步入库切为异步入库、db查询转为cache查询、只能查到最近半年的订单等。

考虑到业务复杂度和数据量级还处在初期，团队规模也难以支撑，这些设计有远期计划，但暂时还没做。（架构的合适性原则，杀鸡用牛刀，你愿意也行）。

四、总结与展望

我们在设计系统时并没有一味追求前沿技术和思想，面对问题时也不是直接采用业界主流的解决方案，而是根据团队和系统的实际状况来选取最合适的办法。好的系统不是在一开始就被大牛设计出来的，而是随着业务的发展和演进逐渐被迭代出来的。

目前交易平台已上线一年多，接入了三个业务方，系统运行平稳，公司内有交易/商品/库存等需求的新业务，以及存量业务在遇到系统瓶颈需要升级时，都可以复用这块能力。

上游业务方数量的增加和版本的迭代，对平台系统的需求源源不断，平台的功能得到逐渐完善，架构也在不断演进，我们正在将履约模块从交易平台中剥离出来，进一步解耦，为业务持续发展做好储备。

关键词：