场景题：假设10W人突访，你的系统如何做到不 雪崩？
文章很长，而且持续更新，建议收藏起来，慢慢读！疯狂创客圈总目录 博客园版 为您奉上珍贵的学习资源 ：
免费赠送 :《尼恩Java面试宝典》 持续更新+ 史上最全 + 面试必备 2000页+ 面试必备 + 大厂必备 +涨薪必备
免费赠送 经典图书:《Java高并发核心编程（卷1）加强版》 面试必备 + 大厂必备 +涨薪必备 加尼恩免费领
免费赠送 经典图书:《Java高并发核心编程（卷2）加强版》 面试必备 + 大厂必备 +涨薪必备 加尼恩免费领
免费赠送 经典图书:《Java高并发核心编程（卷3）加强版》 面试必备 + 大厂必备 +涨薪必备 加尼恩免费领
免费赠送 经典图书:《尼恩Java面试宝典 V11》 面试必备 + 大厂必备 +涨薪必备 加尼恩免费领
免费赠送 资源宝库： Java 必备 百度网盘资源大合集 价值>10000元 加尼恩领取
一个普通系统，假设10W人同时访问，如何保证不 雪崩？
这个，是面试当中，一道非常场景的： 场景题。
如果面试遇到这个问题，很多小伙伴的第一反应：
怎么可能，我们的系统，总体的用户量，不到1万， 怎么可能会有10W人同时访问。
这个问题，如果遇到了，只能会硬着头皮作答。
如果直接用这个疑问，去反问面试官，那么 ，面试官一定会说这小子 没有遇到过事情。
为啥呢？
因为哪怕用户不到1万，还是可能会有10W人同时访问。
这些人包括：
- 爬虫
- 刷子（羊毛党）
爬虫对访问量的贡献
大家应该听过一句话吧，整个互联网上大概有 50%以上的流量其实是爬虫。
一个做反爬虫哥们，发现了一个极端案例，
某个页面12000次点击里边，98%的点击率，是爬虫贡献的。
爬虫和用户的比例是 19比1.
那么 1W用户， 可能会对应到19W 爬虫，
那么 1W用户， 有没有 10W的 同时访问的可能呢？
因为 大量爬虫的存着， 当然有的。
刷子用户（羊毛党）对访问量的贡献
“羊毛党”战术之一：开启机器人批量注册新账号，招募“新兵”。
“这是个‘昏招’，批量注册的账号很容易识别。
“羊毛党”战术之二：提前囤积账号，囤积的老账号”。
但通过注册时间、注册地与下单地比对等方式，很快识别出来。
某年的“618”电商节活动期间，某电商公司，平均每天拦截“羊毛党”账号2000万个。
那么 1W用户， 可能会对应到多少羊毛党用户呢？
其中，可能会包含部分 提前囤积账号
另外，在 活动执行的过程中， 还是有 可能 批量注册大量的新账号
那么 1W用户， 有没有 10W的 同时访问的可能呢？
只要有利可图，就会有 刷子用户（羊毛党），他们会通过群体人手，或者 自动化工具，制造大量的瞬间流量。
这些自动化工具，在 1s之内， 尝试10W次。
所以，只要是有利可图，如 秒杀等， 那么 1W用户， 有没有 10W的 同时访问的可能呢？
当然有的。
假设10W人突然访问，现有架构能否扛住？
按照之前尼恩和大家分析的架构理论
一个系统10W人同时访问 ， 也就是：并发量为 10w Qps
那么 10w Qps ，对应到多少用户量呢 ?
是 一个1亿的用户量。
而 ，我们很多同学手上的 系统， 总体的用户量 不到1万，
不到1万的用户，对应到多少 的 吞吐量呢？
是 10。
没错，如果 总体的用户量 不到1万，按照 正常估算， 吞吐量就只有 10。
也就是说， 如果我们按照 1万 做系统架构
这种架构，对于 qps 为10 的小流量来说，可以说是 小菜一碟。
可以说，用牛刀 在 杀鸡。
那么，如果发生突发情况，
假设10W人突然访问，我们的架构，如何抵抗？
大家看看，上面的架构， 能抵抗吗？
接入层和服务层如何抵抗？
方式之一： 扩容
方式之二：限流
首先能用到的策略： 扩容
大家首先会想到的策略，就是扩容。
但是，如果流量是突发的， 又不知道什么时候扩， 怎么办呢？
那么就是自动扩容。
自动扩容虽然比较难，办法总是有的，只要稍微想想，就出来了。
大致有两种自动扩容方式，具体请参见 《java 高并发核心编程 卷3》 第 1.5.3 小节。
其次能用到的策略： 限流
- nginx 限流
- SpringCloud gateway 限流
接入层限流可以进行 nginx 限流
微服务 SpringCloud gateway 里边，
还 可以使用 redis lua进行分布式限流， 或者使用 sentinel 进行 限流，
经过 扩容和限流， 咱们的系统，应该可以扛住 10Wqps， 因为可以把流量限制到 1Wqps，甚至是 1 K qps。
谁怪 有那么多刷子流量，或者 爬虫流量呢。
但是，限流是无奈之举。
或者说，如果10Wqps，都是有效流量， 不能使用限流这 简单粗暴的方式 ， 而是这个 10Wqps 必须进入到服务层。
分布式Redis集群如何抵抗？
这个 10Wqps 必须进入到服务层。
怎么办？
服务层 倒是好说，和网关一样， 可以通过扩容解决。
所以，后面的 流量就进入 redis集群。
redis 集群一般搭建的是 3主3从：
一般来说，主节点提供服务， 从节点是做冗余的， 并不提供数据的写入服务。
redis cluster模式官方默认主节点提供读写, 从节点提供slot数据备份以及故障转移。默认情况下，从节点并不提供数据读写服务。
单个redis 的吞吐量，一般就是 2W左右。
那么 10Wqps，访问 redis cluster，分布到 3个节点， 还是不够。
如果 10Wqps 访问的是同一个key， 那就问题更大了。
因为 单个redis 的吞吐量，一般就是 2W左右。 怎么可能扛住 5倍的吞吐量。
于是就很容易出现 redis cpu 100%， 请求排队， 没有响应，严重的情况 出现 redis 雪崩。
于是乎，改怎么办?
大概也有两种方案：
方法一： redis 扩容
方法二： 本地缓存
方法一 redis 扩容 可以解决 key 的访问量比较 均匀的问题。比如扩容到 10主10从，就可以承担 20Wqps的 流量。
但是方法一 要求每个key的访问量 必须分布得比较均匀。如果20w qps 的流量，全部来自一个key， 则方案一 无效。
方法二 本地缓存 可以解决 单个key 访问量 巨大的问题。这种 占据大量流量的 单个key，叫做 hotkey（热key）。
所以，接下来，还是得调整系统的架构， 加入本地缓存的 环节。
解决 10WQps 突发流量的本地缓存架构
解决 10WQps 突发流量的本地缓存架构，大致有两种：
- 二级缓存架构
- 三级缓存架构
二级缓存架构：
java 本地缓存+ redis 分布式缓存，具体如下图：
先发问一级缓存caffeine ，如果 没有找到，再访问 二级缓存 redis 集群
三级缓存架构：
nginx本地缓存+ java 本地缓存+ redis 分布式缓存，具体如下图：
本地缓存的优缺点
1. 快但是量少：访问速度快，但无法进行大数据存储
本地缓存相对于分布式缓存的好处是，由于数据不需要跨网络传输，故性能更好，
但是由于占用了应用进程的内存空间，如 Java 进程的 JVM 内存空间，故不能进行大数据量的数据存储。
2. 需要解决数据一致性问题：本地缓存、分布式缓存、DB数据一致性问题
与此同时，本地缓存只支持被该应用进程访问，一般无法被其他应用进程访问，故在应用进程的集群部署当中，
如果对应的数据库数据，存在数据更新，则需要同步更新不同部署节点的缓存数据来包保证数据一致性，
复杂度较高并且容易出错，如基于 rocketmq 的发布订阅机制来同步更新各个部署节点。
3.未持久化，容易丢失： 数据随应用进程的重启而丢失
由于本地缓存的数据是存储在应用进程的内存空间的，所以当应用进程重启时，本地缓存的数据会丢失。
所以对于需要更改然后持久化的数据，需要注意及时保存，否则可能会造成数据丢失。
4.需要尽量缓存热点key，而提升缓存的命中率
由于本地缓存太小，从而很容易被淘汰，
如果还没有来得及访问，本地缓存中的数据，就被淘汰了，那就失去了本地缓存的价值， 当然，本地缓存的命中率也会很低。
如何提升缓存的命中率？
方式1： 采用更好的 缓存淘汰策略
比如caffeine中，使用了 w-tinylfu 策略。
这种策略的 缓存的命中率，比较简单的 lfu、lru 都 高出很多。
有测试表明： caffeine 比 guava 的命中率，不同场景，都会高出10%以上。
方式2： 尽量识别和缓存 热点数据
简单的说，把热点数据， 加载到本地缓存。
什么是HotKey？
在某个Key接收到的访问次数、显著高于其它Key时，我们可以将其称之为HotKey，
从访问量上来说，常见的HotKey如：
- 某Redis实例的每秒总访问量为10000，而其中一个Key的每秒访问量达到了7000（访问次数显著高于其它Key）
- 对一个拥有上千个成员且总大小为1MB的HASH Key每秒发送大量的HGETALL（带宽占用显著高于其它Key）
- 对一个拥有数万个成员的ZSET Key每秒发送大量的ZRANGE（CPU时间占用显著高于其它Key）
从业务上来说， 常见的HotKey如：
1 、MySQL等数据库会被频繁访问的热数据
如爆款商品的skuId。
2 、redis的被密集访问的key
如爆款商品的各维度信息，skuId、shopId等。
3 、机器人、爬虫、刷子用户
如用户的userId、uuid、ip等。
4 、某个接口地址
如/sku/query或者更精细维度的。
注意，我们的HotKey探测框架只关心key，其实就是一个字符串，
HotKey对服务层和数据层的风险
在拥有大量并发用户的系统中，HotKey一直以来都是一个不可避免的问题。
-
或许是突然某些商品成了爆款，
-
或许是海量用户突然涌入某个店铺，
-
或许是秒杀时瞬间大量开启的爬虫用户，
-
突发大批机器人以远超正常用户的速度发起极其密集的请求，这些机器人只需要很小的代价，就能发出百倍于普通用户的请求量，从而大幅挤占正常用户的资源。
以京东为例的这些头部互联网公司，动辄某个爆品，会瞬间引入每秒上百万甚至数百万的请求，当然流量多数会在几秒内就消失。
但就是这短短的几秒的HotKey，就会瞬间造成其所在redis分片集群瘫痪。
原因也很简单，redis作为一个单线程的结构，所有的请求到来后都会去排队，当请求量远大于自身处理能力时，后面的请求会陷入等待、超时。
由于该redis分片完全被这个key的请求给打满，导致该分片上所有其他数据操作都无法继续提供服务，也就是HotKey不仅仅影响自己，还会影响和它合租的数据。
这样，redis 缓存没有响应之后，相当于 redis 击穿， 请求直接转向DB
DB的吞吐量，比如会低很多，DB 就会雪崩。
总结一下，HotKey带来的常见问题
- HotKey占用大量的Redis CPU时间，使其性能变差并影响其它请求；
- Redis Cluster中各node流量不均衡造成Redis Cluster的分布式优势无法被Client利用，一个分片负载很高而其它分片十分空闲从而产生读/写热点问题；
- 在抢购、秒杀活动中，由于商品对应库存Key的请求量过大，超出Redis处理能力造成超卖；
- HotKey的请求压力数量超出Redis的承受能力造成缓存击穿，此时大量强求将直接指向后端存储，将后端存储打挂并影响到其它业务；
HotKey问题的根本：
HotKey问题归根到底就是如何找到HotKey，并将HotKey放到本地内存的问题。
只要该key在内存里，我们就能极快地来对它做逻辑，内存访问和redis访问的速度不在一个量级。
如果该key是在本地内存中，读取一个内存中的值，每秒多少个万次都是很正常的，不存在任何数据层的瓶颈。
但问题是事先不知道HotKey在哪里？
那么，问题就来了，如何进行 HotKey的探测？
HotKey探测关键指标
1、实时性
这个很容易理解，key往往是突发性瞬间就热了，根本不给你再慢悠悠手工去配置中心添加HotKey再推送到jvm的机会。
它大部分时间不可预知，来得也非常迅速，可能某个商家上个活动，瞬间HotKey就出现了。如果短时间内没能进到内存，就有redis集群被打爆的风险。
所以HotKey探测框架最重要的就是实时性，最好是某个key刚有热的苗头，在1秒内它就已经进到整个服务集群的内存里了，1秒后就不会再去密集访问redis了。
同理，对于刷子用户也一样，刚开始刷，1秒内我就把它给禁掉了。
2、准确性
这个很重要，也容易实现，累加数量，做到不误探，精准探测，保证探测出的HotKey是完全符合用户自己设定的阈值。
3、集群一致性
这个比较重要，尤其是某些带删除key的场景，要能做到删key时整个集群内的该key都会删掉，以避免数据的错误。
4、高性能
这个是核心之一，高性能带来的就是低成本，做HotKey探测目的就是为了降低数据层的负载，提升应用层的性能，节省服务器资源。不然，大家直接去整体扩充redis集群规模就好了。
理论上，在不影响实时性的情况下，要完成实时HotKey探测，所消耗的机器资源越少，那么经济价值就越大。
如何实现HotKey探测？
HotKey探测方案1： 流计算集群
通过 流式计算集群 storm/ flink 集群，进行 topkey
java 应用将访问 记录发送到 消息队列，如 kafka
storm、flink 集群，进行top N 的计算，把top N 结果存在 redis
其中的 top N 的key，就是热点 key
HotKey探测方案2： 流计算集群
有赞透明多级缓存解决方案
HotKey探测方案3： 结合开源hotkey，做热点探测
比如：结合京东开源hotkey，做热点探测
HotKey探测方案2：有赞透明多级缓存解决方案（TMC）
一、TMC简介
1-1. TMC 是什么
TMC ，即“透明多级缓存（ Transparent Multilevel Cache ）”，是有赞 PaaS 团队给公司内应用提供的整体缓存解决方案。
TMC 在通用“分布式缓存解决方案（如 CodisProxy + Redis ，如有赞自研分布式缓存系统 zanKV ）”基础上，增加了以下功能：
- 应用层热点探测
- 应用层本地缓存
- 应用层缓存命中统计
以帮助应用层解决缓存使用过程中出现的热点访问问题。
1-2. 为什么要做 TMC
使用有赞服务的电商商家数量和类型很多，商家会不定期做一些“商品秒杀”、“商品推广”活动，导致“营销活动”、“商品详情”、“交易下单”等链路应用出现 缓存热点访问 的情况：
- 活动时间、活动类型、活动商品之类的信息不可预期，导致 缓存热点访问 情况不可提前预知；
- 缓存热点访问 出现期间，应用层少数 热点访问 key 产生大量缓存访问请求：冲击分布式缓存系统，大量占据内网带宽，最终影响应用层系统稳定性；
为了应对以上问题，需要一个能够 自动发现热点 并 将热点缓存访问请求前置在应用层本地缓存 的解决方案，这就是 TMC 产生的原因。
1-3. 多级缓存解决方案的痛点
基于上述描述，我们总结了下列 多级缓存解决方案 需要解决的需求痛点：
- 热点探测：如何快速且准确的发现 热点访问 key ？
- 数据一致性：前置在应用层的本地缓存，如何保障与分布式缓存系统的数据一致性？
- 效果验证：如何让应用层查看本地缓存命中率、热点 key 等数据，验证多级缓存效果？
- 透明接入：整体解决方案如何减少对应用系统的入侵，做到快速平滑接入？
TMC 聚焦上述痛点，设计并实现了整体解决方案。
以支持“热点探测”和“本地缓存”，减少热点访问时对下游分布式缓存服务的冲击，避免影响应用服务的性能及稳定性。
二、 TMC 整体架构
TMC 整体架构如上图，共分为三层：
- 存储层：提供基础的kv数据存储能力，针对不同的业务场景选用不同的存储服务（ codis / zankv / aerospike ）；
- 代理层：为应用层提供统一的缓存使用入口及通信协议，承担分布式数据水平切分后的路由功能转发工作；
- 应用层：提供统一客户端给应用服务使用，内置“热点探测”、“本地缓存”等功能，对业务透明；
三、 TMC 本地缓存
3-1. 如何透明
TMC 是如何减少对业务应用系统的入侵，做到透明接入的？
对于公司 Java 应用服务，在缓存客户端使用方式上分为两类：
- 基于
spring.data.redis包，使用RedisTemplate编写业务代码； - 基于
youzan.framework.redis包，使用RedisClient编写业务代码；
不论使用以上那种方式，最终通过JedisPool创建的Jedis对象与缓存服务端代理层做请求交互。
TMC 对原生jedis包的JedisPool和Jedis类做了改造，
在JedisPool初始化过程中, 集成TMC“热点发现”+“本地缓存”功能Hermes-SDK包的初始化逻辑，
使Jedis客户端与缓存服务端代理层交互时, 先与Hermes-SDK交互，从而完成 “热点探测”+“本地缓存”功能的透明接入。
对于 Java 应用服务，只需使用特定版本的 jedis-jar 包，无需修改代码，即可接入 TMC 使用“热点发现”+“本地缓存”功能，做到了对应用系统的最小入侵。
3-2. 整体结构
3-2-1. 模块划分
TMC 本地缓存整体结构分为如下模块：
- Jedis-Client： Java 应用与缓存服务端交互的直接入口，接口定义与原生 Jedis-Client 无异；
- Hermes-SDK：自研“热点发现+本地缓存”功能的SDK封装， Jedis-Client 通过与它交互来集成相应能力；
- Hermes服务端集群：接收 Hermes-SDK 上报的缓存访问数据，进行热点探测，将热点 key 推送给 Hermes-SDK 做本地缓存；
- 缓存集群：由代理层和存储层组成，为应用客户端提供统一的分布式缓存服务入口；
- 基础组件： etcd 集群、 Apollo 配置中心，为 TMC 提供“集群推送”和“统一配置”能力；
3-2-2. 基本流程
1） key 值获取
- Java 应用调用 Jedis-Client 接口获取key的缓存值时，Jedis-Client 会询问 Hermes-SDK 该 key 当前是否是 热点key；
- 对于 热点key ，直接从 Hermes-SDK 的 热点模块 获取热点 key 在本地缓存的 value 值，不去访问 缓存集群 ，从而将访问请求前置在应用层；
- 对于非 热点key ，Hermes-SDK 会通过
Callable回调 Jedis-Client 的原生接口，从 缓存集群 拿到 value 值； - 对于 Jedis-Client 的每次 key 值访问请求，Hermes-SDK 都会通过其 通信模块 将 key访问事件 异步上报给 Hermes服务端集群 ，以便其根据上报数据进行“热点探测”；
2）key值过期
- Java 应用调用 Jedis-Client 的
set()del()expire()接口时会导致对应 key 值失效，Jedis-Client 会同步调用 Hermes-SDK 的invalid()方法告知其“ key 值失效”事件； - 对于 热点key ，Hermes-SDK 的 热点模块 会先将 key 在本地缓存的 value 值失效，以达到本地数据强一致。同时 通信模块 会异步将“ key 值失效”事件通过 etcd集群 推送给 Java 应用集群中其他 Hermes-SDK 节点；
- 其他Hermes-SDK节点的 通信模块 收到 “ key 值失效”事件后，会调用 热点模块 将 key 在本地缓存的 value 值失效，以达到集群数据最终一致；
3）热点发现
- Hermes服务端集群 不断收集 Hermes-SDK上报的 key访问事件，对不同业务应用集群的缓存访问数据进行周期性（3s一次）分析计算，以探测业务应用集群中的热点key列表；
- 对于探测到的热点key列表，Hermes服务端集群 将其通过 etcd集群 推送给不同业务应用集群的 Hermes-SDK 通信模块，通知其对热点key列表进行本地缓存；
4）配置读取
- Hermes-SDK 在启动及运行过程中，会从 Apollo配置中心 读取其关心的配置信息（如：启动关闭配置、黑白名单配置、etcd地址...）；
- Hermes服务端集群 在启动及运行过程中，会从 Apollo配置中心 读取其关心的配置信息（如：业务应用列表、热点阈值配置、 etcd 地址...）；
3-2-3. 稳定性
TMC本地缓存稳定性表现在以下方面：
- 数据上报异步化：Hermes-SDK 使用
rsyslog技术对“ key 访问事件”进行异步化上报，不会阻塞业务； - 通信模块线程隔离：Hermes-SDK 的 通信模块 使用独立线程池+有界队列，保证事件上报&监听的I/O操作与业务执行线程隔离，即使出现非预期性异常也不会影响基本业务功能；
- 缓存管控：Hermes-SDK 的 热点模块 对本地缓存大小上限进行了管控，使其占用内存不超过 64MB（LRU），杜绝 JVM 堆内存溢出的可能；
3-2-4. 一致性
TMC 本地缓存一致性表现在以下方面：
- Hermes-SDK 的 热点模块 仅缓存 热点key 数据，绝大多数非热点 key 数据由 缓存集群 存储；
- 热点key 变更导致 value 失效时，Hermes-SDK 同步失效本地缓存，保证 本地强一致；
- 热点key 变更导致 value 失效时，Hermes-SDK 通过 etcd集群 广播事件，异步失效业务应用集群中其他节点的本地缓存，保证 集群最终一致；
四、TMC热点发现
4-1. 整体流程
TMC 热点发现流程分为四步：
- 数据收集：收集 Hermes-SDK 上报的 key访问事件；
- 热度滑窗：对 App 的每个 Key ，维护一个时间轮，记录基于当前时刻滑窗的访问热度；
- 热度汇聚：对 App 的所有 Key ，以
<key,热度>的形式进行 热度排序汇总； - 热点探测：对 App ，从 热Key排序汇总 结果中选出 TopN的热点Key ，推送给 Hermes-SDK；
4-2. 数据收集
Hermes-SDK 通过本地rsyslog将 key访问事件 以协议格式放入 kafka ，Hermes服务端集群 的每个节点消费 kafka 消息，实时获取 key访问事件。
访问事件协议格式如下：
- appName：集群节点所属业务应用
- uniqueKey：业务应用 key访问事件 的 key
- sendTime：业务应用 key访问事件 的发生时间
- weight：业务应用 key访问事件 的访问权值
Hermes服务端集群 节点将收集到的 key访问事件 存储在本地内存中，
内存数据结构为Map<String, Map<String, LongAdder>>，
对应业务含义映射为Map< appName , Map< uniqueKey , 热度 >>。
4-3. 热度滑窗
4-3-1. 时间滑窗
Hermes服务端集群 节点，对每个App的每个 key ，维护了一个 时间轮：
- 时间轮中共10个 时间片，每个时间片记录当前 key 对应 3 秒时间周期的总访问次数；
- 时间轮10个时间片的记录累加即表示当前 key 从当前时间向前 30 秒时间窗口内的总访问次数；
4-3-2. 映射任务
Hermes服务端集群 节点，对每个 App 每3秒 生成一个 映射任务 ，交由节点内 “缓存映射线程池” 执行。
映射任务 内容如下：
- 对当前 App ，从
Map< appName , Map< uniqueKey , 热度 >>中取出 appName 对应的MapMap< uniqueKey , 热度 >>； - 遍历
Map< uniqueKey , 热度 >>中的 key ，对每个 key 取出其热度存入其 时间轮 对应的时间片中；
4-4. 热度汇聚
完成第二步“热度滑窗”后，映射任务 继续对当前 App 进行“热度汇聚”工作：
- 遍历 App 的 key ，将每个 key 的 时间轮 热度进行汇总（即30秒时间窗口内总热度）得到探测时刻 滑窗总热度；
- 将
< key , 滑窗总热度 >以排序集合的方式存入 Redis存储服务 中，即 热度汇聚结果；
4-5. 热点探测
- 在前几步，每3秒 一次的 映射任务 执行，对每个 App 都会产生一份当前时刻的 热度汇聚结果 ；
- Hermes服务端集群 中的“热点探测”节点，对每个 App ，只需周期性从其最近一份 热度汇聚结果 中取出达到热度阈值的 TopN 的 key 列表，即可得到本次探测的 热点key列表；
TMC 热点发现整体流程如下图：
4-6. 特性总结
4-6-1. 实时性
Hermes-SDK基于rsyslog + kafka 实时上报 key访问事件。
映射任务 3秒一个周期完成“热度滑窗” + “热度汇聚”工作，当有 热点访问场景 出现时最长3秒即可探测出对应 热点key。
4-6-2. 准确性
key 的热度汇聚结果由“基于时间轮实现的滑动窗口”汇聚得到，相对准确地反应当前及最近正在发生访问分布。
4-6-3.扩展性
Hermes服务端集群 节点无状态，节点数可基于 kafka 的 partition 数量横向扩展。
“热度滑窗” + “热度汇聚” 过程基于 App 数量，在单节点内多线程扩展。
五、TMC实战效果
5-1. 快手商家某次商品营销活动
有赞商家通过快手直播平台为某商品搞活动，造成该商品短时间内被集中访问产生访问热点，活动期间 TMC 记录的实际热点访问效果数据如下：
5-1-1. 某核心应用的缓存请求&命中率曲线图
- 上图蓝线为应用集群调用
get()方法访问缓存次数 - 上图绿线为获取缓存操作命中 TMC 本地缓存的次数
- 上图为本地缓存命中率曲线图
可以看出活动期间缓存请求量及本地缓存命中量均有明显增长，本地缓存命中率达到近 80% （即应用集群中 80% 的缓存查询请求被 TMC 本地缓存拦截）。
5-1-2. 热点缓存对应用访问的加速效果
- 上图为应用接口QPS曲线
- 上图为应用接口RT曲线
可以看出活动期间应用接口的请求量有明显增长，由于 TMC 本地缓存的效果应用接口的 RT 反而出现下降。
5-2. 双十一期间部分应用 TMC 效果展示
5-2-1. 商品域核心应用效果
5-2-2. 活动域核心应用效果
六、TMC功能展望
在有赞， TMC 目前已为商品中心、物流中心、库存中心、营销活动、用户中心、网关&消息等多个核心应用模块提供服务，后续应用也在陆续接入中。
TMC 在提供“热点探测” + “本地缓存”的核心能力同时，也为应用服务提供了灵活的配置选择，应用服务可以结合实际业务情况在“热点阈值”、“热点key探测数量”、“热点黑白名单”维度进行自由配置以达到更好的使用效果。
配合三级缓存的使用，需要进行 热key的 探测，有赞平台通过 热key的探测和 支持，
其中：活动期间，本地缓存命中率达到近 80%的命中率， 并且， 响应时间，和平峰时段，没有变化。
HotKey探测方案3： 结合开源hotkey，做热点探测
基于开源hotkey进行 热点探测，有很多小伙伴，在生产系统进行了 缓存系统的重构
下面将重构前与重构后做下对照，来说明这套机制的优缺点。
| 特性 | 重构系统前 | 使用京东hotkey重构系统后 |
|---|---|---|
| 机器资源 | 高配物理机/虚拟机 | 普通物理机/虚拟机/容器 |
| 管控复杂 | 无法控制热点，不易监控 | 热点数据可以监控统计，可以手动刷新 |
| 资源利用率 | 资源利用率低，无论是否是热点数据都占用资源 | 资源利用率高，大部分热点数据持有资源 |
| 突发流量 | 无法弹性应对突发流量 | 弹性应对突发流量 |
| 预发流量 | 预设所有数据 | 只提前预设热点数据 |
| 数据一致性 | 集群内数据不一致情况时常发生，出现“横跳”现象 | 集群内数据一致性高，极少或不发生不一致性情况 |
以上内容的视频介绍，将在 《第26章 百万qps 三级缓存 组件实操》 中 详细介绍。
假设10W人同时访问，如何保证不 雪崩？
-
扩容
-
限流
-
三级缓存
三级缓存 强烈推荐进行 热点探测 相结合， 主要的优势是：
-
通过热点探测，既能提升 本地缓存命中率，
-
除此之外，还能识别 刷子用户， 把刷子用户加入 黑名单， 并且利用 bloom 过滤器进行缓存。 从而提升系统的安全性。
以上内容的视频介绍，将在 《第26章 百万qps 三级缓存 组件实操》 中 详细介绍。
参考文献
4、尼恩 架构师哲学
https://segmentfault.com/a/1190000017142556
https://gitee.com/jd-platform-opensource/hotkey
