10W+TPS高并发场景我的浏览记录系统设计方案

java高并发高可用场景解决方案 相信大部人初级开发跟我一样,平时接触不到什么高并发场景,虽然也能花心思做,但总是受困于杀鸡用牛刀或工资配不上努力或没时间等。故本人整理一份分场景的高并发解决方案,也会包括高可用场景。 阅读详情

👉 这是一个或许对你有用的社群

🐱 一对一交流/面试小册/简历优化/求职解惑,欢迎加入「芋道快速开发平台」知识星球。下面是星球提供的部分资料: 

eb1e778b560b4632340b7fb871a4c75a.gif

👉这是一个或许对你有用的开源项目

国产 Star 破 10w+ 的开源项目,前端包括管理后台 + 微信小程序,后端支持单体和微服务架构。

功能涵盖 RBAC 权限、SaaS 多租户、数据权限、商城、支付、工作流、大屏报表、微信公众号等等功能:

  • Boot 地址:https://gitee.com/zhijiantianya/ruoyi-vue-pro

  • Cloud 地址:https://gitee.com/zhijiantianya/yudao-cloud

  • 视频教程:https://doc.iocoder.cn

来源:juejin.cn/post/
7276678098409898019


背景

用户的浏览行为并发量极高,在下单前用户会浏览多个商家、多个商品,在内心反复纠结后下单。电商系统浏览记录的写入量往往在订单量的十倍甚至百倍,如此高的写流量并发对于系统的挑战可想而知。

最近团队里接了一个需求,要求扩展浏览记录的品类,除了支持门店的浏览记录,还要支持商品、视频等内容信息的浏览记录,未来接入更多类型的浏览记录。值得一提的是用户只能查看30天以内的浏览记录,30 天以外,无需归档保存。新改动的需求场景,预估写入流量比门店维度会高出十倍。高峰期的写入流量预估达到了100K TPS+

在 App 主页也需要透出浏览记录,支持用户分页查询。考虑到用户主动查询浏览记录频率不高,读取浏览记录的 QPS 在1K-10K级别。

从读写场景分析,浏览记录的写流量要高于读流量,但是高峰期读写都会超过10K QPS,所以存储中间件的选取非常重要。

c38393c04ec4cc3810de98d4f90a2824.png

基于 Spring Boot + MyBatis Plus + Vue & Element 实现的后台管理系统 + 用户小程序,支持 RBAC 动态权限、多租户、数据权限、工作流、三方登录、支付、短信、商城等功能

  • 项目地址:https://github.com/YunaiV/ruoyi-vue-pro

  • 视频教程:https://doc.iocoder.cn/video/

存储模型选型

接下来我将从数据可靠性、数据成本、读写性能等方面 探讨存储系统的选型。

从存储容量上看,用户的浏览的店铺、商品假设每天访问 10 个(保守估计),存储 id和时间戳 大概占 20个字符,一共 200B。浏览记录支持 30 天,假设 1 亿(保守估计)活跃用户。那么全量的数据规模大致为 20 * 10 * 30 * 100000000/(1024**3) = 558 G。保守估计30 天的浏览记录在500G 以上。

指标\中间件RedisRedis + MySQLMySQLTair
成本高中等中等低
数据可靠性不可靠可靠可靠可靠
读性能极高极高差高
写性能极高低差高
实现难度低高高低

首先应该排除两个方案, 纯Redis和纯 MySQL方案

  1. 纯 Redis 成本高昂,500G以上 的内存存储成本太高。最重要的是无法保证数据可靠性。存在丢失数据的风险。

  2. 纯 MySQL方案在高峰期 读写流量的性能无法保证。且每天需要归档数据,系统实现难度高。

其次来看 Redis+MySQL 方案也是不行。

  1. 写入时依然需要同时写入缓存和数据库,数据库抗 10W 写入流量,稳定性压力还是非常大的。对系统的挑战巨大

  2. 数据库存储了全量的浏览记录,需要每天归档数据。也就是系统流量除当天的写入流量,还要包括归档删除的流量。

综合分析下来,Tair 在成本、数据可靠性、读写性能、实现难度方面都比较优异。

❝

Tair最初是诞生在淘宝,定位是作为数据库之前的缓存,最开始用在了淘宝的用户中心;我们花了5年时间,将Tair从缓存演进到分布式KV存储兼备,场景也全方位覆盖了互联网在线业务,例如从淘宝的用户登陆、购物浏览、下单交易、消息推送等等都会访问Tair。

❞

Tair 可支持持久化的存储,同时实现了Redis 的原子化协议接口,我司基于 Tair 进行了改造。可保证100K的读写性能。后来的线上压测在2W QPS 查询时 TP999 能有 5ms的优异表现,实在让我刮目相看。更多的黑科技大家可自行百度 Tair 即可。

接下来大家可简单认为 Tair 是实现数据持久化,读写性能稍差的 Redis。

基于 Spring Cloud Alibaba + Gateway + Nacos + RocketMQ + Vue & Element 实现的后台管理系统 + 用户小程序,支持 RBAC 动态权限、多租户、数据权限、工作流、三方登录、支付、短信、商城等功能

  • 项目地址:https://github.com/YunaiV/yudao-cloud

  • 视频教程:https://doc.iocoder.cn/video/

存储结构设计

用户各种类型的浏览记录,要支持分页查询,有多种实现方案。为了读者便于理解,我先基于redis分析,最后再对比Tair和redis区别,选择Tair合适的方案。

List结构

List结构最简单,使用List存储用户的商品浏览记录,将最新浏览记录插入到List头部。

LPUSH KEY_NAME VALUE1
新增记录:LPUSH ${userId}  {$productId, $viewTime}

分页查询,需要指定起止offset, 截止offset= offset + count即可
LRANGE ${userId} ${offset} ${offset}+${count}

Redis List LPUSH新增时,会在队列头部新增,这样保证第一条浏览记录是最新的。使用LRANGE 可以指定范围查询浏览记录。

Tair的List结构和Redis类似,并且Tair支持 元素维度的超时。但是当前Tair只能在队列尾部新增记录,这样第一条记录是最早的浏览记录。分页查询最新浏览记录只能从后倒序查询。但是遗憾的是Tair的查询只能从头开始,正序查询。所以是无法支持从最新浏览记录分页查询的场景。

Sort Set结构

ZADD KEY_NAME SCORE1 VALUE1
新增浏览记录:  ZADD ${userId} ${viewTime} ${productId}

ZREVRANGE key start stop 
分页获取数据: ZREVRANGE ${userId} offset count WITHSCORES

sort set支持 设置分数和value。在浏览记录中,可以使用 时间戳作为Score,商品Id等作为Value。分页查询时使用 ZREVRANGE 倒序分页获取浏览记录。

redis无法支持Sort Set元素维度的过期。30天以上数据的删除,需要归档任务。

由于Tair也没有 Sort Set数据结构,所以 Sort Set方案也被抛弃。唯一剩下的只剩下 Hash结构。

由于List和Sort Set无法支持,最后只剩下了Hash结构

Hash结构

Hash结构较为复杂,总共三个方案。难点在于无法优雅的实现分页查询最新浏览记录。

方案\keykeyhash fieldhash value
方案 1${userId}${商品 id}时间
方案 2${userId}${day}json 存储 productId和时间

${userId}day_infojson 存储 productId和时间
方案 3${userId}${day}json 存储 productId和时间

${userId}_dayinfo${day}当天的访问总数

方案 2 和方案 3 都需要存储用户每天的浏览记录总数,区别在于 方案 2 把每天浏览数量存储在 Hash field 中。方案 3 把每天浏览数量存储在redis 大 key,且每天的数据存在Hash Field,即小key中。

接下来将分析各个方案的优缺点。

方案写入分页查询过期
方案 1写入原子分页查询:需要一次性取出30 天的浏览记录支持hash field 过期
方案 2并发写入问题。同时每天的浏览次数+1时,需要更新整个大JSON,网络耗时比较高。首先取出用户每天的浏览数,根据当前页数,计算取出哪天的浏览数据。无需取出全量浏览数据支持hash field 过期
方案 3并发写入问题。同时更新每天浏览次数时,只需要更新当天的数据即可首先取出用户每天的浏览数,根据当前页数,计算取出哪天的浏览数据。无需取出全量浏览数据支持hash field 过期

由于方案 1 ,分页查询时需要取出全部的浏览数据在客户端进行分页,当用户的浏览数据非常大时,一定会出现慢查询。同时客户端进行分页在 高并发场景下,内存的消耗也是比较高,系统 GC 压力会非常大。综合下来,方案 1 并不合适。

为了进行分页,要想一个好办法。如果把每天的浏览次数记录下来,每次分页时查询每天浏览次数,排序,最后根据当前页数计算要取哪几天的数据。这样好处是不需要取全部的浏览记录,只需要取某几天的浏览记录。

方案3和方案2都是这样的思路,但是方案3比方案2 要更加优异。要知道每次浏览行为都要更新当天的浏览次数,方案2 把所有的浏览次数放到一个大JSON中,每次更新都要更新一个大JSON。而方案3 把每天浏览记录打散放到Hash的Field中。明显写入时,性能更高

但是方案3也有劣势,把每天的浏览次数打散放到Hash中,计算分页数据时,需要全部取出Hash的所有Key。而方案2只需要取Hash的一个Field。两者的差异真的很大吗?其实不然……方案2、3都需要取出30天的浏览次数。区别在于查询一个HashField和查询Key的区别。从查询数据量上并未差异。

由于只记录了30天的数据,且只记录每天的浏览次数,所以一个Field Value 数据量并不大。例如2023.09.09共21条浏览记录,存储上field:"20230909",value: 21, 一共10个字符。30天一共300个字符。查询300个字符,对于Redis压力并不大。20230909还可以压缩,可以使用上线时间为基准时间,计算距离这一天的差值,一般不超过4位数9999。这样又可以把10个字符降为5个字符,这样一个Hash结构共150个字符,数据也不大。

业务场景决定了写流量远大于读流量。所以分页查询时每次取150个字符获取每天的浏览次数,然后计算从哪几天中获取浏览记录列表。整体上查询的耗时可控。

当然也会存在问题,例如某一天用户的浏览行为非常多,浏览的商品和门店信息都存储下来,分页查询时,查到这一天时因为浏览门店非常多,所以就会对系统造成较大压力。这种极端情况下不能完全记录用户浏览行为。如何应对也需要和产品沟通协调,是否限制记录每天的浏览记录数量,例如限制阈值30个。避免极端情况导致慢查询,影响集群性能。

截止目前基于Hash结构的方案3 暂时满足我们的诉求,但是还有一个问题需要解决。并发写入问题。

因为当天的浏览记录都存储到了一个hash Field中。当一个用户频繁更新时,可能导致同时更新同一个key。如何解决呢?

如果是Redis,可以手写LUA脚本,实现Hash Field更新的CAS原子操作。即先查询当天浏览次数,然后更新当天的浏览次数+1,如果成功则记录浏览行为。如果浏览次数大于阈值,则丢弃这次浏览行为。

但是Tair既没有实现Hash Field的CAS操作,也不支持LUA脚本,我只能想其他办法。

Tair实现了Key Value维度的CAS更新,是否可以使用userId+day作为key,浏览次数作为value呢? 不可以,因为用户量级太高。上亿用户 * 30天。将近30亿-300亿的KEY, Tair系统压力也是比较大。

如何确保用户维度无并发呢?

分布式锁方案

使用userId维度分布式锁,写入量级在10W TPS。

不作控制

如果出现并发问题,容忍数据丢失问题。实际上用户的两次浏览行为基本上会在秒级别,系统基本不会出现并发访问。

浏览行为消息 通过UserId进行分片路由。

浏览行为是通过Kafka通知的,如果把userId的消息全部路由到Kafka的一个分片,同时保证有序消费,就可以保证单个用户的浏览行为都是串行处理的。

综合分析开发成本,我们认为暂时不进行并发控制,因为我的浏览行为数据并不是强一致性要求的数据,即使有丢失对于用户也没有损失。同时并发修改的概率还是比较低的。我们认为 并发写入的风险可控。

总结

我的浏览数据典型的高并发写入、低并发查询场景。我们要从数据可靠性、成本、系统实现难度、读写性能等多个方面全面评估。落实到存储结构时,需要考虑存储系统支持的特性是否满足。

综合分析下来,让我意识到我的浏览行为 是一个对存储系统挑战极大的场景。有一个稳定可靠性能强大、功能强大的存储系统真的可以简化 业务逻辑的实现。


欢迎加入我的知识星球,全面提升技术能力。

👉 加入方式,“长按”或“扫描”下方二维码噢:

35b8264d5013523521eaf1e41f88f068.png

星球的内容包括:项目实战、面试招聘、源码解析、学习路线。

0ba1c7f344865025cf61bf3bb5239a67.png

f014863bd8cbb70ed00f78f30e3ed0f0.png593d1050c6eeb293dd7b5647d17b30f9.png10a86deef756bcdbb8e1d06f125263e7.pngee646301041c55f4d07b9f4e4aab91be.png

文章有帮助的话,在看,转发吧。
谢谢支持哟 (*^__^*)
实战!如何从零搭建10万级 QPS 大流量、高并发优惠券系统--图文解析 Queries Per Second,意思是每秒查询率。就是每秒的查询数,对数据库而言就是数据库每秒执行的 sql 数( insert、select、update、delete 等)如下图:系统服务器向MySql服务器发送了一条sql,对于MySQL服务器来说,QPS为1(一秒内)和TPS的区别:tps(transactions per second)每秒事务数。以 commit 成功次数为准。 阅读详情

相关推荐

拼多多后端36W+ offer面经:高并发与系统设计核心考点解析

高并发是后端开发的核心挑战,尤其在电商场景下,瞬时流量峰值对系统的稳定性提出极高要求。理解缓存与数据库一致性、消息队列选型、分布式事务等原理,是构建可靠系统的关键,这些技术不仅保障大促期间的用户体验,也是大厂后端面试的高频考点。本文以拼多多36W+年薪后端岗真实面经为例,深入拆解多线程与锁机制、Redis Lua脚本、缓存穿透、秒杀系统设计等真题,提供从理论到工程的完整答题思路,帮助候选人系统梳理JVM、MySQL、消息队列等知识体系,掌握系统设计题的破题方法,从而在激烈竞争中脱颖而出。

weixin_33857230的博客 319

327、浏览历史数据库表设计与缓存设计

目录 1. 功能需求 2. 实现方案 3. 数据库设计 3.1 预测数据量 3.2 按用户区间分表 3.3 定时任务数据归档 4. 缓存设计 4.1 怎么存 4.2 哪里存 4.3 缓存时间设置 1 功能需求 最近,公司 app 需要增加一个新的功能是历史浏览记录的页面。 说道 “浏览历史”,大家应该都不陌生,跟浏览器的浏览历史功能基本一致。浏览历史的功能,仅限于用户浏览文章页面, 记录用户浏览过的文章,一方面方便用户下次再次查找,另一方面,也对我们将来对用户画像设计有所帮助。

日拱一卒,决战2032 3172

性能测试TPS指标到底多算才算合适呢?二八定律

前言 通常我们在压测的时候,都会有一个指标去衡量,比如搜索商品接口,我们预期TPS需要达到多少。 最理想的情况就是开发/产品/项目经理提前确定好了性能指标,但是通常大多数公司对于性能不是很理解,可能你问产品经理,产品经理说TPS是什么。那么这种情况下,我们就需要根据实际情况进行分析,确认性能指标。 明确压测项目类型 一般我们压测的项目会分为两类,一种是老项目,一个是新项目。像我们公司的项目已经上线运行了很长一段时间了,那么在生产环境中,会生成一些历史数据,并且线上也业务监控系统,定期监控各个业务模块核心接口

weixin_43865008的博客 1万+

用户历史浏览记录的实现

为了实现用户历史浏览记录功能,我们需要在前端页面上添加一些代码来跟踪用户的浏览行为。然后,我们可以将这些数据存储到后端数据库中,以便于稍后检索和查看历史记录。// 假设我们有一个名为 "user_history" 的表格,它存储了每个用户的访问记录。echo "[]";// 如果用户未登录,返回空数组。**前端页面(browse_history.html)**-- 历史浏览记录将在这里显示 -->// 在这里,你应该连接到数据库并检索用户的历史浏览记录。// 假设用户浏览了一个页面。

weixin_54191015的博客 2028

一文读懂无人机AI识别算法,原理、技术、应用

本文详细介绍了无人机识别算法的工作原理、技术优势以及在多个行业的应用前景,展现了其在提升安全监控、资源管理和应急响应中的关键作用。尽管无人机识别算法在多个领域展现出巨大潜力,但仍面临技术挑战,如算法的准确性、数据的实时处理能力以及对复杂环境的适应性。4. 消防与城市管理: 无人机识别算法在消防和城市管理中的应用,为相关部门提供了及时的信息支持,提升了应急处置能力和城市管理水平。1. 公安监控: 无人机识别算法在公安领域的应用,可以实时识别犯罪嫌疑人和违法行为,有效提升城市治安管理的智能化水平。

foiadrone的博客 1849

通过声音识别鸟类

根据野生鸟类的外表来识别它是一回事。仅仅根据声音来识别同一只鸟是另一回事。除非你是一个熟练的观鸟者,通过声音识别鸟类可能相当具有挑战性德国马尔堡大学的一组数学、计算机科学和生物学研究人员设计了一种快速识别鸟类和监测当地生物多样性的方法。他们使用连接到 NVIDIA 的便携式设备拍摄的录音根据研究人员的说法是一个边缘人工智能系统,“基于分布式系统中运行的嵌入式边缘设备,能够对森林中记录的声景进行高效、连续的评估。”要了解更多信息,请参阅。

分享AI前沿科技 1680

如何使用springboot项目如何实现小程序里面商品的浏览记录功能案例

第二部:在小程序里面 点击商品详情的时候 我们可以在这个浏览记录表里面新增一条数据,同一个商品只会有一条,注意这里表结构也可以新增浏览记录次数字段。这样我们可以在小程序里面通过查询接口来获取浏览记录数据啦。1 第一步,数据库表结构设计。

2302_79560683的博客 898

autoware 激光-相机联合标定

autoware进行激光-相机联合标定 ~~~ 刚开始进行激光-相机联合标定的时候,出现了不少问题,在此记录一下整体标定流程,以防忘记。在此,特别感谢佳明师弟,在录制数据集时提供的帮助。 ~~~ 0.系统配置: Ubuntu18.04系统 ROS Melodic opencv 3.2.0 vlp-16 一.安装autoware 这部分网上教程挺多的,但我在编译的过程中仍存在不少bug,唉~_~。 二.安装calibration_camera_lidar,从a...

nuo112的博客 1万+

商城产品浏览记录,看了又看一种实现思路

商城产品浏览记录,看了又看一种实现思路 很直白的思路。

Simael的专栏 6009

Claude Code 的 Subagent 到底怎么用?

Subagent是ClaudeCode中的专业化AI代理系统,每个代理专注单一领域(如代码审查、数据库设计),具备独立记忆空间和并行处理能力。适用于中大型项目开发,通过配置文件定义代理职责与权限,可显式调用或自动触发多代理协作。典型场景包括代码安全审查、全栈并行开发和技术方案对比。使用时需注意避免过度拆分、权限过宽等陷阱,结合链式工作流和负载均衡可显著提升效率。实测在电商项目开发中能缩短20%工期并提升40%性能。

bgeyq的博客 1994

2024年12月中国电子学会青少年软件编程(Python)等级考试试卷(六级)答案 + 解析

2024年12月中国电子学会青少年软件编程(Python)等级考试试卷(六级)答案 + 解析

伶俐角少儿编程 732

django中保存和查询浏览记录

. 保存用户浏览记录 1.请求方式 选项方案请求方法POST请求地址/browse_histories/ 2.请求参数:JSON 参数名类型是否必传说明sku_idstring是商品SKU编号 3.响应结果:JSON 字段说明code状态码errmsg错误信息 4.后端接口定义和实现 class UserBrowseHistory(LoginRequiredJSON...

heima201907的博客 909

CMM软件:PC-DMIS汽车制造二次开发

PC-DMIS 是一种广泛应用于坐标测量机(CMM)的测量软件,它不仅提供了强大的测量功能,还支持用户通过二次开发来扩展其功能。二次开发可以显著提升测量效率,满足特定的测量需求,减少重复性工作,提高数据处理和分析的准确性。本节将介绍 PC-DMIS 二次开发的基本概念、开发环境的搭建以及开发中常用的工具和方法。PC-DMIS 二次开发为用户提供了强大的工具,可以显著提升测量效率、减少重复性工作并提高数据处理和分析的准确性。

kkchenjj的博客 1816

阿里终面:10W+TPS ,我的浏览记录系统如何设计?

我的浏览数据典型的高并发写入、低并发查询场景。我们要从数据可靠性、成本、系统实现难度、读写性能等多个方面全面评估。落实到存储结构时,需要考虑存储系统支持的特性是否满足。综合分析下来,让我意识到我的浏览行为 是一个对存储系统挑战极大的场景。有一个稳定可靠性能强大、功能强大的存储系统真的可以简化 业务逻辑的实现。·END·

LoveSummer 922

FT2004(D2000)开发实战之AMD R5 230显卡驱动适配

AMD R5 230显卡驱动适配

嵌入式Linux 3206

CodeQL查询时遇到报错:A fatal error occurred: Could not process query metadata for...如何解决?

🏆本文收录于 《全栈Bug调优(实战版)》 专栏,该专栏专注于分享我在真实项目开发中遇到的各类疑难Bug及其深层成因,并系统提供高效、可复现的解决思路和实操方案。无论你是刚入行的新手开发者,还是拥有多年项目经验的资深工程师,本专栏都将为你提供一条系统化、高质量的问题排查与优化路径,助力你加速成长,攻克技术壁垒,迈向技术价值最大化与职业发展的更高峰🚀!

**My Coding Family** 1086

高并发下的QPS、TPS、RT、PV、并发量分别是什么意思?

高并发指标

Hanson的博客 1890

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

理解高并发

另外,由于软硬件环境、技术栈、以及产品逻辑都没法做到完全一致,这些都会导致同样的业务场景,就算用相同的技术方案也会面临不同的问题,这些坑还得一个个趟。但是从高并发系统的整体架构角度来看,扩展的目标不仅仅是把服务设计成无状态就行了,因为当流量增加10倍,业务服务可以快速扩容10倍,但是数据库可能就成为了新的瓶颈。了解了高并发设计的3大目标后,再系统性总结下高并发的设计方案,会从以下两部分展开:先总结下通用的设计方法,然后再围绕高性能、高可用、高扩展分别给出具体的实践方案。:即服务器每秒处理的事务数。

m0_62943934的博客 1365

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

秒杀系统架构解密:从 100 TPS 到 10 万 TPS,我是如何做“库存扣减”优化的?(Redis Lua + 消息队列)

某电商平台搞促销,限量 100 台 iPhone 15 Pro Max,售价 9.9 元。活动开始前,运营还在群里喊:“大家准备好,流量要来了!活动开始第 0.1 秒,数据库 CPU 飙升 100%,连接池爆满,整个 App 页面转圈圈,最后报 502。老板脸色铁青,用户骂声一片。这是初级开发者最容易遇到的“秒杀惨案”。如何在极短时间内,处理远超数据库承受能力的并发请求,且保证库存不扣成负数(超卖)。今天,我就带大家复盘一个秒杀系统从100 TPS(直连数据库)优化到。

BUG猿的博客 1277

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

超高并发架构。美国总统选举,要一个选票系统,要100w tps,1000wqps,选票不可篡改,不可重复

超高并发架构。美国总统选举,要一个选票系统,要100w tps,1000wqps,选票不可篡改,不可重复

架构师尼恩 1875

手机检测系统效能评估:每瓦特算力检测吞吐量(TPS/W)实测对比

本文介绍了如何在星图GPU平台上一键自动化部署“实时手机检测-通用基于DAMO-YOLO和TinyNAS WebUI”镜像,实现高效低功耗的手机识别应用。该系统适用于考场监考、会议管理等场景,能实时检测手机使用,准确率达88.5%,在移动设备上续航可达8.5小时,显著提升能效与实用性。

weixin_42608318的博客 171

SQL数据库压力测试:模拟高并发场景

在电商大促、直播秒杀等典型高并发场景中,数据库往往是系统的“最后一道防线”。本文将从压力测试的核心概念出发,结合超市结账的生活化比喻,拆解高并发场景的模拟逻辑;通过JMeter、sysbench等工具的实操示例,演示从测试环境搭建到结果分析的全流程;并结合电商秒杀的真实案例,揭示常见性能瓶颈(如锁竞争、索引失效)的诊断与优化方法。无论你是开发工程师还是DBA,读完本文都能掌握一套可落地的数据库压力测试方法论。

AI天才研究院 1531

Aptos压力测试:高并发场景性能验证

Aptos作为新一代Layer 1区块链,其高性能特性需要通过严格的压力测试来验证。本文将深入探讨Aptos压力测试的核心组件、测试方法和性能指标,帮助开发者和运维团队构建可靠的高并发测试环境。 ## 压力测试架构 Aptos压力测试采用模块化架构,主要包含以下核心组件: ```mermaid flowchart TD A[Transaction Emitter交易发射器]...

gitblog_01197的博客 701

金融系统压测全解析,深度还原百万TPS压力测试的真实场景与应对策略

掌握金融系统的吞吐量测试关键方法,深度解析百万TPS压力测试的真实场景与应对策略。涵盖高并发交易系统适用场景、全链路压测方案与性能优化核心技巧,保障系统稳定高效。值得收藏的实战指南,点击了解详情。

GatherTide的博客 873

【IT老齐092 笔记】快手面试题:10亿红包、百万TPS的红包雨系统如何设计?

本文总结了高并发红包雨系统的架构设计与技术实现。面对百万级TPS、10亿红包分发的挑战,系统采用预拆包(二倍均值法)+Redis原子操作(Lua脚本)的核心方案,通过热Key拆分、多级限流、异步入账(Token+MQ)等策略应对高并发。同时设计多级降级开关、三维对账机制保障系统高可用与资金安全。关键技术点包括:Redis集群分片、本地缓存同步、分库分表、冷热数据分离等。该架构已在字节跳动、微信等大厂红包活动中验证,可支撑亿级用户同时抢红包的业务场景。

fengquan8866的博客 413

【System Design】系统设计入门概述

本文介绍了系统设计的基本思维框架和评估方法。作者提出使用2W1H公式(是什么、为什么、怎么做)进行结构化思考,强调演进式设计思维。系统设计主要从可行性、特定问题解决能力、分析能力、权衡能力和知识储备五个维度评估。在分析方法上,建议按照场景分析、服务拆分、存储设计和可扩展性四个步骤逐步深入。文章还列举了TPS、HPS和QPS三个关键性能指标。整体强调系统设计没有标准答案,但应该追求可扩展、高性能、可维护等核心特性。

啾啾头号大粉丝打工买粮博客 703
上一篇: DNS 解析一个地址的时候会返回多个 IP 吗?
下一篇: 遥遥领先!idea 接口测试神器
公众号-芋道源码
博客等级 码龄10年 1639粉丝 377原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值