共计 2469 个字符，预计需要花费 7 分钟才能阅读完成。

一、传统架构的痛点分析

在 Skill Market 平台用户量突破 50 万时，原有单体架构暴露出三个致命问题：

1. 响应延迟飙升 ：订单查询接口平均响应时间从 200ms 恶化到 1.2s，高峰期出现 HTTP 503 错误
2. 级联故障风险 ：MySQL 连接池耗尽导致整个系统不可用，符合典型的服务雪崩特征
3. 扩展性受限 ：技能搜索模块需要频繁重建索引，但无法独立扩容

通过 Arthas 监控发现，80% 的慢请求集中在用户积分计算和技能推荐两个模块，这正是微服务拆分的理想候选。

二、技术选型决策矩阵

选择 Spring Cloud Alibaba 的核心因素是其与 Java 技术栈的深度整合，以及 Seata 对金融级事务的支持能力。

三、领域驱动设计与微服务拆分

3.1 限界上下文划分

// 用户上下文聚合根示例
@Entity
public class User {
    @Id
    @GeneratedValue(strategy = GenerationType.IDENTITY)
    private Long userId;

    @Embedded
    private UserCredential credential; // 值对象

    @OneToMany(mappedBy = "user")
    private List<Skill> skills; // 聚合引用
}

3.2 服务拆分结果

• 用户服务 ：处理注册 / 登录 / 权限（QPS 300+）
• 技能服务 ：管理技能分类 / 搜索（QPS 500+）
• 交易服务 ：处理订单 / 支付（TPS 200+）

四、关键实现代码示例

4.1 JWT 鉴权配置

@Configuration
@EnableWebSecurity
public class SecurityConfig extends WebSecurityConfigurerAdapter {

    @Override
    protected void configure(HttpSecurity http) throws Exception {http.csrf().disable()
            .authorizeRequests()
            .antMatchers("/api/auth/**").permitAll()
            .antMatchers("/api/skill/**").hasRole("PROVIDER")
            .anyRequest().authenticated()
            .and()
            .addFilter(new JwtAuthenticationFilter(authenticationManager()))
            .sessionManagement().sessionCreationPolicy(SessionCreationPolicy.STATELESS);
    }
}

4.2 RocketMQ 事务消息

// 订单创建事务消息发送方
public class OrderService {
    @Autowired
    private TransactionMQProducer producer;

    public void createOrder(OrderDTO order) {
        Message msg = new Message("order_topic", 
            JSON.toJSONString(order).getBytes());

        TransactionSendResult result = producer.sendMessageInTransaction(msg, 
            new LocalTransactionExecuter() {
                @Override
                public LocalTransactionState executeLocalTransaction(Message msg, Object arg) {return saveOrderToDB(order) ? 
                        LocalTransactionState.COMMIT_MESSAGE : 
                        LocalTransactionState.ROLLBACK_MESSAGE;
                }
            }, null);
    }
}

五、性能优化实践

5.1 多级缓存架构

graph TD
    A[客户端] -->|CDN| B(边缘节点)
    B -->|Nginx 缓存 | C[API 网关]
    C -->|Redis 集群 | D[服务节点]
    D -->|Caffeine| E[本地缓存]

5.2 Sentinel 流控规则

// 技能查询接口限流配置
@SentinelResource(value = "skillQuery", 
    blockHandler = "handleBlock",
    fallback = "queryFallback")
@GetMapping("/skills")
public List<Skill> querySkills(@RequestParam String keyword) {// 业务逻辑}

public List<Skill> handleBlock(String keyword, BlockException ex) {log.warn("触发限流 keyword:{}", keyword);
    return Collections.emptyList();}

六、典型避坑指南

1. 分布式 ID 生成 ：避免使用 UUID，推荐美团 Leaf 方案，TPS 可达 10W+

2. Nacos 热更新 ：必须配合 @RefreshScope 使用，且注意配置项的刷新粒度

   # 错误的配置方式（无法热更新）skill.rate.limit=100
   
   # 正确方式（支持动态调整）skill:
     rate:
       limit: 100

七、扩展思考

如何设计实时技能推荐系统？建议考虑以下技术组合：

• 实时数据采集：Flink + Kafka
• 特征计算：TensorFlow Serving 在线推理
• 结果存储：Redis ZSET 实现热度榜

期待大家在评论区分享各自的架构设计方案。