流量削峯的由來
主要是還是來自於互聯網的業務場景，例如，馬上即將開始的春節火車票搶購，大量的用戶需要同一時間去搶購；以及大家熟知的阿里雙11秒殺，短時間上億的用戶涌入，瞬間流量巨大（高併發），比如：200萬人準備在凌晨12:00準備搶購一件商品，但是商品的數量缺是有限的100-500件左右。
這樣真實能購買到該件商品的用戶也只有幾百人左右， 但是從業務上來說，秒殺活動是希望更多的人來參與，也就是搶購之前希望有越來越多的人來看購買商品。
但是，在搶購時間達到後，用戶開始真正下單時，秒殺的服務器後端缺不希望同時有幾百萬人同時發起搶購請求。
我們都知道服務器的處理資源是有限的，所以出現峯值的時候，很容易導致服務器宕機，用戶無法訪問的情況出現。
這就好比出行的時候存在早高峯和晚高峯的問題，爲了解決這個問題，出行就有了錯峯限行的解決方案。
同理，在線上的秒殺等業務場景，也需要類似的解決方案，需要平安度過同時搶購帶來的流量峯值的問題，這就是流量削峯的由來。
怎樣來實現流量削峯方案
削峯從本質上來說就是更多地延緩用戶請求，以及層層過濾用戶的訪問需求，遵從“最後落地到數據庫的請求數要儘量少”的原則。
1.消息隊列解決削峯
要對流量進行削峯，最容易想到的解決方案就是用消息隊列來緩衝瞬時流量，把同步的直接調用轉換成異步的間接推送，中間通過一個隊列在一端承接瞬時的流量洪峯，在另一端平滑地將消息推送出去。
消息隊列中間件主要解決應用耦合，異步消息， 流量削鋒等問題。常用消息隊列系統：目前在生產環境，使用較多的消息隊列有 ActiveMQ、RabbitMQ、 ZeroMQ、Kafka、MetaMQ、RocketMQ 等。
在這裏，消息隊列就像“水庫”一樣，攔蓄上游的洪水，削減進入下游河道的洪峯流量，從而達到減免洪水災害的目的。
2.流量削峯漏斗：層層削峯
針對秒殺場景還有一種方法，就是對請求進行分層過濾，從而過濾掉一些無效的請求。
分層過濾其實就是採用“漏斗”式設計來處理請求的，如下圖所示：
這樣就像漏斗一樣，儘量把數據量和請求量一層一層地過濾和減少了。
1）分層過濾的核心思想
- 通過在不同的層次儘可能地過濾掉無效請求。
- 通過CDN過濾掉大量的圖片，靜態資源的請求。
- 再通過類似Redis這樣的分佈式緩存，過濾請求等就是典型的在上游攔截讀請求。
2）分層過濾的基本原則
- 對寫數據進行基於時間的合理分片，過濾掉過期的失效請求。
- 對寫請求做限流保護，將超出系統承載能力的請求過濾掉。
- 涉及到的讀數據不做強一致性校驗，減少因爲一致性校驗產生瓶頸的問題。
- 對寫數據進行強一致性校驗，只保留最後有效的數據。
- 最終，讓“漏斗”最末端(數據庫)的纔是有效請求。例如：當用戶真實達到訂單和支付的流程，這個是需要數據強一致性的。
流量削峯總結
1.對於秒殺這樣的高併發場景業務，最基本的原則就是將請求攔截在系統上游，降低下游壓力。如果不在前端攔截很可能造成數據庫(mysql、oracle等)讀寫鎖衝突，甚至導致死鎖，最終還有可能出現雪崩等場景。
2.劃分好動靜資源，靜態資源使用CDN進行服務分發。
3.充分利用緩存(redis等)：增加QPS，從而加大整個集羣的吞吐量。
4.高峯值流量是壓垮系統很重要的原因，所以需要Kafka等消息隊列在一端承接瞬時的流量洪峯，在另一端平滑地將消息推送出去。