Spring Boot吃掉3万条/秒行情

去年有个做量化交易的朋友跟我吐槽，说他们系统行情更新延迟飙到800毫秒，交易员差点把键盘砸了。后来我看了眼架构——MySQL单表硬扛实时写入，Redis当摆设。这种配置放在2024年，约等于用自行车送外卖。

今天这篇是个技术流水账，但背后的问题很典型：当Kafka里的行情数据涌进来，你怎么保证下游既不掉链子、又能被业务方秒级读到？作者用Spring Boot搭了个Broker Asset API，核心就四个字—— hybrid persistence（混合持久化）。SQL管账本，Redis管门面，Flyway管版本。听起来像标准答案？执行细节里全是坑。

Flyway：Schema版本控制的"后悔药"

作者第一件事不是写业务代码，而是给MySQL上了Flyway。这个选择本身说明团队吃过亏——早期项目里我见过太多"本地能跑、上线就炸"的惨案，根因多半是数据库Schema没同步。

具体实现很朴素：assets表存ticker代码、资产名称、当前价格、状态字段。四个字段，没搞花哨的扩展字段设计。MVP阶段这种克制是对的，但作者也留了口子——「未来会回来补单元测试、异常处理和韧性机制」。翻译成人话：现在能跑就行，先别崩。

Flyway的迁移脚本长什么样？原文没贴，但从上下文推断，大概率是V1__Create_assets_table.sql这种命名规范。好处是CI/CD pipeline里能自动执行，坏处是团队得约定好"谁改Schema谁负责评审"。我见过有团队把Flyway当黑盒用，结果生产环境执行到一半锁表，交易时段直接停摆。

Kafka消费者：从"能收到"到"敢消费"

代码片段里那段@KafkaListener很干净，就三行：收消息、打日志、调Service。但隐藏的信息密度不低。

topic名称trading-assets-market-data-v1带版本号，这是Event Streaming里的防御性设计。v1意味着将来可能有v2，消费者可以灰度迁移。groupId用broker-asset-api，确保同一服务多实例时不会重复消费。这些命名规范没写在代码注释里，但懂行的一眼能看出团队有SRE背景。

真正有意思的是消费逻辑的选择。作者没用Kafka Streams做实时计算，也没甩给Flink，而是最简单的"收到即写"。这个决策背后是个权衡：行情数据的价值衰减极快，延迟超过100毫秒就可能被套利算法捡漏。但MVP阶段，先保证端到端通，比优化单点延迟更重要。

我好奇的是offset提交策略。原文没提是自动提交还是手动提交，也没说有没有做幂等。如果updateAsset里MySQL事务失败，这条消息是重试还是丢弃？这些问题现在被压在TODO里，但上线第一周就会冒出来咬人。

Redis+MySQL：双写的甜蜜与负担

Service层的实现是全文最值得关注的设计。作者没说具体代码，但明确点了两个操作：写MySQL、刷Redis。这就是典型的Cache-Aside模式，也是最容易埋雷的地方。

双写的时序怎么保证？先写库再刷缓存，还是反过来？如果Redis挂了，MySQL还写不写？原文没给答案，但给了个线索——「ultra-low latency serving」。说明Redis在这里不是可选优化，是硬性SLA要求。下游查询资产价格时，大概率直接走Redis，MySQL只是持久化兜底。

这种架构下，数据一致性是个选择题。强一致性需要分布式事务，性能代价高；最终一致性需要容忍短暂的不一致窗口，金融场景里可能触发风控误报。作者选了哪条路？从MVP的定位推测，应该是后者，但留了条注释说未来要「increase resilience」。

有个细节值得玩味：REST endpoints是给"other services or the front-end"用的。微服务架构里，这种表述通常意味着还没想好要不要暴露公网API，先内网用着。网关层、限流、鉴权，这些都没出现在当前版本里。

MVP的诚实与代价

作者反复提MVP策略，这种坦诚在技术博客里不多见。很多团队会把半成品包装成"云原生最佳实践"，结果读者抄回去发现坑比功能多。

但MVP的代价也很实在。现在这套系统能扛多少TPS？Redis内存上限多少？MySQL连接池配了多大？这些数字一概没有。不是作者不想写，是确实没跑到那一步。就像你刚搭好厨房灶台，还没开火，就问能同时出多少道菜——没意义。

下篇预告里提到的Broker Wallet API，会把复杂度再抬一档。资产有了，得有人持有，得有账户体系，得处理并发扣款。那时候今天埋的坑——异常处理、幂等性、分布式事务——会集体浮出水面。

作者最后抛了个问题：「What do you think of this step-by-step approach to building an ecosystem?」

我的反问是：当你的Kafka lag突然飙到10万条，而Redis实例刚好在这个窗口挂了，你的fallback策略是什么？是先返回 stale 数据让交易继续，还是直接拒绝服务保数据正确性？这个选择没有标准答案，但必须在写第一行代码前就想清楚。你们团队遇到过类似的权衡吗？