Ray Liu's Blog

前言當我們把電商系統的業務邏輯、資料層分工與交易鏈路大致拆清楚後，下一個無法迴避的問題就是：這些東西到底要怎麼在雲端上承接？對很多團隊來說，「上 AWS」常常被理解成選幾個服務把它串起來，但對超大型電商而言，真正的問題其實是故障域怎麼切、容量怎麼算、網路流量怎麼走、資料層怎麼隔離、成本怎麼控。 換句話說，這篇不是要列出一張 AWS 服務清單，而是要回答：當流量真的大、資料真的多、活動真的尖峰、平台真的不能停時，CloudFront、WAF、ALB、EKS、Aurora、ElastiCache、SQS、OpenSearch、S3 這些元件，應該怎麼放在同一張架構圖裡思考。 本篇會以超大型電商平台的常見需求為前提，討論 AWS 上的高層架構規劃、Multi-AZ 與 Multi-Region 取捨、容量預估、觀測與安全治理，以及很多團隊在雲端費用與高可用之間最容易踩到的平衡點。 系列文章導航 從商品瀏覽到訂單履約，超大型電商平台到底怎麼拆 商品目錄、搜尋、推薦、快取與 CDN，為什麼電商本質上是讀流量主導的系統 購物車、庫存預留、下單流程與超賣治理 支付、退款、帳務、對帳與交易一...

前言大型電商的資料問題，常常不是「哪一個資料庫最強」而已，而是「哪一種資料應該落在哪一層」。很多架構討論會把這個問題簡化成 MySQL vs PostgreSQL，甚至再延伸成 SQL vs NoSQL，但對真正的超大型電商來說，這樣的討論仍然太平面。 因為平台裡同時存在很多完全不同性質的資料：交易資料、查詢投影、搜尋索引、快取、暫存狀態、行為事件、稽核資料、歷史封存資料。這些資料不只查詢型態不同，對一致性、延遲、吞吐量、查詢成本與保存期限的要求也完全不同。 所以這篇的核心問題不是「用哪個資料庫比較潮」，而是：面對超大型電商的多種 workload，資料到底該放哪裡，為什麼要這樣分層，以及最常見的誤用是什麼。 系列文章導航 從商品瀏覽到訂單履約，超大型電商平台到底怎麼拆 商品目錄、搜尋、推薦、快取與 CDN，為什麼電商本質上是讀流量主導的系統 購物車、庫存預留、下單流程與超賣治理 支付、退款、帳務、對帳與交易一致性 MySQL、PostgreSQL、DynamoDB、Redis、OpenSearch 與 S3，資料到底該放哪裡（本篇） CloudFront、WAF、ALB、E...

前言支付是很多電商系統裡最容易被講得過度簡化的一塊。因為在使用者視角中，畫面上通常只看到「付款成功」或「付款失敗」，但在系統視角中，支付從來不是一個按鈕後面的單一步驟，而是一整條跨越內部服務與外部金流的長鏈路。 更現實的是，真正困難的往往不是第一次付款成功，而是後續那些長尾場景：callback 重送、付款成功但訂單未更新、部分退款、跨期退款、優惠券回補、點數返還、異常補單、日結對帳與人工客服介入。只要平台流量夠大，這些事情不會是邊角案例，而是每天都會發生的營運日常。 所以這篇要處理的重點是：支付、退款、帳務與對帳為什麼一定要拆開看？ 以及一個成熟的超大型電商，為什麼不能只把支付結果寫回訂單欄位，就當整件事結束。 系列文章導航 從商品瀏覽到訂單履約，超大型電商平台到底怎麼拆 商品目錄、搜尋、推薦、快取與 CDN，為什麼電商本質上是讀流量主導的系統 購物車、庫存預留、下單流程與超賣治理 支付、退款、帳務、對帳與交易一致性（本篇） MySQL、PostgreSQL、DynamoDB、Redis、OpenSearch 與 S3，資料到底該放哪裡 CloudFront、WAF、ALB...

前言如果說首頁、搜尋、商品頁代表的是電商平台的流量壓力，那麼從加入購物車到正式下單，代表的就是平台最敏感的交易壓力。因為這條鏈路不只影響使用者體驗，還直接牽動庫存是否正確、訂單是否重複、支付是否能接上、後續履約是否有依據。 很多電商系統一開始都把這件事想得太簡單：使用者按下結帳，系統檢查庫存、建立訂單、扣掉庫存，然後等待付款。這條描述在白板上看起來很直覺，但一旦碰到高併發、大促、秒殺、重試請求、支付逾時、跨倉庫存與後續取消退款，問題就會快速失控。 所以這篇要處理的核心問題是：購物車、庫存與訂單到底應該怎麼拆？ 以及在超大型電商場景下，為什麼「先查庫存再扣庫存」這種直覺流程往往不夠用，甚至會直接把系統帶進超賣、錯單與補償地獄。 系列文章導航 從商品瀏覽到訂單履約，超大型電商平台到底怎麼拆 商品目錄、搜尋、推薦、快取與 CDN，為什麼電商本質上是讀流量主導的系統 購物車、庫存預留、下單流程與超賣治理（本篇） 支付、退款、帳務、對帳與交易一致性 MySQL、PostgreSQL、DynamoDB、Redis、OpenSearch 與 S3，資料到底該放哪裡 CloudFront、W...

前言很多人在談電商架構時，直覺會把注意力放在訂單與支付，因為那條鏈路最敏感、也最容易出事。但如果從流量占比來看，真正壓力最大的往往不是付款頁，而是首頁、活動頁、商品頁、搜尋頁與推薦區塊。大量使用者每天都在看、比、查、篩選，真正進入下單的人反而是少數。 這也是為什麼超大型電商的第一個架構現實通常不是「交易寫入太多」，而是讀流量先把整個平台打爆。如果商品資料與搜尋查詢沒有分層、快取沒有設計好、索引沒有獨立出去，那麼主資料庫很快就會被大量查詢拖垮，接著連真正重要的交易鏈路都會被連帶影響。 所以這一篇要處理的核心問題是：為什麼超大型電商本質上是讀流量主導的系統？ 以及在這種前提下，商品目錄、搜尋索引、推薦服務、快取與 CDN 應該怎麼分工，才能讓前台流量夠快、夠穩，也不會把交易主線拖下水。 系列文章導航 從商品瀏覽到訂單履約，超大型電商平台到底怎麼拆 商品目錄、搜尋、推薦、快取與 CDN，為什麼電商本質上是讀流量主導的系統（本篇） 購物車、庫存預留、下單流程與超賣治理 支付、退款、帳務、對帳與交易一致性 MySQL、PostgreSQL、DynamoDB、Redis、OpenSear...

前言當我們談到 Amazon 類型的超大型電商平台時，很多人第一時間想到的是首頁很快、商品很多、促銷很多、訂單很多，但站在系統設計的角度，真正困難的從來不是單一頁面怎麼 render 出來，而是整個平台要同時承接極高的讀流量、複雜的交易鏈路、龐大的商品資料、跨區域部署、高峰活動壓力與長尾的一致性問題。 換句話說，電商系統不是「一個網站加一個資料庫」，而是一組責任不同、流量型態不同、擴展方式也不同的系統群。首頁、搜尋、商品頁、購物車、庫存、訂單、支付、履約、客服、通知、推薦、報表，看起來都屬於同一個平台，但它們對延遲、一致性、可用性與資料模型的要求其實完全不一樣。 本系列會以 Amazon 類型的超大型電商作為抽象案例，重點不是猜測某一家公司的私有實作，而是理解在公開常識與業界常見架構下，一個真正高流量、高資料量、高營運複雜度的電商平台，通常會遇到哪些典型問題，以及為什麼系統會逐步長成今天這種分層且分工明確的形態。 系列文章導航 從商品瀏覽到訂單履約，超大型電商平台到底怎麼拆（本篇） 商品目錄、搜尋、推薦、快取與 CDN，為什麼電商本質上是讀流量主導的系統 購物車、庫存預留、下...

前言到了系列最後一篇，我們終於可以正面回答很多人最在意的問題：在幣安、OKX 類型的超大流量交易所場景裡，MySQL 與 PostgreSQL 到底該怎麼選，又該怎麼調？ 這題沒有一刀切答案，因為交易所不是只有一種資料，也不是只有一種查詢模式。 真正成熟的架構思維，通常不是先問「哪個資料庫比較強」，而是先問「哪一類資料、哪一條鏈路、哪一種一致性要求，需要什麼樣的資料庫能力」。你把問題問對，MySQL 與 PostgreSQL 的差異才會真正有意義。 本文會把兩者放進大型交易所的典型資料流裡比較，並用 Go 服務實作角度來討論連線池、批次寫入、索引、複寫、分片、Vacuum、WAL、Binlog 等實務問題。重點不是背參數，而是理解每個調校動作背後到底在優化哪一段成本。 以下討論以 2026 年常見的 MySQL 8.4 LTS、PostgreSQL 17/18、Redis 7.x 與 Kafka 類事件流生態 為背景。不同版本細節會有差異，但整體取捨邏輯仍然成立。 系列文章導航 撮合引擎、In-Memory、Ring Buffer 與批次處理 Event Sourc...

前言分區、分片與事件流解決的是吞吐量與資料一致性的一大半問題，但大型交易所真正容易出事故的地方，往往發生在故障切換與協調。例如同一個 symbol 的撮合工作不能同時有兩個節點接手，同一組清算任務不能被兩個 worker 重複執行，週期性對帳也不能在多個節點上同時跑到互相打架。 這時候你就會遇到 Leader Election、lease、heartbeat、fencing token、split brain 這些名詞。它們看起來像分散式系統課本內容，但在交易所場景裡非常務實，因為只要選主做錯，後果不是單純多跑一個 job，而可能是重複清算、重複扣款、重複對帳，甚至同一資源被雙寫。 本文會把 Leader Election 放回交易所真實使用場景來解釋，並補上 MySQL / PostgreSQL 在協調鎖與選主上的差異。你也會看到一個很重要的觀念：不是所有服務都要選主，但凡是「同一時間只能有一個節點負責」的工作，都必須先想清楚協調模型。 系列文章導航 撮合引擎、In-Memory、Ring Buffer 與批次處理 Event Sourcing、Outbox Pa...

前言當你接受了 In-Memory + Event Sourcing + MQ 這套思路之後，下一個現實問題就來了：資料量到底怎麼扛？ 幣安、OKX 類型的交易所不是只有訂單表很大而已，而是訂單、成交、資產流水、風控事件、行情快照、K 線、稽核紀錄都會一起爆炸，而且不同資料的成長速度完全不同。 這也是為什麼大型交易所一定會走向 Partition、Sharding、冷熱資料分層，以及分角色的資料模型設計。若沒有把這一層拆清楚，再好的撮合引擎都會被下游儲存拖垮。 本文會用交易所最常見的三種切分維度來講解：依交易對、依使用者、依時間。你也會看到 MySQL 與 PostgreSQL 在這個問題上各自擅長的方向，以及它們在擴展時最容易踩到的坑。 系列文章導航 撮合引擎、In-Memory、Ring Buffer 與批次處理 Event Sourcing、Outbox Pattern、Message Queue 與一致性 Partition、Sharding 與 MySQL / PostgreSQL 擴展策略（本篇） Leader Election、高可用切換與跨服務協調 ...

前言上一篇我們先處理了大型交易所的熱路徑問題：撮合核心通常把最熱的 order book 狀態放在記憶體中，並靠單寫者、ring buffer 與 batching 來壓低尾延遲。但只講到這裡還不夠，因為下一個一定會被問到的問題是：如果核心狀態在記憶體裡，那系統怎麼保證資料一致、可追溯，還能在故障後重建？ 這就是 Event Sourcing、Outbox Pattern 與 Message Queue 會一起出現的原因。它們不是三個互不相干的流行名詞，而是大型交易所把低延遲與高可靠同時做出來時，最常見的一組設計組合。 本文同樣以幣安、OKX 類型的交易所為抽象案例，統一用 Go 視角來說明。你會看到，交易所真正想保存的往往不是「某一列最後長什麼樣」，而是「到底發生過哪些不可否認的事實」。一旦你抓住這個重點，Event Sourcing 與 Outbox Pattern 就會變得很好理解。 系列文章導航 撮合引擎、In-Memory、Ring Buffer 與批次處理 Event Sourcing、Outbox Pattern、Message Queue 與一致性（本篇） P...