行业场景
1. 立项原因
项目主要解决运输履约中的四类产品问题：
- 订单、波次、发运任务、车辆、承运商和签收数据分散，依赖人工汇总，调度效率低且难以追溯。
- 多物流中心、多门店、多运输类型并行，人工配载难以兼顾车型、线路、波次、时效和装载率。
- 车辆发车、到店、离店和冷链温湿度缺少统一视图，GPS、温度缺失及超温问题难以及时闭环。
- TMS 与 WMS、OMS、IoT、计费、主数据等系统需要稳定协同，避免重复运输、状态不一致和人工回传。
建设目标是形成统一运输调度平台，实现运输任务标准化、执行过程可视化、异常处理闭环化和跨系统数据一致。
2. 行业场景与业务背景
典型场景是大型连锁零售企业的多仓履约：物流中心向大量门店配送干货、生鲜和冷链商品，业务同时涉及日配、跨 DC、共享单、一车多单、第三方承运商和多类车型。
其特点是订单高频、门店时效敏感、车辆资源紧张、冷链合规要求高，且 WMS、OMS、IoT 和结算系统链路长，需要通过 TMS 对运输全生命周期进行统一编排和监控。
功能介绍
1. 功能模块
- 基础资料：车辆、承运商、客户、站点、月台、商品、字典、模板和权限配置。
- 订单与调度：WMS/OMS 订单接入、直通单导入、DO/DT 生成与拆单、跨 DC、共享单、一车多单、智能配载和进度跟踪。
- 运输执行：车辆配载、发车确认、电子围栏自动发车和抵达、预计到店时间、实际里程、轨迹地图和司机 APP。
- 签收回单：签收单创建、明细维护、回单上传、自动送达、状态更新、导出及 OMS 回传。
- 冷链与异常：温湿度曲线、前后端车厢温度、规则配置、GPS/温度/点位缺失、超温判断、异常产生与恢复。
- 报表与集成：运输看板、日报、拣货报表、接口日志、异步导出，以及 WMS、OMS、BMS、IoT、主数据集成。
2. 主要功能描述
系统以运输订单为起点，经过订单校验、任务拆分、车辆与线路配载、发运确认、在途 GPS 和温湿度采集、到店与离店判定、签收回单，最终将状态、费用和凭证回传相关系统。调度人员集中处理异常，管理层查看时效、运量、异常和运输执行情况。
项目实现
1. 我负责的具体任务
- 签收与回单：签收单创建、明细查询、回单上传、自动送达、状态更新、幂等控制、导出及 OMS 回传。
- 调度执行：WMS 2.0 运货确认、MQ 订单接收、DO/DT 生成与拆单、同线路不同波次生成不同 DO、跨 DC、一车多单约束、托盘重复下发校验和计费重推。
- 在途自动化：电子围栏自动发车和抵达、GPS 多点范围判断、虚拟车过滤、默认有效半径兜底、预计抵达和实际里程计算。
- 冷链监控：按 DC、DO/DT、运输类型和运输节点配置温度规则，支持货厢前后端温度，处理点位缺失、温度缺失、GPS 缺失、超温及异常恢复。
- 平台化改造：Dubbo/HTTP 接口、RocketMQ 异步事务、Elasticsearch 日志升级、异步导出、查询优化、CI 配置和冷热数据链路建设。
2. 技术栈与架构
技术栈包括 Java 8、Spring Boot 2.1.x、Spring MVC、Dubbo 2.5.7、MyBatis-Plus 3.4.x、MySQL/Oracle、Redis/Redisson、RocketMQ、Elasticsearch 7.x、ElasticJob、Sentinel、SkyWalking、Apollo/Consul、OpenFeign、EasyExcel、Docker 和 Kubernetes。
整体采用多服务分层架构：多端请求进入 API/BFF 服务，通过 Dubbo 调用 TMS 领域服务，领域服务经 MyBatis 访问数据库，并使用 Redis、RocketMQ、Elasticsearch 完成缓存、异步解耦、日志检索和状态同步。
API/BFF、TMS 核心应用、定时任务、聚合服务、离线导出和主数据服务独立部署。直通单导入使用 Saga 编排，智能配载和里程计算通过消息异步执行。多 DC 场景下，将物流中心编码通过 Dubbo RpcContext 透传，在 Provider 端切换动态数据源，保证查询、异步任务和跨仓共享单的数据边界。
当前工作区约有 88 个控制器、700 余处 HTTP 路由定义、64 个 Dubbo 实现类和 129 个 Service 实现类。
3. 实现亮点与难点
- 分布式一致性：订单、发车、计费和签收跨多个系统，存在消息重复、乱序、先消费后提交和重推问题。通过幂等键、事务策略工厂、消息重试、状态历史和异常日志保障最终一致性。
- 冷链时序规则：同一 DO 下包含多个 DT，温度规则又按装货、运货、卸货节点变化。采用 DO 维度聚合、节点时间窗映射、滑动区间递归、延迟校验和循环上限，处理 IoT 数据延迟、缺失和超温持续时长。
- 多 DC 数据隔离：跨仓共享单需要同时访问多个物流中心数据。通过上下文透传、动态数据源切换和 finally 清理，避免串库及异步线程丢失数据源。
- 在途自动判定：GPS 存在漂移、缺失和虚拟车辆干扰。采用多点围栏判断、虚拟车过滤、默认半径和业务时间窗，兼顾自动化率与误判控制。
- 大规模数据处理：运输报表和温湿度查询数据量大，通过异步导出、分页查询、接口日志检索和链路监控降低在线请求压力。
评论