第一章：支付平台核心链路重构全景概览
支付平台作为交易系统的中枢，其核心链路的稳定性、扩展性与可观测性直接决定业务连续性与用户体验。本次重构并非局部优化，而是以领域驱动设计（DDD）为方法论，对收单、路由、清算、对账、风控、通知六大能力进行服务边界重划与协议标准化，构建高内聚、低耦合的微服务架构基座。
重构动因与关键挑战
传统单体架构下，支付链路存在三重瓶颈：一是渠道接入强耦合于业务逻辑，新增银行通道需平均修改17个模块；二是资金流向缺乏统一追踪ID，跨系统排查超时交易平均耗时42分钟；三是清算与对账数据口径不一致，月度人工调账频次达3.8次。重构必须同步解决协议兼容性、状态一致性与灰度可控性问题。
架构演进路径
采用渐进式迁移策略，分三阶段推进：
- 解耦期：通过API网关剥离渠道适配层，定义统一
PayRequest/PayResponse协议（含 trace_id、biz_order_id、channel_code 字段）； - 重建期：基于事件溯源实现状态机驱动，所有状态变更发布
PaymentStatusChangedEvent至 Kafka； - 治理期：引入 OpenTelemetry 全链路埋点，关键节点自动注入 span_id 与 parent_id。
关键技术决策
以下为路由服务中渠道动态加载的核心代码片段：
// 基于 Spring Factories 机制实现渠道插件化
public interface PaymentChannel {
PaymentResult process(PaymentRequest request);
boolean supports(String channelCode); // 运行时判断是否启用该渠道
}
// 启动时自动扫描 classpath 下所有渠道实现类
@Service
public class ChannelRouter {
private final List<PaymentChannel> channels;
public PaymentResult route(PaymentRequest req) {
return channels.stream()
.filter(c -> c.supports(req.getChannelCode()))
.findFirst()
.orElseThrow(() -> new UnsupportedChannelException(req.getChannelCode()))
.process(req);
}
}该设计使新渠道上线仅需打包 JAR 并配置 spring.factories，无需重启主服务。重构后，渠道接入周期从5人日压缩至0.5人日，核心链路 P99 延迟稳定在120ms以内，全链路追踪覆盖率提升至100%。
第二章：Go语言设计模式在支付链路中的选型与落地
2.1 策略模式重构多通道支付路由：从硬编码到运行时动态切换
传统支付路由常以 if-else 硬编码绑定渠道（如微信、支付宝、银联），导致新增渠道需修改核心逻辑，违反开闭原则。
核心策略接口定义
public interface PaymentStrategy {
/**
* 执行支付
* @param order 支付订单（含金额、商户ID等）
* @return 支付结果（含渠道流水号、状态）
*/
PaymentResult pay(PaymentOrder order);
}该接口解耦渠道实现，每个子类仅关注自身协议细节（签名、回调验签、异步通知解析）。
运行时策略选择机制
@Component
public class PaymentRouter {
private final Map<String, PaymentStrategy> strategyMap;
public PaymentResult route(String channelCode, PaymentOrder order) {
PaymentStrategy strategy = strategyMap.get(channelCode);
if (strategy == null) throw new UnsupportedChannelException(channelCode);
return strategy.pay(order);
}
}strategyMap 由 Spring 自动注入所有 PaymentStrategy 实现，支持热插拔——新增渠道只需添加新 Bean，无需重启。
| 渠道代码 | 实现类 | 特性 |
|---|---|---|
| wx_pub | WxPublicPayment | JSAPI + openid 绑定 |
| alipay | AlipayPayment | PC 网页支付 + 异步通知 |
| unionpay | UnionPayPayment | B2C 银联全渠道网关 |
graph TD
A[支付请求] --> B{channelCode}
B -->|wx_pub| C[WxPublicPayment]
B -->|alipay| D[AlipayPayment]
B -->|unionpay| E[UnionPayPayment]
C --> F[统一封装 PaymentResult]
D --> F
E --> F2.2 工厂模式统一订单创建流程：解耦支付类型与领域模型构建逻辑
传统订单创建常将支付方式（微信/支付宝/余额）硬编码在领域服务中，导致 OrderService 高度耦合支付上下文，违背单一职责原则。
核心解耦策略
- 将支付类型决策外移至工厂层
- 领域模型（
Order）仅关注业务不变量，不感知支付细节 - 工厂返回已预置支付策略的
OrderBuilder实例
支付策略映射表
| 支付类型 | 策略类名 | 是否需回调验证 |
|---|---|---|
| WechatPaymentStrategy | 是 | |
| ALIPAY | AlipayPaymentStrategy | 是 |
| BALANCE | BalancePaymentStrategy | 否 |
public Order createOrder(OrderRequest req) {
PaymentStrategy strategy = PaymentStrategyFactory.get(req.getPayType());
return new OrderBuilder()
.withCustomerId(req.getCustomerId())
.withItems(req.getItems())
.applyPaymentStrategy(strategy) // 注入策略，不暴露实现
.build();
}逻辑分析：
PaymentStrategyFactory.get()基于枚举查表返回策略实例；applyPaymentStrategy()仅声明契约，由 builder 内部调用strategy.enrichOrder(order)补充支付字段（如payUrl、expireAt），确保领域模型纯净。
graph TD
A[OrderRequest] --> B{PaymentStrategyFactory}
B -->|WECHAT| C[WechatPaymentStrategy]
B -->|BALANCE| D[BalancePaymentStrategy]
C & D --> E[OrderBuilder]
E --> F[Validated Order Entity]2.3 责任链模式实现风控拦截体系：支持热插拔规则节点与灰度验证机制
风控系统需在毫秒级完成多层策略决策，同时保障规则变更零停机。基于责任链模式构建可插拔拦截链，每个 RuleNode 实现统一接口，支持运行时注册/卸载。
核心链式结构
public interface RuleNode {
Result handle(Request req, Chain chain);
}handle() 接收请求与后续链，返回 Result（含 pass、block、gray 状态），chain.proceed() 触发下一节点——解耦执行逻辑与调度顺序。
灰度验证机制
| 灰度类型 | 流量标识方式 | 生效范围 |
|---|---|---|
| 用户ID哈希 | uid % 100 < 5 |
5%新用户 |
| 请求头标记 | X-Rule-Gray: v2 |
特定AB测试流量 |
动态装配流程
graph TD
A[请求进入] --> B{加载当前链}
B --> C[按权重匹配灰度节点]
C --> D[执行非阻断校验]
D --> E[聚合结果并决策]规则节点通过 Spring @ConditionalOnProperty 控制启停，实现真正的热插拔。
2.4 模板方法模式规范异步回调处理：抽象通用幂等校验与状态机跃迁骨架
核心骨架设计思想
将异步回调中重复触发防护与业务状态推进解耦为可复用的模板骨架，子类仅需实现 doProcess() 与 getCurrentState()，其余交由抽象基类统一调度。
幂等校验与状态跃迁协同流程
public abstract class AsyncCallbackTemplate<T> {
public final void handleCallback(String bizId, T payload) {
if (!idempotentCheck(bizId)) return; // 幂等前置拦截
State from = getCurrentState(bizId);
State to = calculateNextState(from, payload);
if (stateMachine.canTransit(from, to)) {
updateState(bizId, to); // 原子状态更新
doProcess(bizId, payload); // 子类业务逻辑
}
}
protected abstract boolean idempotentCheck(String bizId);
protected abstract State getCurrentState(String bizId);
protected abstract void doProcess(String bizId, T payload);
}逻辑分析：
handleCallback()封装完整闭环——先查重（如 Redis SETNX + TTL），再查当前状态，最后按预设规则跃迁。bizId作为幂等键与状态路由键双重身份；calculateNextState()由基类内置策略或子类扩展，确保状态迁移合法。
状态跃迁约束表
| 当前状态 | 允许目标状态 | 触发条件 |
|---|---|---|
| PENDING | PROCESSING | 回调首次到达 |
| PROCESSING | SUCCESS | 处理成功 |
| PROCESSING | FAILED | 重试超限/异常终止 |
状态流转示意
graph TD
A[PENDING] -->|首次回调| B[PROCESSING]
B -->|成功| C[SUCCESS]
B -->|失败且可重试| B
B -->|重试耗尽| D[FAILED]2.5 观察者模式驱动事件总线升级：替代轮询式对账，降低下游耦合与GC抖动
数据同步机制痛点
传统对账服务采用定时轮询（如每5秒查DB），导致：
- 下游服务被动拉取，响应延迟高
- 空轮询引发无效GC压力（频繁创建ResultSet、Connection）
- 业务逻辑与调度逻辑紧耦合
事件总线重构设计
public class EventBus {
private final Map<Class<?>, List<Subscriber>> subscribers = new ConcurrentHashMap<>();
public <T> void publish(T event) {
subscribers.getOrDefault(event.getClass(), List.of())
.forEach(sub -> sub.handle(event)); // 异步可选
}
public <T> void subscribe(Class<T> type, Subscriber<T> handler) {
subscribers.computeIfAbsent(type, k -> new CopyOnWriteArrayList<>())
.add(handler);
}
}逻辑分析：ConcurrentHashMap + CopyOnWriteArrayList 支持高并发注册/发布；publish() 无锁遍历，避免读写竞争；event.getClass() 作为类型键，天然支持多事件分发。参数 event 为不可变POJO，规避内存逃逸。
对账流程对比
| 维度 | 轮询式 | 观察者事件驱动 |
|---|---|---|
| 延迟 | 0–5s | |
| GC频率 | 高（每轮询新建对象） | 极低（事件复用+池化） |
| 下游依赖 | 强依赖DB连接与SQL | 仅依赖事件契约接口 |
graph TD
A[支付网关] -->|PaymentSucceededEvent| B(EventBus)
C[对账服务] -->|subscribe PaymentSucceededEvent| B
D[风控服务] -->|subscribe PaymentSucceededEvent| B
B --> C
B --> D第三章：模式替换决策的工程权衡与实证分析
3.1 决策会议纪要还原：架构组、SRE、支付业务方三方博弈关键点
核心分歧聚焦点
- 架构组主张强一致性，要求支付指令与账务状态通过分布式事务（Seata AT 模式）同步落库；
- SRE 团队坚持最终一致性，提出基于 Kafka 的异步补偿链路，保障 P99 延迟
- 支付业务方则要求“指令幂等+状态可追溯”，拒绝任何 T+1 对账兜底逻辑。
数据同步机制
// 支付指令发布前的本地事务校验（Saga 补偿前置钩子）
@Transactional
public void publishPayOrder(PayOrder order) {
order.setStatus(PENDING); // 仅写入本地状态表（非最终态）
orderMapper.insert(order); // 非阻塞，不参与全局事务
kafkaTemplate.send("pay-order-topic", order); // 异步触发下游
}逻辑分析：剥离状态持久化与事件发布，避免 XA 锁竞争；
PENDING状态为 SRE 提供可观测锚点，支付方可通过order_id + status实时查询中间态。参数order_id是全链路 traceID 关键索引。
责任边界对齐表
| 角色 | SLA 承诺 | 监控指标 | 故障响应SLA |
|---|---|---|---|
| 架构组 | 事务链路成功率 ≥99.99% | Seata branch rollback rate | ≤15min |
| SRE | 消息端到端延迟 ≤300ms | Kafka lag | ≤5min |
| 支付业务方 | 幂等接口错误率 ≤0.001% | /v1/pay/status?retry=3 | 自行重试 |
流程共识
graph TD
A[支付请求] --> B{本地事务写入 PENDING}
B --> C[Kafka 发布指令事件]
C --> D[SRE 消费并调用账务服务]
D --> E{账务返回 SUCCESS?}
E -->|Yes| F[更新订单为 SUCCESS]
E -->|No| G[触发 Saga 补偿：cancelOrder]3.2 性能基线对比实验设计：TP99延迟、吞吐量、内存分配速率三维度建模
为精准刻画系统性能边界，实验采用统一负载模型（100–5000 RPS阶梯递增），同步采集三大核心指标：
- TP99延迟：反映尾部服务质量，避免平均值掩盖长尾风险
- 吞吐量（req/s）：衡量单位时间有效处理能力
- 内存分配速率（MB/s）：通过
/proc/[pid]/stat中mm->nr_ptes与jstat -gc交叉校验，关联GC压力
数据采集脚本示例
# 使用async-profiler实时采样（JDK8+）
./profiler.sh -e alloc -d 30 -f alloc-flame.svg $(pgrep -f "MyService.jar")此命令以30秒周期捕获堆内存分配热点，
-e alloc启用分配事件采样，输出火焰图定位高频对象（如byte[]、String），直接关联TP99毛刺成因。
三维度联合分析表
| 负载(RPS) | TP99(ms) | 吞吐量(req/s) | 分配速率(MB/s) |
|---|---|---|---|
| 500 | 42 | 498 | 18.3 |
| 2000 | 137 | 1982 | 86.7 |
指标耦合关系
graph TD
A[负载上升] --> B{内存分配速率↑}
B --> C[Young GC频次↑]
C --> D[TP99延迟跳变]
B --> E[对象晋升加速]
E --> F[老年代碎片化→Full GC]3.3 GC压力对比曲线深度解读：pprof trace + gctrace + go tool trace联合归因
三工具协同归因逻辑
gctrace=1 输出每次GC的元信息（如 gc 12 @3.456s 0%: 0.02+1.1+0.03 ms clock, 0.16+0.08/0.9/0.2+0.24 ms cpu, 4->4->2 MB, 5 MB goal, 8 P），但缺乏调用上下文；pprof 的 runtime/pprof.WriteHeapProfile 捕获堆快照；go tool trace 则提供纳秒级 Goroutine/GC/Net 调度时序全景。
关键命令链
# 启动带三重观测的服务
GODEBUG=gctrace=1 GIN_MODE=release ./app &
# 采集 trace（含 GC 事件）
go tool trace -http=:8080 trace.out
# 同步抓取 heap profile
curl http://localhost:6060/debug/pprof/heap > heap.pprofGODEBUG=gctrace=1：启用 GC 日志，输出含暂停时间、堆大小变化、P 数量go tool trace：自动注入 runtime 事件（包括GCStart/GCDone），支持在 Web UI 中与 Goroutine 执行帧对齐
归因验证流程
graph TD
A[gctrace发现GC频次突增] --> B[go tool trace定位GC触发前10ms的阻塞调用栈]
B --> C[pprof heap profile确认对象逃逸路径]
C --> D[反查源码中未复用的[]byte切片分配]| 工具 | 时间精度 | 关联能力 | 典型瓶颈识别场景 |
|---|---|---|---|
gctrace |
毫秒级 | ❌ 无调用栈 | GC 频率/暂停时间异常 |
pprof heap |
快照式 | ✅ 对象分配点 | 大量短生命周期对象逃逸 |
go tool trace |
纳秒级 | ✅ 与 Goroutine 事件联动 | GC 触发前 goroutine 阻塞导致堆增长加速 |
第四章：生产环境模式演进的陷阱与反模式规避
4.1 接口膨胀与组合爆炸：避免过度抽象导致的接口污染与测试覆盖断层
当为每种业务变体单独定义接口（如 PaymentProcessorV1, PaymentProcessorV2, RefundablePaymentProcessor），接口数量呈指数增长，而实际实现类却高度复用。
数据同步机制
过度拆分导致相同同步逻辑散落于 UserSyncer, ProfileSyncer, ContactSyncer 等十余个接口中：
// ❌ 膨胀示例：每个实体配一个同步接口
public interface UserSyncer { void sync(User user); }
public interface ProfileSyncer { void sync(Profile profile); }
public interface ContactSyncer { void sync(Contact contact); }逻辑分析：三者底层均调用同一 HTTP 客户端 + 重试策略 + JSON 序列化。参数 user/profile/contact 仅类型不同，无行为差异，强制接口隔离反而阻碍统一熔断与日志埋点。
更优解：泛型契约 + 行为组合
| 方案 | 接口数 | 测试覆盖率可维护性 | 实现复用率 |
|---|---|---|---|
| 每实体一接口 | 12+ | 低（需重复写12套测试） | |
Syncer<T> + 策略注入 |
1 | 高（单测覆盖核心流程） | >90% |
// ✅ 收敛设计
public interface Syncer<T> { void sync(T entity, SyncConfig config); }参数说明：T 限定为 @Syncable 标记接口；config 封装重试次数、超时、目标端点——解耦策略与数据，避免组合爆炸。
graph TD
A[业务请求] --> B{是否需同步？}
B -->|是| C[Syncer<User>]
B -->|是| D[Syncer<Order>]
C & D --> E[SyncEngine<br/>统一重试/序列化/监控]4.2 Context传递失序引发的goroutine泄漏：模式嵌套中取消传播的合规实践
当 context.Context 在多层 goroutine 启动链中未沿调用栈严格向下传递时，取消信号将无法抵达深层协程，导致其永久阻塞。
根因：Context未透传至嵌套启动点
常见于封装函数中遗漏 ctx 参数，或错误复用父级 context.Background()。
正确模式：显式透传 + WithCancel/WithTimeout派生
func serve(ctx context.Context, addr string) {
srv := &http.Server{Addr: addr}
go func() {
// ✅ 派生子上下文，绑定服务器生命周期
serverCtx, cancel := context.WithTimeout(ctx, 30*time.Second)
defer cancel()
if err := srv.ListenAndServe(); err != http.ErrServerClosed {
log.Printf("server error: %v", err)
}
}()
// ✅ 父上下文取消时，serverCtx 自动终止
}逻辑分析：
WithTimeout(ctx, ...)将继承父ctx的取消能力；若ctx被取消，serverCtx.Done()立即关闭，ListenAndServe()收到中断信号并退出。参数ctx是取消源头，30*time.Second是兜底超时，二者协同保障可终止性。
常见反模式对比
| 场景 | 是否泄漏 | 原因 |
|---|---|---|
go http.ListenAndServe(...)（无 ctx） |
✅ 是 | 完全脱离取消控制 |
go srv.ListenAndServe()（ctx 未传入） |
✅ 是 | 子 goroutine 无法感知父取消 |
go func(){ <-ctx.Done() }()（ctx 正确传入） |
❌ 否 | 取消信号可抵达 |
graph TD A[主 Goroutine] –>|ctx passed| B[Handler] B –>|ctx passed| C[Worker Pool] C –>|ctx passed| D[DB Query] D -.->|Done() signal flows upward| A
4.3 sync.Pool误用导致的内存逃逸：对象复用模式在高并发支付场景下的边界验证
高频误用模式：Pool.Put 后仍持有引用
var bufPool = sync.Pool{
New: func() interface{} { return new(bytes.Buffer) },
}
func processPayment(req *PaymentReq) {
buf := bufPool.Get().(*bytes.Buffer)
buf.Reset()
json.NewEncoder(buf).Encode(req) // ✅ 正常使用
// ❌ 错误：将 buf 作为返回值或闭包捕获
go func() { _ = buf.String() }() // 导致 buf 无法归还，持续逃逸
bufPool.Put(buf) // 此时 buf 已被 goroutine 持有 → 实际未复用
}该写法使 *bytes.Buffer 逃逸至堆，且因 goroutine 持有导致 Put 失效，Pool 形同虚设。
逃逸边界验证结果（10k QPS 压测）
| 场景 | GC 次数/秒 | 平均对象生命周期 | 内存增长速率 |
|---|---|---|---|
| 正确复用（无逃逸） | 12 | 8.3ms | +0.2 MB/s |
| Put 后闭包捕获 | 217 | 420ms | +18.6 MB/s |
根本原因链
graph TD
A[调用 bufPool.Get] --> B[返回栈分配对象]
B --> C{是否在 goroutine 中持久引用？}
C -->|是| D[编译器判定逃逸→堆分配]
C -->|否| E[函数结束前 Put→复用成功]
D --> F[Pool 缓存失效+GC 压力陡增]4.4 单元测试与模式解耦矛盾：基于接口契约的Mock策略与依赖注入容器选型
当业务逻辑强依赖外部服务（如支付网关、消息队列）时，直接实例化具体实现会破坏可测性与松耦合原则。
契约先行：定义稳定接口
public interface IPaymentService
{
Task<PaymentResult> ChargeAsync(decimal amount, string orderId);
}该接口抽象了支付行为，屏蔽底层HTTP调用或SDK细节；ChargeAsync 方法签名即为测试桩（Mock）的契约锚点，确保测试不随实现变更而失效。
主流DI容器对比
| 容器 | Mock友好度 | 生命周期控制 | AOP支持 |
|---|---|---|---|
| Microsoft.Extensions.DependencyInjection | ★★★☆☆ | 简单（Scoped/Transient） | 需第三方扩展 |
| Autofac | ★★★★★ | 精细（InstancePerLifetimeScope等） | 原生支持 |
| DryIoc | ★★★★☆ | 极灵活（Factory、Rules） | 内置装饰器 |
Mock注入流程
graph TD
A[测试类] --> B[Arrange: Mock<IPaymentService>]
B --> C[Configure Returns for ChargeAsync]
C --> D[Register Mock as IPaymentService in DI Container]
D --> E[Act: Resolve SUT with DI]
E --> F[Assert: Verify behavior & state]第五章：面向金融级稳定性的Go模式演进路线图
关键稳定性指标驱动的架构分层
在招商银行某核心清算系统重构中，团队将P99延迟压降至87ms（原系统为420ms），错误率从0.32%降至0.0017%，这并非源于单一优化，而是通过明确的四层稳定性契约实现：基础设施层保障CPU/内存水位≤75%、服务网格层强制超时与重试策略、业务逻辑层采用状态机驱动事务（避免嵌套defer导致panic逃逸）、监控告警层对接行内AIOps平台实现秒级故障定位。每一层均配置SLI/SLO看板，例如“T+0账务一致性达标率≥99.999%”直接绑定Kubernetes HPA扩缩容阈值。
熔断与降级的金融场景适配
传统Hystrix式熔断在高频交易场景下存在滞后性。平安证券期权做市系统引入自适应熔断器，基于最近60秒请求成功率、失败响应时间标准差、下游队列积压深度三维度动态计算熔断阈值。当订单路由服务检测到期货交易所网关RTT突增300%且积压达1200条时，自动切换至本地缓存行情+异步补偿通道，并向风控引擎推送“降级事件ID: FUT-20240522-0876”。该机制在2023年沪深300股指期货交割日压力测试中拦截了17万次异常调用，保障主流程零中断。
事务一致性保障模式对比
| 模式 | 适用场景 | Go实现要点 | 生产案例 |
|---|---|---|---|
| 两阶段提交（2PC） | 跨数据库强一致 | 使用github.com/go-sql-driver/mysql的xa支持，需定制XID生成器 | 中信证券客户资产跨基金/信托账户划转 |
| Saga模式 | 长周期业务流 | 基于go.temporal.io SDK实现补偿事务，每个step含幂等校验与版本号控制 | 人保财险车险保单全生命周期管理 |
| 最终一致性 | 高吞吐异步场景 | Kafka事务消息+Redis分布式锁防重复消费，消费端按event_id+shard_key去重 | 工商银行信用卡积分实时入账 |
// 金融级幂等写入示例：基于MySQL INSERT ... ON DUPLICATE KEY UPDATE
func (r *TxnRepo) UpsertSettlement(ctx context.Context, txn *SettlementTxn) error {
_, err := r.db.ExecContext(ctx,
"INSERT INTO settlement_log (id, order_id, amount, status, version) "+
"VALUES (?, ?, ?, 'PENDING', 1) "+
"ON DUPLICATE KEY UPDATE status = IF(version < VALUES(version), VALUES(status), status), "+
"version = GREATEST(version, VALUES(version))",
txn.ID, txn.OrderID, txn.Amount)
return err
}安全加固的运行时约束
某国有大行手机银行后端强制启用Go 1.21+的-buildmode=pie编译参数，并在容器启动时注入seccomp策略，禁止ptrace、clone等危险系统调用。所有gRPC接口启用双向TLS，证书由行内PKI系统签发，且要求客户端证书Subject中OU字段必须匹配预注册的业务线编码（如”OU=WECHATPAY”）。网络策略层面，通过eBPF程序在iptables前拦截非白名单IP段的连接请求，实测拦截恶意扫描流量提升47倍。
故障注入验证体系
采用Chaos Mesh构建混沌工程流水线：每日凌晨对生产灰度集群执行三项注入——随机kill支付网关Pod、模拟Redis主从切换时延（注入200ms网络抖动）、篡改etcd中服务发现key的TTL。所有实验结果自动同步至Prometheus Alertmanager，触发告警即暂停发布并回滚。2024年Q1共捕获3类未覆盖异常路径，包括etcd watch连接断开后gRPC resolver未及时重连、本地缓存过期时间与上游服务不一致导致脏读。
graph LR
A[混沌实验启动] --> B{是否触发SLO告警？}
B -->|是| C[自动终止实验]
B -->|否| D[记录成功率/恢复时长]
C --> E[生成根因分析报告]
D --> F[更新稳定性基线]
E --> G[推送至Jira缺陷池]