【后端开发面试题】每日 3 题（二十六）

✍个人博客：Pandaconda-优快云博客
📣专栏地址：https://blog.youkuaiyun.com/newin2020/category_12903849.html
📚专栏简介：在这个专栏中，我将会分享后端开发面试中常见的面试题给大家，每天的题目都是独立且随机的，之前的面试题不会影响接下来的学习~
❤️如果有收获的话，欢迎点赞👍收藏📁，您的支持就是我创作的最大动力💪

题目 1: 什么是服务熔断与降级？它们的区别是什么？如何实现服务熔断与降级？

答案：
服务熔断和降级是微服务架构中常用的容错机制，用于提高系统的稳定性和可用性。

服务熔断：

• 定义：当某个服务出现故障或响应时间过长时，熔断器会快速失败，避免请求堆积导致系统崩溃。
• 作用：防止雪崩效应，保护下游服务。
• 实现方式：
  • 使用熔断器模式（如 Hystrix、Resilience4j）。
  • 定义熔断阈值（如连续失败次数）和恢复时间窗口。

服务降级：

• 定义：在系统压力过大或某些非核心服务不可用时，暂时关闭这些服务，返回默认值或简化功能。
• 作用：保证核心功能的可用性，提升用户体验。
• 实现方式：
  • 在代码中实现降级逻辑（如返回缓存数据或静态页面）。
  • 使用配置中心动态调整降级策略。

区别：

特性	服务熔断	服务降级
触发条件	服务不可用或响应超时	系统压力过大或资源不足
目标	防止级联故障，保护下游服务	保证核心功能的可用性
实现方式	快速失败，拦截请求	返回默认值或简化功能

示例：

• 熔断：支付服务不可用时，直接返回错误信息，避免用户等待。
• 降级：商品推荐服务不可用时，返回固定推荐列表。

---

题目 2: 如何优化 API 的响应时间？请列举至少五种方法并简要说明。

答案：
优化 API 响应时间是提升用户体验的重要手段。以下是五种常见的优化方法：

1. 缓存数据

   • 使用缓存（如 Redis、Memcached）存储频繁访问的数据，减少数据库查询次数。
   • 示例：缓存热门商品信息，避免每次请求都查询数据库。

2. 压缩传输内容

   • 使用 Gzip 或 Brotli 压缩 API 的响应数据，减少网络传输时间。
   • 示例：对 JSON 数据进行压缩后再返回给客户端。

3. 异步处理

   • 将耗时操作（如文件上传、邮件发送）放入消息队列异步处理，提升 API 的响应速度。
   • 示例：用户下单后，订单处理逻辑通过消息队列异步完成。

4. 优化数据库查询

   • 添加索引、优化 SQL 语句、分库分表，减少查询时间。
   • 示例：为订单表的用户 ID 字段添加索引，加快查询速度。

5. 使用 CDN

   • 对静态资源（如图片、CSS 文件）使用 CDN 加速，减少服务器负载。
   • 示例：将图片存储在 CDN 上，用户直接从最近的节点获取资源。

6. 减少不必要的依赖

   • 移除或延迟加载非关键的第三方服务调用，降低整体响应时间。
   • 示例：延迟加载广告或推荐模块的内容。

---

题目 3: 什么是限流？它的作用是什么？如何实现限流？

答案：
限流是一种用于控制系统的请求速率的技术，防止因流量过大导致系统崩溃。

作用：

1. 保护系统稳定性
   限制请求速率，避免系统过载。
2. 提高服务质量
   优先处理重要请求，保障核心功能的可用性。
3. 防止恶意攻击
   防止 DDoS 攻击或爬虫行为消耗系统资源。

实现限流的方法：

1. 计数器算法

   • 在固定时间窗口内统计请求次数，超过阈值则拒绝请求。
   • 示例：每秒最多允许 100 次请求。

2. 滑动窗口算法

   • 将时间窗口划分为多个小窗口，动态计算请求速率。
   • 示例：每秒 100 次请求，但不会集中在某一瞬间。

3. 令牌桶算法

   • 系统以固定速率生成令牌，每个请求需要消耗一个令牌。如果令牌不足，则拒绝请求。
   • 示例：每秒生成 50 个令牌，超出部分等待或拒绝。

4. 漏桶算法

   • 请求以恒定速率从“桶”中流出，超出桶容量的请求被丢弃或排队。
   • 示例：每秒处理 100 个请求，多余请求进入队列等待。

实现工具：

• 使用 Nginx 的限流模块（如 limit_req）。
• 使用 Redis 实现分布式限流。
• 使用开源框架（如 Sentinel、Resilience4j）。

示例：
以下是一个基于 Redis 的简单限流实现：

import redis
import time

def is_allowed(user_id, limit, window):
    r = redis.Redis()
    key = f"rate_limit:{user_id}"
    current_time = time.time()
    # 清理过期请求
    r.zremrangebyscore(key, 0, current_time - window)
    # 统计当前窗口内的请求数
    request_count = r.zcard(key)
    if request_count < limit:
        r.zadd(key, {current_time: current_time})
        return True
    return False