每日十题八股-2025年1月24日

1.面试官：Kafka 百万消息积压如何处理？
2.面试官：最多一次、至少一次和正好一次有什么区别?
3.面试官：你项目是怎么存密码的?
4.面试官：如何设计一个分布式ID？
5.面试官：单点登录是怎么工作的？
6.面试官：如何设计安全的对外 API？
7.面试官：如果你的项目要支持百万用户，你会如何设计？
8.面试官：如果你的项目用户规模放大了 100 倍，怎么应对？
9.面试官：你的项目如何做到高可用、高吞吐、高扩展性？
10.面试官：CPU 100% 问题怎么排查？

1.面试官：Kafka 百万消息积压如何处理？

当 Kafka 出现百万级消息积压时，可以从以下几个方面处理：

定位问题：

先检查消费组的 Lag（消息积压量），确认是消费者处理能力不足，还是生产端消息量过大导致的。

提升消费能力：

增加消费者实例数： 增加消费者实例来分摊压力，但确保实例数不超过分区数。
优化消费逻辑： 使用批量拉取和异步处理，减少单条消息的处理时间。
跳过无关消息（如果业务允许）： 临时将 offset 调整到最新位置，优先处理新消息。

优化 Kafka 配置：

调整消费端参数，比如增大 max.poll.records 和 fetch.max.bytes，提高拉取效率。
如果 Broker 性能不足，可以扩容集群或增加分区，将负载分散。

控制生产速度：

对生产端限流，避免消息积压进一步恶化。

清理积压消息（最后手段）：

如果消息已经过期或无用，可以调整 offset 或删除积压消息。

总结： 处理积压关键在于快速提升消费能力，并结合优化生产消费的配置，确保系统及时恢复正常运行。

2.面试官：最多一次、至少一次和正好一次有什么区别?

“最多一次”、“至少一次”和“正好一次”是分布式系统中常见的消息投递语义，用来描述消息在网络中被传递的行为方式。
企业在设计分布式系统时，通常根据业务需求选择：
最多一次： 低成本，高吞吐，对可靠性要求低的场景。（投递一次，甚至不投递）
至少一次： 适合高可靠性需求，允许通过逻辑处理重复消息。（至少投递一次，甚至更多）
正好一次： 适用于对准确性要求极高的关键业务。（投且投递一次）

3.面试官：你项目是怎么存密码的?

采用 bcrypt/Argon2 哈希密码存储，结合随机盐值确保唯一性，并使用 HTTPS 加密传输。

4.面试官：如何设计一个分布式ID？

设计分布式 ID 时需要权衡：

	场景需求： 是否需要有序性、分布式部署、抗单点故障。
	性能要求： 每秒生成量是否满足高并发需求。

企业一般会根据具体场景选用合适的方案，如雪花算法解决高性能问题，号段模式减少数据库压力，Redis 保证灵活性。

一、为什么分布式 ID 是一个重要问题？

唯一性：
在分布式系统中，多个服务实例和数据库节点需要生成全局唯一的 ID，避免数据冲突。
例如，订单号、用户 ID 等不能重复。
高性能：
分布式 ID 的生成需要满足高并发场景，比如每秒生成百万级 ID。
有序性：
一些场景需要生成的 ID 具有顺序性（如时间递增），方便排序和索引优化。
可扩展性：
系统需要支持节点动态扩展或收缩，ID 生成机制不能成为瓶颈。

二、如何设计一个分布式 ID？

常见的分布式 ID 设计方案如下：
1. 数据库自增 ID
利用数据库的自增字段生成唯一 ID。
优点： 简单易用，ID 有序。
缺点： 性能瓶颈（高并发下会锁表），数据库故障导致不可用。
2. UUID（Universally Unique Identifier）
直接调用系统提供的 UUID 生成方法。
优点： 易实现，生成快，ID 唯一。
缺点： 长度较长（128 位），不适合索引，缺乏有序性。
3. 号段模式（Segment Model）
从数据库中预分配一批连续的 ID 号段（如[1-1000]），每个节点使用自己的号段。
优点： 高效、减少数据库压力。
缺点： 数据库依赖，批量失效可能浪费号段。
4. 雪花算法（Snowflake Algorithm）
Twitter 提出的分布式 ID 生成方案，将 ID 拆分成以下部分：
时间戳（41 位）： 毫秒级时间，表示当前时间。
数据中心 ID（5 位）+ 机器 ID（5 位）： 标识生成 ID 的节点。
序列号（12 位）： 每毫秒内生成的序号，防止重复。
优点： 高性能、低延迟、时间有序、去中心化。
缺点： 实现复杂，需要全局时钟同步。
5. 基于 Redis 的分布式 ID
使用 Redis 的自增操作（INCR）生成 ID。
优点： 高性能，Redis 天生支持分布式。
缺点： Redis 故障会影响 ID 生成。
6. Zookeeper 分布式 ID
利用 Zookeeper 的顺序节点生成全局唯一的 ID。
优点： 可靠性高，ID 有序。
缺点： 性能一般（每次生成都需要写 Zookeeper）。

三、现在企业是如何解决分布式 ID 的问题？

互联网公司（高性能场景）：
雪花算法（Snowflake）： 常用于订单号、用户 ID 等。
例如：Twitter 原创，国内很多公司（如阿里、字节）都有改进版本。
号段模式： 数据库或缓存预分配号段，适合稳定、高并发场景。
金融领域（有序性要求高）：
使用 Zookeeper 顺序节点或基于数据库主键生成。
对事务一致性和顺序要求高的场景。
大规模分布式系统：
利用 Redis 集群作为 ID 生成器，结合雪花算法或分片机制。

5.面试官：单点登录是怎么工作的？

单点登录（SSO） 通过一个统一的认证中心管理 用户登录状态，不同系统之间通过共享 Token 或凭证实现登录信息的同步。它提升了用户体验，同时简化了系统的认证流程。

6.面试官：如何设计安全的对外 API？

如果要设计一个安全的对外 API，我会从以下几个方面入手：

认证和授权：

使用 OAuth 2.0 或 JWT 来认证用户身份，确保调用者合法。
通过角色或权限控制（RBAC/ABAC），限制用户访问特定资源。

数据加密：

强制 HTTPS，确保传输中的数据被加密。
对敏感数据进行字段级加密，并对返回结果做数据脱敏。

防护机制：

使用时间戳和签名机制防止重放攻击。
针对敏感接口，比如登录，加验证码和失败次数限制，防止暴力破解。
实施限流策略，防止恶意刷 API，比如单 IP 每秒限制请求次数。

错误和暴露控制：

返回的错误信息只提供必要信息，避免暴露内部系统细节。
只开放必须的接口，隐藏无关的内部实现。

安全监控：

记录和审计所有 API 请求日志，实时监测异常流量，便于追溯和故障排查。

定期更新：

定期轮换密钥、修补依赖库漏洞，同时进行安全测试，确保系统长期安全。

通过以上方法，可以有效保证对外 API 的数据安全和系统稳定性，同时降低潜在风险。

7.面试官：如果你的项目要支持百万用户，你会如何设计？

和第八题类似，一起回答。
其实本质就是将单体项目逐渐改进到分体项目的过程。首先是把数据和应用分割到两个不同服务器，然后分别优化应用和数据形成各自的集群，引入主副，主从，各种微服务组件。

1. 架构设计：分层解耦，支持高并发。我会采用分层架构和分布式设计，分解系统的功能模块，每层专注处理自己的职责。

   前端层（负载均衡 + CDN）：
   部署CDN（内容分发网络），将静态资源如图片、CSS、JavaScript缓存到边缘节点，减少服务器压力，提升用户访问速度。
   使用负载均衡器（如 Nginx、HAProxy），将流量分发到多台后端服务器，支持水平扩展。
   应用层：
   应用服务会采用无状态设计，状态信息存储在缓存或数据库中，方便应用服务扩容。
   服务拆分为独立的微服务，按功能解耦（如用户服务、订单服务、支付服务），通过 API 网关（如 Kong）统一管理。
   数据层：
   使用分布式数据库（如 MySQL 分片、TiDB）支持海量数据存储和查询。
   利用读写分离，主库写数据，多个从库读数据，提高读性能。
   引入分布式缓存（如 Redis、Memcached）加速高频访问数据，如用户会话、热点数据等。
   

2. 高并发：异步 + 分布式队列

    异步处理：
    对于耗时操作（如下单后发通知），使用消息队列（如 Kafka、RabbitMQ）异步处理，减少用户等待时间。
    异步任务处理还能平滑流量峰值。
    限流和降级：
    在接口层实现限流策略（如漏桶算法、令牌桶算法）来保护系统，防止流量暴增导致崩溃。
    非核心服务出现压力时，可以降级（如取消某些推荐功能）。
   

3. 数据库设计：分区分库分表

    分区和分表：
    按用户 ID 或订单 ID 对表进行分区或分表，降低单表的数据量，提升查询效率。
    分库：
    数据按业务或地理位置拆分到不同的数据库节点，形成分布式数据库集群。
    事务处理：
    分布式事务可通过 **两阶段提交（2PC）或最终一致性（TCC 模式) ** 来保证。
   

4. 高可用性：多副本 + 故障恢复

    服务高可用：
    通过服务注册与发现（如 Eureka、Consul），让服务实例自动接管流量，实现无缝扩容或切换。
    应用层部署多个实例，利用健康检查机制快速剔除故障实例。
    数据库高可用：
    数据库采用主从复制或多主架构，主节点故障后快速切换到从节点。
    灾备设计：
    跨数据中心部署，关键数据进行定时备份，保证在意外情况下的快速恢复。
   

5. 可扩展性：按需扩容

    通过容器化和编排工具（如 Docker + Kubernetes）实现弹性扩容：
    根据流量动态调整实例数量，低谷时释放资源，高峰时自动扩展。
   

6. 性能优化：监控和调优

    全链路监控：
    部署监控工具（如 Prometheus + Grafana）监测各模块性能，实时报警异常情况。
    代码和查询优化：
    数据库查询建立合理索引，避免全表扫描。
    服务接口按热点和冷门数据优化响应逻辑，提升吞吐量。
   

8.面试官：如果你的项目用户规模放大了 100 倍，怎么应对？

9.面试官：你的项目如何做到高可用、高吞吐、高扩展性？

高可用的意思就是保证服务尽可能保证处于正常状态，例如4个9，99.99%的时间内都是正常的。这一思路就是主从，集群之类的，保证一台服务器宕机立马会有其他副本服务器顶上。

高吞吐服务需要在一段时间内处理大量请求。常用的指标是 QPS（每秒查询次数）或 TPS（每秒事务次数）。为了实现高吞吐量，我们通常会在架构中添加缓存 ，以避免经过数据库或磁盘等较慢的 I/O 设备。我们还可以为计算密集型任务增加线程数量。 我们还可以在系统中使用异步处理，以有效地单独隔离耗时耗资源的组件。

高扩展性意味着系统可以快速、轻松地扩展，以容纳更多的容量**（横向可扩展性）** 或更多的功能（纵向可扩展性）。 要实现高度可扩展性，需要隔离每个服务的职责。为此，微服务被广泛采用 。我们还利用服务注册和负载平衡器 将请求路由到适当的实例。

10.面试官：CPU 100% 问题怎么排查？

基本思路就是先判断占用cpu资源最多的进程，如果是服务程序大致可以使用两种方式。
系统工具 + jstack： 适合手动分析，步骤清晰，适合初步排查。
Arthas： 提供更友好的交互界面和实时分析功能，适合快速深入定位问题。

top进程，然后找线程，最后找到对应代码块获得占用的核心步骤。