知序
返回
保存草稿
发布
H1
H2
H3
1
2
3
Excalidraw 图
AI 写作
AI 优化
目录
输入内容后显示目录
Markdown
# 分布式系统高频面试题集(40 题) 覆盖理论、一致性、事务、注册发现、微服务、缓存、限流、分布式 ID、消息系统。 ## 目录 - [第 1 章 · 基础理论(6 题)](#第-1-章--基础理论) - [第 2 章 · 一致性与共识(6 题)](#第-2-章--一致性与共识) - [第 3 章 · 分布式事务(6 题)](#第-3-章--分布式事务) - [第 4 章 · 注册发现与服务治理(6 题)](#第-4-章--注册发现与服务治理) - [第 5 章 · 缓存与限流(6 题)](#第-5-章--缓存与限流) - [第 6 章 · 分布式 ID 与消息系统(5 题)](#第-6-章--分布式-id-与消息系统) - [第 7 章 · 分布式系统设计(5 题)](#第-7-章--分布式系统设计) ## 高频 Top 10 1. CAP、BASE 理论?(1-2) 2. Paxos、Raft 的核心思想?(10-11) 3. 2PC、TCC、Saga、可靠消息?(14-16) 4. 分布式锁怎么实现?(24) 5. 分布式 ID 方案?雪花算法?(31) 6. 幂等设计?(22) 7. 限流算法?(25) 8. 一致性 Hash?(27) 9. 分布式链路追踪?(28) 10. 怎么设计一个分布式系统?(36) --- # 第 1 章 · 基础理论 ## 1. CAP 理论? 分布式系统三个特性**最多只能同时满足两个**: - **C(Consistency)一致性**:所有节点同一时间看到相同数据 - **A(Availability)可用性**:任何请求都能得到响应(不一定是最新) - **P(Partition tolerance)分区容错**:网络分区时系统仍能运行 **分布式系统 P 是必须的**(网络不可靠),所以实际上是 **CP vs AP** 的选择。 - **CP**:牺牲可用性保一致性(ZooKeeper、etcd) - **AP**:牺牲一致性保可用性(Eureka、Cassandra) ## 2. BASE 理论? CAP 的工程实践: - **B(Basically Available)**:基本可用(部分功能降级) - **S(Soft state)**:软状态(允许中间状态) - **E(Eventually consistent)**:最终一致 大部分业务系统追求 BASE,不追求强一致。 ## 3. 强一致 vs 弱一致 vs 最终一致? - **强一致**:写入立即能读到(线性一致性) - **弱一致**:不保证何时能读到 - **最终一致**:保证在未来某个时间点读到 ## 4. 脑裂(Split-Brain)是什么? **场景**:网络分区后,两个节点都认为自己是主节点,各自对外服务 → 数据不一致。 **避免**: - **多数派决策(Quorum)**:超过半数的节点同意才能做决策 - **奇数节点**:3、5、7 个 - **Fence(围栏)机制**:让老主及时退出 ## 5. 幂等性是什么? **幂等**:同一操作执行多次和执行一次的结果相同。 **天然幂等**:GET、PUT、DELETE **非幂等**:POST **实现**: - **数据库唯一索引**(订单号) - **Redis SETNX** - **状态机**(状态只能 A→B 不能 B→A) - **Token 机制**(一次性 token) ## 6. 为什么要做分布式? **单机瓶颈**: - CPU、内存、磁盘、网络 - 单点故障 **分布式好处**: - 水平扩展 - 高可用 - 地理分布(就近访问) **代价**:复杂性指数级增加(一致性、事务、监控、运维) --- # 第 2 章 · 一致性与共识 ## 7. 什么是共识算法? **共识(Consensus)**:分布式系统中多个节点对某个值达成一致。 **用途**: - 选主 - 状态机复制(SMR) - 分布式锁 - 配置变更 ## 8. Paxos 算法? Lamport 提出的经典共识算法。 **角色**: - **Proposer**:提议者 - **Acceptor**:决策者 - **Learner**:学习者 **两阶段**: 1. **Prepare**:Proposer 发提案号,Acceptor 承诺不接受小于此编号的提案 2. **Accept**:Proposer 带编号和值请求接受,多数 Acceptor 同意则通过 **缺点**:晦涩、难实现、效率不高。 ## 9. Multi-Paxos 和 Raft? **Multi-Paxos**:多次运行 Paxos,有 leader 优化 **Raft**:基于 Multi-Paxos 的简化版,更易理解,工程实现多。 **Raft 三个子问题**: 1. **Leader 选举**:任期(term)+ 投票(多数派) 2. **日志复制**:Leader 接收写请求,复制到多数 Follower 才提交 3. **安全性**:保证已提交的日志不会被覆盖 **应用**:etcd、Consul、TiKV、Kafka KRaft ## 10. Raft 选举过程? ``` 1. 初始状态:所有节点是 Follower 2. Follower 超时没收到心跳 → 变 Candidate → 发起投票 3. 自增 term,投自己一票,广播 RequestVote 4. 收到多数派投票 → 成为 Leader 5. Leader 发心跳维持地位 6. 其他 Follower 收到新 Leader 心跳 → 降级跟随 ``` **split vote**:多个 Candidate 同时选举分票 → 超时重试(随机超时时间降低概率) ## 11. ZAB 是什么? **ZooKeeper Atomic Broadcast**:ZooKeeper 的共识算法,类 Paxos。 **两阶段**: 1. **原子广播**:Leader 把事务广播给 Follower(过半确认才提交) 2. **崩溃恢复**:Leader 挂了选新 Leader,新 Leader 保证数据最新 ## 12. 两阶段锁协议(2PL)? **2PL(Two-Phase Locking)**:数据库事务的并发控制算法 - **加锁阶段**:只加不放 - **解锁阶段**:只放不加 **保证可串行化**。 --- # 第 3 章 · 分布式事务 ## 13. 为什么分布式事务难? - 跨进程、跨网络、跨数据库 - 网络不可靠、节点会挂 - 一致性 vs 可用性 的 CAP 取舍 ## 14. 2PC(两阶段提交)? **两阶段**: 1. **准备阶段(Prepare)**:协调者问所有参与者能否提交,各自做完业务但不提交,回复 yes/no 2. **提交阶段(Commit)**: - 所有人 yes → 全部提交 - 有人 no → 全部回滚 **问题**: - **同步阻塞**:参与者长时间锁资源 - **单点**:协调者挂了整个事务卡死 - **数据不一致**:协调者 commit 命令只传给部分参与者就挂了 **3PC**:加了 CanCommit 阶段 + 超时机制,缓解但不能根治。 ## 15. TCC(Try-Confirm-Cancel)? **三阶段**: - **Try**:预留资源(检查 + 冻结) - **Confirm**:确认使用(只动冻结的资源) - **Cancel**:取消,释放冻结 **特点**: - 业务侵入(要写 Try/Confirm/Cancel 接口) - 最终一致 - 性能比 2PC 好(无长事务) **适合**:金融、交易类业务 ## 16. Saga 模式? **长事务拆成一系列本地事务 + 补偿** ``` T1 → T2 → T3 → T4 ↓ T3 失败 C3 ← C2 ← C1(补偿) ``` **两种实现**: - **编排式(Orchestration)**:中心协调 - **事件式(Choreography)**:各服务监听事件 **特点**: - 适合长事务 - 补偿有时难写(有些操作不可逆) ## 17. 本地消息表 / 可靠消息? **本地消息表**: 1. 业务和消息写在同一本地事务里(消息表 + 业务表) 2. 定时任务扫描消息表,发到 MQ 3. 下游消费,保证幂等 **事务消息**(RocketMQ): 1. 发送 half 消息(对消费者不可见) 2. 执行本地事务 3. 本地事务结果 → commit / rollback 消息 4. 如果超时没收到,MQ 回查事务状态 **适合**:最终一致性的业务。 ## 18. Seata 支持哪些模式? Seata 是阿里的分布式事务框架,支持: - **AT**:自动补偿(需要数据库能生成回滚 SQL,默认模式) - **TCC**:业务自己写三个方法 - **Saga**:长事务 - **XA**:基于数据库 XA 协议(强一致) ## 19. 分布式事务怎么选? | 模式 | 一致性 | 性能 | 业务侵入 | 适用 | |------|--------|------|---------|------| | 2PC/XA | 强 | 差 | 低 | 少用 | | TCC | 强 | 好 | 高 | 金融 | | Saga | 最终 | 好 | 中 | 长事务 | | 可靠消息 | 最终 | 最好 | 低 | 异步业务 | **优先级**:能用最终一致就别用强一致。 --- # 第 4 章 · 注册发现与服务治理 ## 20. 服务注册发现原理? **注册**: ``` 服务启动 → 向注册中心注册(IP、端口、健康状态) 注册中心维护服务列表 定期心跳续约 ``` **发现**: ``` 消费者订阅需要的服务 注册中心推送列表变化(或拉取) 本地缓存 + 负载均衡选一个实例 ``` ## 21. 常见注册中心对比? | 对比 | Eureka | ZooKeeper | Nacos | Consul | etcd | |------|--------|-----------|-------|--------|------| | CAP | AP | CP | AP/CP 可选 | CP | CP | | 协议 | HTTP | ZAB | HTTP | Raft | Raft | | 健康检查 | 心跳 | 会话 | 心跳 + 多种 | 多种 | 心跳 | | 配置中心 | 无 | 无 | 有 | 有 | 有 | | 维护 | 已停更 | 活跃 | 活跃 | 活跃 | 活跃 | **选择**: - 主流 → Nacos(国内阿里系)、Consul(Hashicorp 生态) - K8s 原生 → etcd - 强一致要求 → ZK/etcd ## 22. 服务治理的核心能力? - **注册发现**:找到服务 - **负载均衡**:挑一个实例 - **熔断**:故障快速失败 - **限流**:保护自己 - **降级**:核心功能保障 - **超时重试**:网络抖动处理 - **链路追踪**:排查问题 - **配置中心**:动态配置 - **灰度发布**:渐进式上线 ## 23. 熔断、降级、限流的区别? - **限流**:主动限制请求速率(令牌桶、漏桶、滑动窗口) - **熔断**:依赖不可用时快速失败(Hystrix、Sentinel) - **降级**:服务不可用时返回兜底(默认值、缓存、简化流程) --- # 第 5 章 · 缓存与限流 ## 24. 分布式锁怎么实现? **Redis 实现**: ``` SET key value EX 30 NX 释放用 Lua 脚本保证原子性 ``` 用 Redisson 是最佳实践(看门狗、可重入、红锁)。 **ZooKeeper 实现**: ``` 创建临时有序节点 + Watch 前一个节点 节点最小则获得锁 ``` 特点:天然公平、自动释放(会话断开)、但性能不如 Redis。 **数据库实现**: - 唯一索引 - SELECT FOR UPDATE **对比**: | 方案 | 性能 | 一致性 | 复杂度 | |------|------|--------|--------| | Redis | 高 | 弱(主从切换可能丢) | 中 | | ZK | 中 | 强 | 中 | | DB | 低 | 强 | 低 | ## 25. 常见限流算法? **1. 固定窗口** ``` 每分钟最多 100 请求 计数超过拒绝 ``` 缺点:临界问题(第 59 秒 100 个 + 第 61 秒 100 个) **2. 滑动窗口** ``` 把窗口切成小格子,统计最近 1 分钟内的格子总和 ``` 更平滑。 **3. 漏桶** ``` 请求进漏桶,以固定速率流出 桶满了拒绝 ``` 恒定输出速率。 **4. 令牌桶** ``` 按固定速率生成 token 请求需要拿到 token 才能执行 允许突发流量(先拿桶里的) ``` **最常用**。 ## 26. 怎么设计分布式限流? **单机限流**:Guava RateLimiter、Sentinel **分布式限流**: - **Redis + Lua**:原子操作 - **Sentinel 集群限流**:有中心 token server - **网关统一限流**:Nginx、APISIX、Spring Cloud Gateway ## 27. 一致性 Hash 是什么? **问题**:传统 hash 取模,节点增减时大量 key 重新分布。 **一致性 Hash**: ``` 0 ---- 2^32 ---- 0(环形) 节点 A 在位置 10 节点 B 在位置 100 节点 C 在位置 1000 key 的 hash 落在环上,顺时针找到第一个节点 ``` **好处**:节点增减只影响相邻的一小段 key。 **虚拟节点**:每个实际节点映射多个虚拟节点,均匀分布。 **应用**:分布式缓存(Memcached 客户端)、负载均衡 ## 28. 分布式链路追踪? **概念**:跨多个服务的调用链路可视化。 **核心**: - **Trace**:一次完整调用链(由多个 Span 组成) - **Span**:一次操作(如 HTTP 调用、DB 查询) - **TraceId**:贯穿整条链 - **SpanId**:每个操作的唯一 ID - **ParentSpanId**:父操作的 SpanId  **协议/标准**:OpenTracing、OpenTelemetry(主流) **工具**:Jaeger、Zipkin、SkyWalking(国内主流) ## 29. 服务网格(Service Mesh)? **思路**:把服务治理下沉到基础设施,业务代码只管业务 **架构**: - **数据面(Sidecar)**:每个服务旁边一个代理(Envoy),拦截所有流量做治理 - **控制面**:统一管理所有 Sidecar(Istio) **好处**: - 多语言一致的治理 - 业务无侵入  **代价**:多一跳延迟、运维复杂 --- # 第 6 章 · 分布式 ID 与消息系统 ## 30. 分布式 ID 的要求? - **全局唯一** - **单调递增**(最好趋势递增,便于数据库索引) - **高可用**:生成服务不能挂 - **高性能**:毫秒级 - **安全**:不能泄露业务信息(比如订单量) ## 31. 分布式 ID 常见方案? **1. UUID** - 优:简单 - 缺:无序、太长(36 字节)、不适合 DB 主键 **2. 数据库自增 + 分段** - 多台 DB 设不同起点和步长 - 优:简单可靠 - 缺:扩容麻烦 **3. Redis INCR** - 优:高性能 - 缺:依赖 Redis 可用性 **4. 雪花算法(Snowflake)**(最主流) ``` 1 位符号 | 41 位时间戳 | 10 位机器 ID | 12 位序列号 ``` - 单机每毫秒可生成 4096 个 ID - 趋势递增 - 问题:**时钟回拨**会出重复 ID **5. Leaf(美团)** - 号段模式:从 DB 批量取一段 ID - 雪花模式:优化了时钟回拨问题 **6. UidGenerator(百度)** - 基于雪花,解决时钟问题 ## 32. 雪花算法的时钟回拨问题怎么解决? **问题**:机器时钟回退 → 可能生成重复 ID **解决**: - 小幅回拨:等待时钟追上来 - 大幅回拨:抛异常 / 切换备用机器 ID - 一些改进版(美团 Leaf)会保留上次的时间戳,回拨时用更大的机器 ID 位或序列号避免冲突 ## 33. 消息队列核心能力? - **解耦**:生产者消费者互不依赖 - **异步**:削峰填谷 - **削峰**:突发流量缓冲 - **通知/广播**:一对多 - **日志收集**:日志汇聚 ## 34. 消息的三种可靠性级别? - **At most once**(最多一次):可能丢 - **At least once**(至少一次):可能重复 ← 最常用,配合幂等 - **Exactly once**(恰好一次):难实现,成本高 ## 35. 消息顺序性怎么保证? **全局顺序**:单分区 + 单消费者(吞吐差) **局部顺序**: - 同 key 的消息路由到同一分区(hash) - 分区内天然有序 - 消费端单线程或按 key 路由 --- # 第 7 章 · 分布式系统设计 ## 36. 怎么设计一个分布式系统? **核心原则**: 1. **分而治之**:服务拆分 + 数据分片 2. **冗余备份**:主从、副本 3. **异步化**:MQ 削峰解耦 4. **缓存**:减少数据库压力 5. **限流熔断**:保护自身 6. **监控告警**:及时发现问题 **常见架构**: ``` 客户端 → CDN → 负载均衡(Nginx/LVS) → API 网关 → 微服务集群 ↓ 缓存(Redis) ↓ 数据库(分库分表) ↓ MQ / 搜索引擎 ``` ## 37. 限流、熔断、降级怎么组合使用? **场景**:秒杀 - **入口限流**:Nginx/网关按 IP、user 限流 - **服务限流**:单服务按 QPS - **熔断**:调用下游失败率过高自动熔断 - **降级**:非核心功能降级(比如关掉评论推荐) ## 38. 灰度发布怎么做? **按比例**: - 新版本先接 5% 流量,观察无异常再全量 **按用户**: - 白名单(内部用户、付费用户) - 按 userId hash **按地域/设备**: - 某地区、某 APP 版本先发 **工具**: - 网关路由规则(根据 header / cookie 路由到不同服务) - Service Mesh 的流量切分 ## 39. 秒杀系统怎么设计? **挑战**:短时间内高并发 + 库存不能超卖 **分层架构**: ``` 前端:静态化页面 → CDN JS 倒计时控制按钮 提交按钮置灰防止重复点 限流:网关 → 限 IP、限 User、限接口 随机通过 5-10% 流量(没必要让所有人都能进) 后端:预减库存(Redis 原子减) 消息队列异步下单 数据库最终扣减 库存:Redis SETNX / Lua 脚本 保证原子 数据库乐观锁兜底 ``` **关键**: - 越早拦截越好(前端 → CDN → 网关 → 应用) - Redis 扛读写,DB 扛最后一公里 - 异步化、限流、降级 ## 40. 怎么保证分布式系统的高可用? **架构**: 1. 无单点(多活、跨机房) 2. 冗余备份 3. 故障自动转移 **监控**: 1. 系统指标(CPU/Mem/IO/Net) 2. 业务指标(QPS、成功率、延迟) 3. 告警分级 **容错**: 1. 限流熔断降级 2. 超时重试 3. 幂等 **运维**: 1. 灰度发布、回滚机制 2. 混沌工程(主动演练故障) 3. 预案文档 **目标**:99.99%(每年停机 < 52 分钟)
预览
发布文章
添加摘要让读者更快了解文章内容
取消
确认发布
AI 写作助手
输入一个主题,AI 将为你生成一篇 Markdown 博客文章
AI 正在写作中...
取消
开始生成
AI 优化助手
描述你的修改需求,AI 将在原文基础上进行补充或微调
AI 正在优化中...
取消
开始优化
画布
从已有图里选
✕
图名
保存后生成 /images/excalidraw/<图名>.svg(只能用字母、数字、短横线、下划线、点)
取消
保存并插入