场景题11111

关单操作？

优先考虑定时任务、Redisson+redis、RocketMQ延迟消息实现（订单量特别大的时候，不建议使用MQ）
- 每个订单都有一个消息会增加资源消耗
- 可靠性问题（丢失）
- 大量的无效消息
- 不是所有消息队列都支持
- 一般通过定时任务实现，像阿里内部就是超时中心（TOC）
定时任务：Timer、定时任务线程池、XXL-JOB这种
- 时间不精确
- 无法处理大量订单
- 扫描数据库造成压力大
- 分库分表后需要全表扫描
Redisson+redis
- Redisson定义了分布式延迟队列RDelayedQueue，在zset的基础上增加了一个基于内存的延迟队列
- 当添加一个元素到延迟队列的时候，将数据和超时时间放进zset中，启动一个延时任务，当任务到期的时候，就将zset中的数据取出来，返回给客户端使用。

每天100w次登录请求，4核8G机器如何做JVM调优？

首先确定有没有流量高峰？假设存在某一段时间有峰值，比如30min，那么QPS就是600左右，应该做怎样的优化？
将堆内存设置为操作系统的一半。初始和最大设置成一样的，避免扩容收缩操作，提高稳定性。
垃圾收集器选择：
- 考虑STW和吞吐量的问题
- serial排除，parnew和parallel scavange更关注吞吐量，4G可以使用G1
- 通过-XX:MaxGCPauseMills=100~200之间
- 然后调节G1的一些配置，比如并行线程数，并发线程数
- 添加日志，动态调整

如果QPS提高了一百倍，应该怎么办？

DDOS攻击
设计一个支持高并发的系统：
- 架构、性能优化、容错、可伸缩性等等
- 分布式架构：降低单点故障的风险，提高可伸缩性和性能
- 集群部署：负载均衡，提高可用性和性能
- 缓存
- 异步处理：消息队列等降低请求响应时间和提高吞吐量
- 预加载：预先加载需要的资源，减少等待时间
- 代码优化和调优：避免长事务、减小锁的粒度等，提高性能
- 数据库优化：索引设计、分库分表、读写分离
- 熔断降级限流：防止雪崩
- 压力测试
- 容错和监控

不使用redis分布式锁，如何防止用户重复点击？

滑动窗口限流
token，判断token有没有被消费过，在数据库判断
前端按钮
一般redis使用不了一般是降级成直接使用数据库。

购物车功能？

不需要把商品的所有信息保存下来，只需要保存SKUID加上数量时间等，至于其他的到时候反查数据库就可以。
未登录用户存在cookie和LocalStorage里面
登陆的要么存数据库，要么存redis
数据库和redis各有好处，可靠性，性能权衡，mysql有事务机制。

秒杀系统？

高并发瞬时流量
- 架构方面做逐层的流量过滤，经过客户端、CDN、WEB、缓存、数据库
- 客户端做一些随机请求的过滤
- Nginx做一些流量的过滤，IP限流等等
- 服务器sentinel限流
- 查询操作写操作用缓存抗一下，缓存上本地缓存性能要高于分布式缓存
热点数据：
- 拆分+缓存
- 缓存就是做一些预热，不仅redis做预热，本地缓存也做预热，防止热点key问题
数据量大：
- 分库分表
库存正确扣减：
- 如何避免超卖少卖
- 从redis中取出当前库存，lua脚本执行达到原子性+有序性，redisson的信号量
- redis中先扣减，发一个MQ消息，之后再做真正的数据库扣减操作
- 导致少卖：
  - 引入对账机制，比如用zset添加流水记录，定时拉取一段时间内的所有记录，然后数据库比对，发现不一致就进行补偿处理
- 如果商家在过程中补货了？
  - 增加一个全局标志位，在补货过程中不允许扣减库存，补货的数量相应的去redis里更新，这样会导致用户停滞
  - 订阅binlog，补了多少就去redis修改多少。
业务手段：
- 预约
- 预售
- 前端弄些验证码

Zset实现点赞和排行榜？

朋友圈点赞：
- 首先分析朋友圈点赞是什么功能
  - 被点赞人的微信号
  - 点赞人的微信号
  - 点赞时间
- 通过zset实现
  - key被点赞人的这篇朋友圈的ID
  - value表示点赞人的微信号
  - score表示点赞的时间
- 点赞就更新score，jedis.zadd(key,cow,userId)
- 取消点赞就移除,jedis.zrem(key,userId)
- 查询就通过ZREVRANGEBYSCORE命令逆序返回点赞人的微信号
排行榜
- 在score相同时，会按照value排序
- 那么score设置为分数+（1-时间戳小数）

查找附近的人的功能？

通过Redis的GEOADD将用户的经纬度存在一个指定的键值中，然后通过redis的GEORADIUS命令查询指定经纬度附近一定范围的用户。

消息队列推好还是拉好？

推模式就是在消费端和消息中间件建立TCP长连接或者注册一个回调，有数据就通过长连接或者回调将数据推送
拉就是消费者轮询，通过不断轮询检查有没有数据。
拉可以自己掌握消息数量和速度，但是轮询有对中间件有一定的压力
推消息是实时的，缺点就是如果生产速度大于消费速度消费者会产生堆积，容易压垮。
看消费者和消息中间件是不是双向通信。
使用长轮询：发起一个长轮询请求，有消息就返回，没有就等一会儿，等到有新消息到达。还没有就等下一次长轮询。

如何进行SQL调优的？

首先定位到慢sql的地方
接下来分析
- 索引失效：查询执行计划是否执行了索引
- 多表join：嵌套循环，外循环的每条记录都要和内循环的记录做比较，n张表就O(N^n)的复杂度。Mysql8中增加了Hash join，驱动表的数据会构建一张hash表，然后被驱动表的去进行匹配，最后聚合，但是有内存限制，此时就可以通过基于磁盘的hash joi，分批加载，到达O(N)的复杂度。
- 索引离散度低：
- 查询字段太多：避免冗余查询
- 表数据量太大：建立索引不一定能解决了，通过数据归档，比如只保留半年内的数据，或者说是分库分表、分区。
- 数据库连接不够：业务量大就分库，慢SQL、长事务，并发大的情况下存在排队，就可以像上迷案的秒杀服务那样解决。还有一个改造Mysql，比如阿里的Inventory-Hint。
- 表结构不合理：做一些反范式化，冗余字段，避免join。
- 数据库参数不合理，增加事务文件大小，缓冲池大小，read线程数
- 参数调优

不用synchronized实现线程安全单例？

饿汉可以，静态内部类、枚举也可以，还能用CAS实现，但是其实loadclass就是synchronized修饰的。

 private static final AtomicReference<Lazy> INSTANCE=new AtomicReference<>();//CAS实现//原子性可见性有序性都保证了，但是会造成CPU开销public static Lazy casInstance(){while (true){Lazy singleton = INSTANCE.get();if (null!=singleton){return singleton;}Lazy ans = new Lazy();if (INSTANCE.compareAndSet(null,ans)){return singleton;}}}

本地缓存和分布式缓存有什么区别？

两种不同的缓存架构，主要区别在于数据的存储和管理方式
本地缓存是指将数据存储在单个应用程序中，提高性能，减少数据库访问次数，但是在集群环境中，多个本地缓存中数据可能不一致。Caffeine，异步化比较好
分布式缓存的优点在于共享数据，提高系统的可伸缩性和可用性，但是有数据一致性、故障恢复，管理和维护成本。

多级缓存是怎么应用的？

客户端缓存、CDN缓存、Nginx这两个放静态资源，然后本地、分布式缓存

Innodb用跳表，redis用B+数可以吗？

关系型数据库以表的形式存储，非关系型以key-value的形式存储
B+磁盘友好（顺序性，以及磁盘预读，页分裂时就读取或者修改一页），跳表内存友好（多级索引结构，磁盘IO性能低）

接口很慢如何定位问题？

阿里的arthas定位，比如是哪个商品相关的，然后分析SQL，进行SQL调优

如何保证REDIS中的数据都是热点数据？

数据预热，先将热的数据先加进去
热点数据更新：热key检测
过期策略：LRU或者LFU
缓存淘汰策略

用了一锁二查三更新，为什么还有重复数据？

存在锁已经释放了，但是事务还没提交，然后后面进来的接着操作。
主要就是因为事务的粒度大于锁的粒度
声明式事务@Transactional改为编程式事务

一个接口QPS3000，接口RT为200ms，需要几台机器？

那么就是单线程一秒处理5个请求，假设tomcat有200个线程，那么吞吐量就是1000个/s
实际需要做压测，然后预估2-3倍数，大概6-9台机器。

商城系统如何设计一个数据一致性方案？

比如下单的时候需要有订单系统、库存系统、积分系统、邮件系统、外部机构这些组成
像完整的分布式事务的话：
- 订单系统和库存系统就考虑强一致性
- 积分系统考虑最终一致性
- 邮件考虑最大努力通知
- 像外部的话，很多因素影响，一般是在协议上约定：
  - 风控通过，投保一定成功
  - 先资金流理赔，再补齐信息流
  - 每天异步同步一次就可以了