分布式系统设计（架构能力）

一、微服务架构

服务治理
- Nacos 注册中心（AP模式）
  - CAP选择：Nacos 默认采用 AP 模式（可用性 + 分区容忍性），通过心跳检测实现服务健康管理。
  - 服务发现：客户端定时拉取服务列表，支持权重路由和元数据过滤。
  - 配置管理 ：通过 dataId 和 group 动态推送配置，支持灰度发布。
- Sentinel 熔断规则持久化
  - 规则存储：将流控、熔断规则持久化到 Nacos/ZooKeeper，避免重启丢失。
  - 动态更新 ：通过 DataSource 接口监听配置中心变化，实时生效。
  java 复制代码
```
// 示例：Sentinel 规则持久化到 Nacos 
ReadableDataSource<String, List<FlowRule>> flowRuleDataSource = new NacosDataSource<>( nacosServerAddr, groupId, dataId, source -> JSON.parseObject(source, new TypeReference<List<FlowRule>>() {}) ); FlowRuleManager.register2Property(flowRuleDataSource.getProperty());
```
分布式事务
- Seata AT模式
  - 两阶段流程 ：
    1. 一阶段：执行业务 SQL，生成 UNDO_LOG（数据快照）。
    2. 二阶段：提交时删除 UNDO_LOG；回滚时通过 UNDO_LOG 恢复数据。
  - 全局锁：TC（事务协调器）通过全局锁避免脏写。
- 最大努力通知型事务
  - 适用场景：跨系统最终一致性（如支付成功后通知商户）。
  - 实现步骤 ：
    1. 本地事务提交后，异步发送通知消息。
    2. 消息队列保证至少一次投递，接收方需幂等处理。
网关设计
- Spring Cloud Gateway 过滤器链
  - 核心过滤器 ：
    - GlobalFilter：全局过滤（如鉴权、日志）。
    - GatewayFilter：路由级过滤（如添加请求头）。
  - 自定义过滤器 ：
    java 复制代码
```
@Component 
public class AuthFilter implements GlobalFilter { 
    @Override public Mono<Void> filter(ServerWebExchange exchange, GatewayFilterChain chain) { 
        if (!checkAuth(exchange.getRequest())) { 
            return exchange.getResponse().setComplete(); 
            // 拦截 
        } 
    return chain.filter(exchange); } }
```
- 动态路由配置
  - 基于Nacos：监听 Nacos 配置变化，刷新路由表。
  - API 动态更新 ：通过 RouteDefinitionRepository 接口实现。

二、中间件核心

Redis
- 集群模式
  - Cluster分片 ：
    - 16384个哈希槽，每个节点负责部分槽位。
    - 客户端路由：通过 CRC16(key) % 16384 计算槽位。
  - Codis方案 ：
    - 代理层（Codis-Proxy）负责分片，依赖 ZooKeeper 维护元数据。
- 持久化策略
  - RDB：定时快照，恢复快但可能丢失数据。
  - AOF：追加日志，数据安全但文件较大。
  - 混合模式：RDB 全量 + AOF 增量（Redis 4.0+）。
- 缓存问题解决方案
  - 穿透：布隆过滤器（RedissonBloomFilter）拦截无效请求。
  - 击穿：互斥锁（SET key value NX PX 3000）防止并发重建。
  - 雪崩：随机过期时间（基础过期时间 + 随机偏移量）。
Kafka
- ISR机制
  - In-Sync Replicas：与 Leader 保持同步的副本集合。
  - Leader选举：当 Leader 失效时，从 ISR 中选择新 Leader。
- 零拷贝技术
  - sendfile系统调用：数据直接从磁盘文件传输到网卡，绕过用户态。
- Exactly-Once语义
  - 幂等生产者：通过 PID + Sequence Number 去重。
  - 事务消息：跨分区原子性写入（需配合事务协调器）。
RocketMQ
- 事务消息流程
  1. 发送半消息（对消费者不可见）。
  2. 执行本地事务，提交或回滚。
  3. Broker 根据事务状态提交或丢弃消息。
- 顺序消息实现
  - MessageQueueSelector：通过相同选择策略（如订单ID哈希）将消息发送到同一队列。
  - 消费者单线程顺序消费。

三、高可用设计

限流降级

滑动窗口算法
- 实现：将时间划分为多个小窗口，统计窗口内请求量。
- 优势：比固定窗口更平滑，避免临界突发流量。

令牌桶实现（Resilience4j）

java 复制代码

// 配置每秒10个令牌 
RateLimiterConfig config = RateLimiterConfig
    .custom()                     
    .limitRefreshPeriod(Duration.ofSeconds(1)) 
    .limitForPeriod(10) 
    .build(); 
RateLimiter limiter = RateLimiter.of("apiLimiter", config);

容灾方案
- 同城双活
  - 数据同步：基于数据库主从复制或 DRBD 块级同步。
  - 流量切换：DNS 或负载均衡器（如 Nginx）切换流量。
- 异地多活
  - 单元化路由：按用户 ID 哈希路由到指定机房（如用户A固定访问北京机房）。
  - 数据最终一致：通过消息队列异步同步数据。
压测实战
- JMeter全链路压测
  1. 脚本录制：使用 JMeter 代理服务器录制用户操作。
  2. 参数化：CSV 文件驱动多用户登录（不同账号）。
  3. 分布式压测：控制机（Master）调度多台压力机（Slave）。
  4. 监控指标：TPS、响应时间、错误率、资源利用率（CPU/内存）。
- 结果分析
  - 瓶颈定位：数据库慢 SQL、线程池满、缓存命中率低。
  - 优化建议：增加索引、调整线程池参数、预热缓存。

四、总结与实战案例

案例：电商大促系统设计

挑战：秒杀场景下的高并发（10万QPS）、数据一致性。
解决方案 ：
1. 流量削峰：MQ 队列缓冲请求，异步处理订单。
2. 库存扣减：Redis Lua 脚本保证原子性，异步同步到数据库。
3. 降级策略：核心功能（下单）优先，非核心功能（推荐）降级。

通过深入理解上述技术点，并结合实际场景灵活运用，能够设计出高可用、可扩展的分布式系统。