【后端开发面试题】每日 3 题（十八）

✍个人博客：Pandaconda-CSDN博客
📣专栏地址：https://blog.csdn.net/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: 什么是分布式事务？有哪些常见的解决方案？

答案：
分布式事务是指在分布式系统中，多个服务或数据库需要共同完成一个事务，保证数据的一致性。由于涉及多个节点，传统的单机事务（如 ACID）无法直接应用。

常见解决方案：

1. 两阶段提交 (2PC, Two-Phase Commit)

   • 原理：分为准备阶段和提交阶段。协调者先向所有参与者发送准备请求，确认是否可以提交；如果所有参与者都同意，则进入提交阶段。
   • 优点：强一致性。
   • 缺点：性能较差，存在单点故障风险。

2. 补偿事务 (TCC, Try-Confirm-Cancel)

   • 原理：将事务分为三个步骤：尝试（Try）、确认（Confirm）和取消（Cancel）。每个操作都需要支持回滚逻辑。
   • 优点：灵活性高，适合复杂业务场景。
   • 缺点：实现复杂，需要手动编写补偿逻辑。

3. 消息队列最终一致性

   • 原理：通过消息队列（如 Kafka、RabbitMQ）传递事务消息，确保上下游服务的数据最终一致。
   • 优点：高性能，解耦性强。
   • 缺点：可能存在短暂的不一致状态。

4. SAGA 模式

   • 原理：将事务拆分为多个小事务，每个小事务完成后触发下一个事务。如果某个事务失败，则执行补偿操作回滚之前的操作。
   • 优点：适合长事务，扩展性强。
   • 缺点：实现复杂，可能需要额外的监控机制。

总结：

• 对于强一致性要求高的场景，选择 2PC 或 TCC。
• 对于高并发和最终一致性要求的场景，选择消息队列或 SAGA 模式。

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