面试题：在大规模分布式系统中，如何权衡数据一致性与系统可用性、性能之间的关系并给出优化策略

Question

在一个大规模的分布式电商系统中，既要保证商品库存数据的一致性，又要确保系统高可用和高性能。面对高并发读写场景，阐述你如何从架构设计、算法选择、缓存策略等多方面权衡一致性、可用性和性能这三者的关系，并给出具体的优化策略和方案。

Answer 1

架构设计

1. 数据分区：采用一致性哈希算法将商品库存数据分布到不同的节点上，减少数据迁移对一致性的影响，同时提高系统的可扩展性与可用性。当有新节点加入或旧节点故障时，仅部分数据受影响。
2. 主从复制：设置主节点负责写操作，从节点负责读操作。主节点将写操作日志同步到从节点，以保证数据一致性。通过增加从节点数量可提升读性能，同时主从切换机制保证系统高可用。例如，使用 MySQL 的主从复制。
3. 分布式事务：对于涉及库存修改等跨节点操作，采用两阶段提交（2PC）或三阶段提交（3PC）协议保证一致性，但因其性能开销，在非关键场景可采用最终一致性方案。如引入消息队列，先扣减本地库存，再通过消息异步同步到其他节点，一定时间内达到最终一致。

算法选择

1. 乐观锁与悲观锁：读多写少场景采用乐观锁，仅在更新时检查数据是否被修改，提升并发性能，但可能导致更新失败需重试。写多读少场景采用悲观锁，提前锁定数据，保证一致性，但并发性能较低。例如，使用版本号实现乐观锁，数据库行锁实现悲观锁。
2. 缓存更新算法：采用 LRU（最近最少使用）算法管理缓存，在缓存满时淘汰最近最少使用的数据，保证热点数据在缓存中，提升缓存命中率与性能。同时，在更新库存数据时，采用合适策略更新缓存，如先更新数据库再删除缓存，防止缓存脏数据。

缓存策略

1. 多级缓存：采用本地缓存（如 Guava Cache）和分布式缓存（如 Redis）结合。本地缓存处理高并发读请求，减少对分布式缓存的压力，提升性能。分布式缓存存储共享数据，保证数据一致性。如商品库存基础信息存于分布式缓存，用户近期浏览商品库存的临时数据存于本地缓存。
2. 缓存读写策略：读操作先从缓存获取数据，命中则直接返回，未命中再从数据库读取并更新缓存。写操作采用写后更新缓存策略，先更新数据库，成功后再更新缓存。同时设置缓存过期时间，保证数据的一致性与时效性。例如，对热门商品设置较短过期时间，定期从数据库刷新数据到缓存。

优化策略和方案

1. 异步处理：将一些非关键的库存更新操作放入消息队列异步处理，如库存变更记录写入日志。减少同步操作对系统性能的影响，提高系统响应速度与可用性。
2. 限流与熔断：设置限流策略，如令牌桶算法，限制每秒对库存系统的请求数，防止高并发流量压垮系统。同时引入熔断机制，当某个服务出现故障或响应时间过长时，快速返回错误，防止故障扩散，保证系统整体可用性。
3. 数据预取与预热：提前预取热门商品库存数据到缓存中，在系统启动或流量低谷期进行缓存预热，避免高并发时缓存击穿问题，提升系统性能与可用性。