面试题答案
一键面试挑战及应对方式
- 服务间解耦
- 挑战：在微服务架构中，不同服务之间的直接调用会导致强耦合，增加系统维护和扩展的难度。当一个服务发生变化时，可能会影响到依赖它的其他服务。
- 应对：引入消息队列后，生产者将消息发送到队列，消费者从队列中获取消息进行处理，实现了服务间的异步通信和解耦。例如在一个电商项目中，订单服务在创建订单后，通过消息队列向库存服务发送扣减库存消息，库存服务无需立即响应订单服务，降低了两者之间的耦合度。
- 数据一致性
- 挑战：使用消息队列异步处理数据时，可能会出现消息丢失、重复消费等问题，从而影响数据一致性。比如订单创建成功后，扣减库存消息若丢失，会导致库存数据不准确。
- 应对：采用可靠的消息队列产品，如 Kafka 支持高可用和数据持久化。同时，在生产者端实现消息确认机制，确保消息成功发送到队列。在消费者端，实现幂等性处理逻辑。例如在库存服务中，通过数据库唯一约束来保证重复的扣减库存消息不会导致多次扣减库存。
- 流量削峰
- 挑战：在高并发场景下，如电商促销活动时，瞬间大量请求涌入，直接冲击后端服务可能导致服务崩溃。
- 应对：利用消息队列的缓冲功能，将大量请求以消息形式存入队列，后端服务按自身处理能力从队列中消费消息。如在秒杀活动中，用户下单请求以消息形式进入队列，订单服务按一定速率从队列获取消息处理，避免了瞬间高并发对系统的冲击。
消息队列拓扑结构设计
以 Kafka 为例，在电商项目中，设计了如下拓扑结构：
- 主题（Topic）：根据不同业务划分主题，如“order - created”主题用于订单创建消息，“stock - deduction”主题用于库存扣减消息。
- 分区（Partition）：为每个主题设置多个分区，以提高并行处理能力。例如“order - created”主题设置 3 个分区，不同分区可以并行处理消息，提高订单创建消息的处理速度。同时，分区还能提供数据冗余和高可用性，部分分区故障时不影响整体服务。
- 生产者（Producer）：订单服务作为生产者，将订单创建消息发送到“order - created”主题的指定分区。生产者根据业务规则，如订单地区信息，采用分区策略将消息发送到不同分区，以便后续按地区维度进行处理。
- 消费者（Consumer）：库存服务作为消费者，从“stock - deduction”主题消费消息进行库存扣减。消费者可以组成消费者组，不同消费者组可以独立消费主题消息，实现不同业务逻辑。例如，一个消费者组用于正常库存扣减，另一个消费者组用于库存回滚逻辑。
消息队列产品选择
在实际项目中选择了 Kafka，原因如下：
- 高吞吐量：Kafka 具有极高的吞吐量，适合处理高并发场景下的大量消息，满足电商项目在促销活动等高流量时期的需求。
- 可扩展性：通过增加分区、副本和 broker 节点，可以轻松扩展 Kafka 集群的处理能力，适应业务增长。
- 持久化：Kafka 支持消息持久化到磁盘，保证消息不会轻易丢失，提高数据可靠性。
- 社区活跃度：Kafka 拥有活跃的开源社区，丰富的文档和众多的使用者，便于在遇到问题时获取支持和解决方案。
优化策略
- 性能优化
- 批量处理：在生产者端，将多条消息批量发送到 Kafka，减少网络 I/O 开销。消费者端同样采用批量拉取消息的方式，提高处理效率。
- 合理配置分区：根据业务负载和处理能力，动态调整分区数量。如在业务增长阶段，适当增加分区数量，提高并行处理能力。
- 可靠性优化
- 副本机制：Kafka 通过副本机制保证数据的高可用性。为每个分区设置多个副本，当主副本故障时，从副本可以接管工作，确保消息不丢失。
- 消息确认：生产者采用同步发送方式，等待 Kafka 集群的确认消息，确保消息成功发送。
- 可扩展性优化
- 水平扩展：当业务量增长时，通过增加 Kafka broker 节点、分区数量以及消费者实例数量，实现水平扩展，提高整个系统的处理能力。
- 动态配置：使用 Kafka 的动态配置功能，根据运行时的性能指标，如消息堆积情况、处理延迟等，动态调整相关参数，如分区数量、副本因子等，以适应业务变化。