面试题答案
一键面试1. 维度选择及原因
- 地域维度
- 原因：不同地域的用户数据访问频率可能具有本地性。例如，欧洲用户更常访问欧洲地区用户的数据。按地域分片可以将本地数据集中存储，减少跨地域数据传输，提高查询效率。同时，在数据合规性方面，一些地区有严格的数据存储法规，按地域分片便于满足这些要求。
- 用户ID哈希维度
- 原因：用户ID是用户的唯一标识，对其进行哈希运算可以将数据均匀分布到各个分片上。这有助于避免数据倾斜，保证每个分片上的数据量相对均衡，提升整体的读写性能。例如，在好友关系查询中，无论好友位于何处，通过用户ID哈希能快速定位到对应的分片。
- 业务模块维度
- 原因：不同业务模块的数据访问模式和需求不同。例如，用户基本信息的查询频率可能高于动态发布历史的某些复杂分析查询。将不同业务模块的数据分开存储和分片，可以针对每个模块的特点进行优化。比如，对用户基本信息的频繁读操作，可以采用更适合读优化的存储结构和分片策略。
2. 维度相互配合
- 优先地域维度：首先按地域进行粗粒度划分，将全球数据分成不同的地域块。这样可以快速定位到用户所在大致区域的数据。
- 再用用户ID哈希：在每个地域块内，通过用户ID哈希进一步细分数据。这保证了每个地域内的数据均匀分布，避免某个小区域数据量过大。
- 业务模块独立分片：对于不同业务模块的数据，如用户基本信息、动态发布等，在上述地域和用户ID哈希划分的基础上，再各自独立分片。例如，用户基本信息可以按另一种哈希方式（如对用户姓名首字母哈希）在地域和用户ID哈希确定的基础上进一步分片，以优化该模块的查询。
3. 权衡
- 数据一致性
- 写操作：在更新数据时，由于涉及多个维度的分片，可能出现部分分片更新成功，部分失败的情况。为保证一致性，可以采用分布式事务。例如，使用两阶段提交（2PC）协议，协调各个分片的更新操作。但2PC可能会导致性能下降，所以在性能要求极高的场景下，可以考虑最终一致性模型，通过异步补偿机制来保证数据最终一致。
- 读操作：对于读操作，在强一致性要求下，需要等待所有相关分片的数据更新完成后再读取。在最终一致性模型下，可以容忍一定时间内的数据不一致，先返回已有数据，通过后续的同步机制来修正。
- 读写性能
- 读性能：通过地域维度和业务模块维度的划分，能快速定位热点数据，提高读性能。例如，本地用户的基本信息和动态在本地分片上快速获取。用户ID哈希维度保证数据均匀分布，避免单个分片成为读瓶颈。
- 写性能：多个维度的分片可能增加写操作的复杂性和网络开销。可以通过批量写操作，减少网络交互次数。同时，对不同业务模块的写操作进行优化，比如对动态发布这种写频繁的模块，采用更高效的存储结构（如日志结构合并树LSM - Tree）来提升写性能。
- 系统维护
- 扩展性：这种多维度分片方案具有较好的扩展性。当业务增长或新地域加入时，只需在相应维度上增加新的分片。例如，新拓展到一个国家，就在地域维度上新增对应的分片，并按用户ID哈希和业务模块规则进行数据分配。
- 管理复杂度：多维度分片增加了系统管理的复杂度。需要维护多个维度的分片映射关系，并且在出现故障时定位问题更加困难。可以通过建立完善的监控和日志系统，实时监测各个分片的状态，以便快速定位和解决问题。同时，采用自动化工具来管理分片映射关系，减少人工操作带来的错误。