2026春招大厂面试真题补充 - 十二、系统设计方向真题补充5道
本文是 2026春招大厂面试真题补充 的分章阅读版。
十二、系统设计方向真题补充5道
1. 设计短链系统(字节/美团高频)
面试官: "设计一个短链系统,日活1亿,要求高可用。"
考察点: ID生成策略 + 缓存设计 + 重定向性能 + 数据一致性
标准回答框架:
1) 核心流程:
生成: 长URL → 生成短码 → 存储 映射关系 → 返回短链
访问: 短链 → 查询长URL → 301/302重定向
2) 短码生成策略:
方案A: 自增ID + Base62编码
ID=1 → Base62(1)="1", ID=10000 → Base62(10000)="2Bi"
优点: 短/有序 缺点: 可预测(爬虫可遍历)
方案B: MD5/SHA256哈希 + 取前6~7位
优点: 不可预测 缺点: 可能冲突(需要去重检查)
方案C: 雪花ID + Base62(推荐)
优点: 分布式唯一 + 有序 + 不可预测
3) 架构图:
┌─────────┐ ┌──────────┐ ┌──────────┐
│ Client │───→│ Nginx │───→│ App Svr │
└─────────┘ └──────────┘ └────┬─────┘
│
┌──────────┼──────────┐
│ │ │
┌───▼──┐ ┌───▼──┐ ┌───▼──┐
│Redis │ │MySQL │ │ Kafka│
│Cache │ │(分库) │ │(异步)│
└──────┘ └──────┘ └──────┘
4) 存储设计:
MySQL分库分表: 按短码hash分16库×64表
表结构: short_code(PK), long_url, create_time, expire_time, click_count
5) 性能优化:
① Redis缓存: 热门短链缓存(TTL=1天),命中率>95%
② 302重定向(非301): 302每次访问服务端,可统计点击量
③ 布隆过滤器: 快速判断短码是否存在(防重复,减少DB查询)
④ 异步统计: 点击数据先写Kafka → 批量写入ClickHouse
6) 面试话术: "短链系统核心是ID生成策略+缓存热点数据+异步统计。
302重定向每次过服务端,方便统计;301会被浏览器缓存,省流量但无法统计"
避坑提示:
- 别忘了说过期清理机制(定时任务删过期短链)
- 别忘了说防滥用(同一长URL返回已有短链,不重复生成)
2. 设计Feed流系统(字节/腾讯高频)
面试官: "设计一个Feed流系统,类似微博/朋友圈。"
考察点: 推拉模型 + 时间线排序 + 写扩散vs读扩散
标准回答框架:
1) 核心模型选择:
┌──────────────────────────────────────────────┐
│ 模式 │ 写放大 │ 读放大 │ 适用场景 │
├──────────┼────────┼────────┼─────────────────┤
│ 推模式 │ 高 │ 低 │ 粉丝少的场景 │
│(写扩散) │ 发帖写N份 │ 读1次│ (朋友圈/普通用户) │
├──────────┼────────┼────────┼─────────────────┤
│ 拉模式 │ 低 │ 高 │ 粉丝多的场景 │
│(读扩散) │ 发帖写1份 │ 读N次│ (明星/大V) │
├──────────┼────────┼────────┼─────────────────┤
│ 推拉结合 │ 中 │ 中 │ 生产环境 │
│(混合) │ 大V拉 │ 普通推 │ (微博/抖音) │
└──────────────────────────────────────────────┘
2) 数据结构:
发帖表: post_id, user_id, content, create_time
收件箱(推模式): user_id(关注者), post_id, create_time
发件箱(拉模式): user_id(作者), post_id, create_time
3) Feed读取流程(推拉结合):
① 获取用户关注列表
② 普通用户: 直接读收件箱(Redis ZSet, score=时间戳)
③ 大V用户: 实时拉取发件箱最新帖子
④ 合并排序 → 返回Feed
⑤ 缓存优化: Redis缓存每个用户的Feed(Top 1000)
4) Redis存储:
收件箱: ZSet, key=feed:{userId}, score=timestamp, member=post_id
发件箱: ZSet, key=outbox:{userId}
ZREVRANGEBYSCORE获取最新帖子
5) 面试话术: "推拉结合是Feed流的标准方案。
普通用户用推模式(发帖时写所有粉丝收件箱),
大V用拉模式(粉丝数>50万切拉,实时拉取发件箱)"
避坑提示:
- 大V的定义标准要能动态调整(粉丝数阈值)
- 取消关注时要清理收件箱中的帖子(异步清理)
3. 设计消息队列核心组件(阿里/字节高频)
面试官: "从零设计一个消息队列,核心组件怎么设计?"
考察点: 存储引擎设计 + 消费模型 + 高可用机制
标准回答框架:
1) 核心架构:
┌────────┐ ┌──────────────┐ ┌────────┐
│Producer│───→│ Broker │───→│Consumer│
└────────┘ │ ┌──────────┐ │ └────────┘
│ │ CommitLog│ │ push/pull
│ │(顺序写) │ │
│ └──────────┘ │
│ ┌──────────┐ │
│ │ ConsumeQ │ │
│ │(消费队列)│ │
│ └──────────┘ │
└──────────────┘
↕
┌──────────┐
│NameServer│(路由注册)
└──────────┘
2) 存储设计(参考Kafka/RocketMQ):
① CommitLog: 所有消息顺序追加写(一个物理文件), 写性能最高
② ConsumeQueue: 逻辑队列, 存消息在CommitLog的offset+size
③ IndexFile: 按Key索引, 支持按消息ID/Key查询
为什么不每Topic一个文件?
→ 顺序写一个文件比写多个文件快得多(磁盘顺序写>随机写1000倍)
→ RocketMQ用CommitLog统一顺序写 + ConsumeQueue逻辑分Topic
3) 消费模型:
① Push模型(Broker推): 实时性好,但Broker压力大
② Pull模型(Consumer拉): Consumer自主控制,但有延迟
③ 长轮询(RocketMQ方案): Consumer发起请求→有消息立即返回→无消息hold 30s
4) 高可用:
① 主从复制: 同步双写(可靠)/异步复制(性能)
② 分区(Partition): Topic分多个Partition,分布在不同Broker
③ 消费者组: 同组内负载均衡,不同组独立消费
5) 面试话术: "消息队列核心是顺序写+零拷贝+分区并发。
顺序写让磁盘性能媲美内存,零拷贝减少内核态拷贝,分区水平扩展"
避坑提示:
- 别忘了说消息不丢失的保证(同步刷盘+同步复制+消费确认)
- 要对比Kafka/RocketMQ的设计选择(为什么不同)
4. 设计限流系统(阿里/美团高频)
面试官: "设计一个分布式限流系统。"
考察点: 限流算法 + 分布式实现 + 动态配置
标准回答框架:
1) 算法选型:
┌────────────┬──────────┬──────────┬──────────┐
│ 算法 │ 平滑性 │ 突发流量 │ 内存开销 │
├────────────┼──────────┼──────────┼──────────┤
│ 固定窗口 │ 差 │ 2倍突发 │ O(1) │
│ 滑动窗口 │ 好 │ 无 │ O(N) │
│ 漏桶 │ 极好 │ 不允许 │ O(1) │
│ 令牌桶 │ 好 │ 允许 │ O(1) │
│ 滑动日志 │ 最好 │ 无 │ O(N)大 │
└────────────┴──────────┴──────────┴──────────┘
2) 分布式令牌桶实现(Redis + Lua):
-- acquire_token.lua
local key = KEYS[1]
local max_tokens = tonumber(ARGV[1])
local rate = tonumber(ARGV[2]) -- 每秒补充令牌数
local now = tonumber(ARGV[3])
local requested = tonumber(ARGV[4])
local info = redis.call('HMGET', key, 'tokens', 'last_time')
local tokens = tonumber(info[1]) or max_tokens
local last_time = tonumber(info[2]) or now
-- 计算补充的令牌
local elapsed = math.max(0, now - last_time)
tokens = math.min(max_tokens, tokens + elapsed * rate)
if tokens >= requested then
tokens = tokens - requested
redis.call('HMSET', key, 'tokens', tokens, 'last_time', now)
redis.call('EXPIRE', key, math.ceil(max_tokens / rate) + 10)
return 1 -- 允许
else
redis.call('HMSET', key, 'tokens', tokens, 'last_time', now)
return 0 -- 拒绝
end
3) 面试话术: "分布式限流核心是令牌桶+Redis Lua原子操作。
注意Redis时间用服务端TIME命令,不用客户端时间(避免时钟不一致)"
避坑提示: 要提到集群限流vs单机限流的trade-off
5. 设计延迟任务系统(字节/美团高频)
面试官: "设计一个延迟任务系统,支持30分钟超时取消订单。"
考察点: 延迟队列实现 + 定时任务 + 多种方案对比
标准回答框架:
1) 方案对比:
┌─────────────┬──────────┬──────────┬──────────┐
│ 方案 │ 精度 │ 可靠性 │ 适用规模 │
├─────────────┼──────────┼──────────┼──────────┤
│ DelayQueue │ ms │ 进程内 │ 单机 │
│ Redis ZSet │ s │ 中 │ 万级 │
│ RocketMQ │ s │ 高 │ 百万级 │
│ 时间轮 │ ms │ 进程内 │ 高性能 │
│ DB轮询 │ min │ 高 │ 千级 │
└─────────────┴──────────┴──────────┴──────────┘
2) Redis ZSet方案(最常用):
生产: ZADD delay:tasks <timestamp+30min> <taskId>
消费: 定时任务每秒执行
ZRANGEBYSCORE delay:tasks 0 <currentTimestamp> LIMIT 0 100
→ 取出到期的任务 → 执行取消逻辑 → ZREM删除
优化:
① 多消费者分片: 按taskId hash分多个ZSet
② 借鉴Redisson DelayQueue: 到期自动转移到目标Queue
③ Lua原子操作: ZRANGEBYSCORE + ZREM 原子执行
3) RocketMQ延迟消息方案(推荐):
message.setDelayTimeLevel(16); // 16级=30分钟
// 延迟等级: 1s 5s 10s 30s 1m 2m 3m 4m 5m 6m 7m 8m 9m 10m 20m 30m
// RocketMQ 5.0+支持任意延迟时间
4) 面试话术: "中小规模用Redis ZSet(简单可控),
大规模用RocketMQ延迟消息(可靠+不丢),
单机高性能用时间轮(Netty HashedWheelTimer)"
避坑提示:
- 要提到"到期后执行失败怎么办?" → 重试+死信队列+人工补偿
- 不要只说一种方案,要对比分析trade-off
相关页面