第二部分：分布式系统设计（第 16～30 题）

1. 如何保证资金不超扣、不丢失？2. TCC / Saga / 本地消息表(事务消息) 分别怎么落地？3. 转出成功、转入失败如何补救？4. 消息重复 / 丢失怎么办？5. 热点账户（大 V余额频繁变动）怎么处理？6. 跨行跨系统怎么保证一致？7. 日终对账怎么做？

第一步：分析问题。转账不是"两个 UPDATE"，而是跨库、跨服务、可部分失败的分布式事务。目标不是强一致 ACID，而是资金守恒 + 可补偿 + 最终一致。

第二步：核心挑战。跨库无法本地事务；网络/服务随时失败需可补偿；重复请求需幂等；热点账户行锁竞争；对账需覆盖所有边缘。

第三步：整体架构。采用"转账编排服务 + 账户服务(TCC 参与者) + 事务消息"：Try 阶段冻结双方资金（同库本地事务），Confirm 真正扣加，Cancel 解冻；对跨行/异步场景用 RocketMQ 事务消息 + 对账兜底。

第四步：技术选型。同库内用 TCC（Seata）；跨系统/跨行用本地消息表 + 事务消息 + 幂等消费；Saga 用于长流程（如"转账→购汇→汇款"多步可补偿链路）。

第五步：一致性。冻结(预留资源)→确认/补偿；消息表保证本地事务与发消息原子；消费者幂等保证 at-least-once 不重复记账。

第六步：高可用。Confirm/Cancel 失败重试（指数退避 + 最大次数）；终有"对账 + 人工挂账"兜底；热点账户用明细流水 + 余额异步汇总降锁。

第七步：性能优化。Try 阶段只冻结不入账，锁持有极短；热点账户拆子账户/按金额分段；消费端批量确认。

瓶颈：Confirm/Cancel 重试风暴、热点账户行锁、跨 Region 网络延迟。

三种方案对比：

为什么当前场景选 TCC + 消息兜底？核心同库转账要"资金守恒且快"→ TCC；跨行通知要"解耦异步"→ 事务消息。两者用对账收口，构成"强一致为主、最终一致兜底"的双保险。

为什么不直接 2PC？2PC 有全局锁、协调者单点、同步阻塞，银行峰值 8000 TPS 下锁持有过长，性能与可用性都不可接受。

① TCC 冻结（账户服务）：

// 同库：业务余额表 + 冻结流水表（tx_id 唯一索引防重）
public boolean tryFreeze(String txId, Long acctId, BigDecimal amt) {
    int n = mapper.freeze(txId, acctId, amt); // UPDATE ... SET frozen=frozen+? WHERE acct=? AND (balance-frozen)>=?
    return n == 1; // 余额不足返回 false，触发 Cancel
}
public boolean confirm(BusinessActionContext ctx) {
    return mapper.unfreezeAndApply(ctx.getTxId()) == 1;
}
public boolean cancel(BusinessActionContext ctx) {
    return mapper.unfreeze(ctx.getTxId()) == 1; // 幂等：未冻结则直接成功
}

② 事务消息发送（跨行分支）：

TransactionSendResult r = producer.sendMessageInTransaction(
    new Message("TRANSFER_OUT", payload), txId);  // 本地事务=写转账单(status=处理中)+Try冻结；回查查状态

1. 幂等要在哪几层做？2. 如何防止前端重复提交？3. 网关重试如何识别同一请求？4. MQ 重复消费怎么处理？5. 状态机如何防重？6. 幂等 token 怎么设计才安全？7. 幂等表怎么不成为新瓶颈？

第一步：分析问题。幂等不是单点能力，是分层防御体系：越靠前拦截成本越低。

第二步：核心挑战。请求唯一标识如何生成与传递；重复判定存储的原子性与性能；不同业务对"幂等"语义不同（下单按单号、支付按流水号）。

第三步：整体架构。四层：①前端 防重 token；②网关按 X-Request-Id 去重（短 TTL）；③服务层业务唯一键 + 唯一索引；④MQ 消费层 msgId 幂等表。最权威的是"数据库唯一约束 + 状态机"。

第四步：技术选型。Redis SET NX 做 token 校验（快、可过期）；MySQL 唯一索引做最终裁判（强）；本地状态机做业务层防重。

第五步：一致性。token 与订单号同源；消费幂等表与业务表同库同事务，保证"处理过"状态持久。

第六步：高可用。幂等存储（Redis/DB）本身需集群；唯一索引冲突即视为重复，不抛错给用户。

第七步：性能优化。幂等判断只在写入口做；读接口天然幂等不处理；幂等表按时间分片/定期清理。

瓶颈：唯一索引写竞争、幂等表膨胀、token 服务成为新单点。

为什么必须分层？只靠 DB 唯一索引，重复请求已打到库、浪费连接；前端+网关先挡掉 90% 重复，DB 只做"最终裁判"。

为什么用唯一索引而非先查后插？SELECT 再 INSERT 有并发竞态（两个线程都查到不存在然后都插入），唯一索引由数据库保证原子性，DuplicateKeyException 即重复。

状态机防重：支付回调重复到达，只有 待支付→已支付 成功，第二次 已支付→已支付 被拒绝，天然幂等，且不依赖外部存储。

权衡：Redis token 快但可能丢（需 DB 唯一索引兜底）；纯 DB 唯一索引可靠但每次写竞争。生产是"Redis 挡量 + DB 兜底"。

① 下单幂等（唯一索引兜底）：

public OrderResult create(OrderCmd cmd) {
    // 1. token 一次性校验
    if (!tokenSvc.consume(cmd.token(), cmd.userId()))
        return OrderResult.repeat();
    // 2. 唯一索引最终裁判
    try { orderMapper.insert(cmd.toOrder()); }
    catch (DuplicateKeyException e) { return OrderResult.exist(cmd.orderNo()); }
    return OrderResult.ok(cmd.orderNo());
}

② MQ 消费幂等：

@Transactional
public void onConsume(Message msg) {
    if (idempotentMapper.insertIgnore(msg.getMsgId()) == 0) return; // 已处理
    bizHandler.handle(msg); // 与幂等表同库同事务
}

1. Redis 锁怎么实现才安全？2. 什么是看门狗/锁续期？3. Redlock 为什么被质疑？4. 锁超时但业务没跑完怎么办？5. 资金级互斥该用 Redis 还是 ZK？6. 锁误释放怎么防？7. 锁和事务谁先谁后？

第一步：分析问题。分布式锁本质是在分布式系统里找一个"全局互斥点"。关键属性：互斥、死锁自由、容错、谁加锁谁释放。

第二步：核心挑战。网络延迟/GC 停顿导致"锁过期但业务还在跑"；Redis 主从切换导致锁丢失；误释放他人锁；红锁的 fencing 缺失。

第三步：整体架构。按可靠性分级：①协调类/可重入（互斥即可）→ Redisson（SET NX + 看门狗续期 + Lua 释放）；②强一致要求 → ZooKeeper/etcd 临时节点（顺序+watch，带 fencing token）；③资金级互斥 → 不用锁，用"唯一约束/状态机/TCC"。

第四步：技术选型。Redisson（基于 Redis，性能高，适合非资金互斥）；Curator/ZK（强一致，慢）；etcd（lease+watch，云原生友好）。

第五步：一致性。释放锁用 Lua 校验 value（唯一 token）再删，防误释放；Redlock 多节点多数派获取，但 Martin Kleppmann 指出仍需 fencing token 防 GC 致旧锁复活。

第六步：高可用。锁服务本身集群；业务侧"获取锁失败即快速失败或排队"，不让请求堆积；锁内业务必须可重入安全。

第七步：性能优化。锁粒度尽量小（行级而非表级）；锁外不做 IO；能用乐观锁/唯一索引替代就不加分布式锁。

瓶颈：Redlock 多节点 RTT、ZK 写性能、锁粒度过大导致串行。

为什么 Redlock 有争议？Martin Kleppmann 指出：即使多数派拿到锁，若持锁线程发生长时间 GC 停顿超过锁租期，锁过期，另一线程拿到锁，出现"双持锁"。Redis 无单调 fencing token，无法让旧锁操作失效。结论：Redlock 适合"互斥即可"场景，不适合"互斥正确性攸关资金"场景。

为什么用看门狗？固定 EX 过期，业务偶尔超时就被误释放。看门狗在业务未结束前自动续期（Redisson 默认 1/3 租期续一次），业务完成才释放。

为什么 Lua 释放？GET 再 DEL 有窗口：A 查到自己锁→A 锁过期→B 拿到锁→A 删了 B 的锁。Lua 原子校验 value 再删，杜绝误释放。

权衡：Redis 锁快但弱一致；ZK 锁慢但强一致带 fencing；etcd 介于其间且 K8s 原生。资金场景干脆不用锁，改用约束/状态机。

① Redisson 安全使用：

private final RedissonClient redisson;
public void safeRun() {
    RLock lock = redisson.getLock("job:report:day");
    if (!lock.tryLock(0, 30, TimeUnit.SECONDS)) return; // 抢不到即退出
    try { doReport(); }            // 看门狗后台自动续期
    finally { lock.unlock(); }   // 校验持有者后释放
}

② ZK 强一致锁（带 fencing，Curator）：

InterProcessMutex zkLock = new InterProcessMutex(client, "/locks/settle");
zkLock.acquire(); try { Long fence = zkLock.getFence(); settle(fence); } finally { zkLock.release(); }

1. 为什么不用同步 RPC 调 5 个服务？2. 本地事务 + 发 MQ 怎么保证原子？3. Outbox 表怎么设计？4. CDC 是什么、为什么用？5. 消费失败怎么办？6. 消息顺序有要求吗？7. 如何保证不漏发？

第一步：分析问题。这是典型"一个写、多个副作用"的最终一致问题。核心是本地事务与发消息的原子性——不能出现"库写了但消息没发"或反之。

第二步：核心挑战。本地 DB 事务与 MQ 发送不在同一事务；下游可能失败/慢；需保证 at-least-once 且消费者幂等。

第三步：整体架构。本地消息表(Outbox) + CDC 投递：下单时在同一 DB 事务里写订单表 + outbox 表（待发消息）；Debezium/Canal 监听 binlog 把 outbox 发到 Kafka；各消费者幂等处理。

第四步：技术选型。Outbox 表 + Debezium（基于 binlog，无侵入）/Canal；Kafka 做可靠管道；消费端 Redis/DB 幂等表。

第五步：一致性。事务提交则 outbox 必落库 → CDC 必捕获 → 必发出；消费端幂等保证重复无害。at-least-once + 幂等 = 最终一致。

第六步：高可用。CDC 集群多副本；outbox 有"已发/未发"状态，发失败可重投；消费失败入死信 + 告警。

第七步：性能优化。outbox 批量扫发；binlog 异步不阻塞主链路；只发必要字段。

瓶颈：CDC 消费滞后、Kafka 分区不均、下游幂等表写竞争。

为什么不用"先发 MQ 再写库"或"先写库再发 MQ"？前者 MQ 成功库失败→下游收到假消息；后者库成功 MQ 失败→下游收不到。两者都不原子。Outbox 把消息当数据写进同一库，靠 DB 事务保证原子，再由 CDC 异步搬运，彻底解决。

为什么用 CDC 而非定时扫 outbox？定时扫有延迟、且增加 DB 压力；CDC 基于 binlog 近实时、对业务零侵入、不抢主库连接。

为什么需要幂等？CDC 至少一次投递（如重平衡重发），消费端必须按业务键幂等，否则重复扣库存。

权衡：事务消息（RocketMQ）也能解决原子性但耦合 MQ；Outbox+CDC 与 MQ 解耦、可换管道，更适合异构下游，但引入 CDC 运维复杂度。

① 同事务写订单 + Outbox：

@Transactional
public void createOrder(OrderCmd cmd) {
    Order o = orderMapper.insert(cmd.toOrder());
    outboxMapper.insert(new Outbox("ORDER_CREATED", o.toJson(), "PENDING"));
} // 提交即两者都持久，CDC 必然捕获

② 消费端幂等：

@Transactional
public void onOrderCreated(OrderCreated ev) {
    if (idempotent.insertIgnore(ev.orderId(), "STOCK") == 0) return;
    stockSvc.deduct(ev.skuId(), ev.qty());
}

1. CAP 三选二怎么理解？2. 分区发生时注册中心该选 C 还是 A？3. 订单库分区怎么选？4. Redis 缓存分区怎么选？5. BASE 是什么？6. 最终一致何时可接受、何时不可？7. 如何度量"一致性窗口"？

第一步：分析问题。CAP 的精确含义：当网络分区 P 发生时，只能在一致性 C 与可用性 A 间选一。无分区时两者可兼得。所以讨论 CAP 实际是"分区时怎么选"。

第二步：核心挑战。不同组件对 C/A 的容忍度不同；错误选 A 会脏读/资损，错误选 C 会拒绝服务。

第三步：整体架构。按数据性质分级：①注册/配置中心 → 选 A（AP，短暂不一致可自愈，全站不能因配置中心挂而不可用）；②订单/账户核心库 → 选 C（CP，宁拒绝不可错账）；③缓存 → 选 A（AP，允许短暂脏读，最终回源）。

第四步：技术选型。注册中心 Nacos/Consul（AP 模式或 Raft CP）；订单库用主从+强一致写；缓存用 Redis 最终一致。

第五步：一致性。核心库靠主从同步+半同步；缓存靠"写后删/更新"最终一致，容忍秒级窗口。

第六步：高可用。注册中心多节点；核心库主从自动切换；缓存多副本。

第七步：性能优化。能放宽的 C 尽量放宽（缓存、计数），把强一致留给"金额/库存/订单状态"等少数核心。

瓶颈：CP 组件在分区时成为不可用点；AP 组件需业务容忍短暂不一致。

为什么注册中心选 A？注册中心短暂不一致（某节点列表旧）只会导致请求短暂打到旧实例，可重试自愈；但若选 C，注册中心主节点挂了全网无法发现服务 → 全站雪崩，代价更大。

为什么订单库选 C？金额写错是资损，不可接受；分区时拒绝部分写入（返回"系统繁忙"）比脏写安全。

BASE = Basically Available + Soft state + Eventual consistency。是 CAP 中 AP 的延伸工程化：基本可用（降级）、软状态（中间态存在）、最终一致。

权衡：不是"要么 C 要么 A"的永久选择，而是按子域分别决策。架构师的功力在于划清"哪些必须 C、哪些可 A"。

① 缓存与 DB 双写的最终一致（AP 容忍）：

public void updatePrice(Long skuId, BigDecimal price) {
    db.update(skuId, price);              // 先更源
    redis.delete("sku:" + skuId);    // 删缓存，下次读回源（Cache-Aside）
}                                        // 短暂窗口内可能读到旧值（AP 可接受）

② 核心写入强一致（CP 保护）：

// 订单状态变更走状态机 + 行锁，分区时主库不可达即失败，绝不脏写
orderMapper.updateWithVersion(o); // 乐观锁 version 防并发脏写

1. 雪花结构怎么设计？2. 时钟回拨为什么危险？3. 回拨 30ms 怎么处理？4. 回拨几秒怎么办？5. 机器号如何分配不冲突？6. 序列号溢出怎么办？7. 还有哪些方案（号段/UUID）？

第一步：分析问题。分布式 ID 要解"全局唯一 + 有序 + 高性能"。雪花用"时间戳+机器+序列"组合，单节点内存生成无中心依赖，但依赖时钟单调递增。

第二步：核心挑战。时钟回拨产生重复 ID；机器号分配冲突；单节点序列溢出；不同数据中心时钟漂移。

第三步：整体架构。雪花（工作机号由部署平台分配）+ 时钟回拨防御（等待/缓存上次最大 + 报警）+ 号段(Leaf-segment)作备用。

第四步：技术选型。Snowflake（简单高性能）；美团 Leaf（号段 + snowflake 双模式）；百度 UidGenerator（解决时钟回拨+机器号由数据库分配）；Redis INCR（简单但有中心）。

第五步：一致性。机器号全局唯一（注册中心/配置分配）保证不同节点不撞；同节点靠序列+时间戳保证不重复。

第六步：高可用。时钟回拨防御保证不产重复；号段模式可预取缓存，DB 短暂不可用仍发号。

第七步：性能优化。号段预取（一次取 1000 个缓存在内存）；序列号 12 位支持单节点 4096/ms。

瓶颈：时钟回拨、workId 冲突、单节点 4096/s 上限（实际够，不够则多实例）。

为什么不用 AUTO_INCREMENT？单点瓶颈、暴露业务量、跨库分片无法全局有序。但分库分表内仍可用步长自增（如 32 库各 id%32）。

为什么时钟回拨危险？回拨后时间戳变小，若序列号也重置，可能与历史 ID 完全相同 → 主键冲突/幂等失效。防御：记录 lastTimestamp，回拨时等待；或回拨量大时用"扩展位/历史最大+1"。

为什么用号段？Leaf-segment 从 DB 取一段号（如 1~1000）缓存在内存，DB 挂不影响发号；缺点是 ID 不连续、可预测。

权衡：雪花高性能但怕时钟；号段稳但 ID 可预测；UidGenerator 用"原子级"解决回拨。按业务选：订单用雪花（或号段），内部流水可用 UUID。

① 雪花（含回拨防御）：

public synchronized long nextId() {
    long ts = System.currentTimeMillis();
    if (ts < lastTs) {                       // 时钟回拨
        long delta = lastTs - ts;
        if (delta <= 5) { ts = waitUntil(lastTs); }  // 小幅：等追平
        else { throw new ClockBackException(delta); } // 大幅：报警切备用
    }
    seq = (ts == lastTs) ? (seq + 1) & MASK : 0;
    if (seq == 0 && ts == lastTs) ts = nextMillis();
    lastTs = ts;
    return (ts << 22) | (workId << 12) | seq;
}

1. 普通取模扩容的问题？2. 一致性 Hash 怎么解决？3. 虚拟节点解决什么？4. 数据倾斜怎么办？5. 分库分表路由怎么做？6. Redis Cluster 的槽位？7. 热点 key 如何再打散？

第一步：分析问题。分片路由要解决两件事：①均匀分布；②扩缩容时迁移成本最低；③热点可打散。

第二步：核心挑战。取模法扩容迁移率近 100%；节点性能不均导致倾斜；单 key 热点。

第三步：整体架构。用一致性 Hash（带虚拟节点）做缓存路由（扩缩容仅迁移 1/N 数据）；分库分表用"基因法 + 范围/取模混合"；Redis Cluster 用 16384 固定哈希槽（槽可在节点间迁移，与节点数解耦）。

第四步：技术选型。缓存：一致性 Hash + 虚拟节点；分库分表：ShardingSphere（取模/基因/范围）；Redis Cluster：哈希槽。

第五步：一致性。路由规则全局一致（配置中心下发），避免不同节点算到不同库。

第六步：高可用。虚拟节点让单物理节点失效时流量均摊到其他节点；槽迁移在线进行不中断。

第七步：性能优化。热点 key 加随机后缀（如 sku:123:{0..99}）拆分为多个子 key 分散读。

瓶颈：虚拟节点数不足仍倾斜；槽迁移时的双写/原子切换；热点 key 单点。

为什么取模扩容灾难？k % 8 → k % 16 只有 1/16 的 key 命中旧位置，其余需重分布，缓存全失效、DB 被打穿。

为什么虚拟节点？物理节点少时 Hash 环上分布稀疏，易倾斜；每个物理节点映射成多个虚拟节点，key 更均匀落到各物理机。

为什么 Redis 用固定 16384 槽？槽与节点数解耦：扩缩容迁移"槽"而非"key 直接按节点算"；槽数固定使客户端/集群元数据稳定，迁移粒度可控。

权衡：一致性 Hash 适合缓存（允许失效重加载）；分库分表因要稳定路由多用取模+基因法（避免跨片查询），迁移靠双写/CDC 灰切。

① 一致性 Hash（带虚拟节点）：

TreeMap<Long, String> ring = new TreeMap<>();   // hash → 物理节点
void addNode(String node) {
    for (int i = 0; i < VNODES; i++)
        ring.put(hash(node + "#" + i), node);
}
String route(String key) {
    Long h = hash(key);
    Map.Entry<Long,String> e = ring.ceilingEntry(h);
    return e == null ? ring.firstEntry().getValue() : e.getValue(); // 顺时针
}

② 热点打散读取：

String k = "sku:" + skuId + ":" + (ThreadLocalRandom.current().nextInt(SUB)); // 写时全量写，读时随机取一副本

1. @Scheduled 在集群下的问题？2. 如何保证只跑一次？3. 分片广播怎么实现？4. 任务失败如何重试？5. 执行中实例宕机怎么办？6. 任务幂等怎么做？7. XXL-JOB / Elastic-Job 区别？

第一步：分析问题。单机 @Scheduled 集群下会每个实例都跑 → 重复。需"调度中心统一编排 + 执行器分片 + 执行幂等"。

第二步：核心挑战。重复执行、大数据量串行慢、失败无重试、宕机任务丢失、缺乏监控。

第三步：整体架构。引入调度中心（XXL-JOB Admin / Elastic-Job / SchedulerX）：触发时选一个执行器执行（或分片广播到所有执行器并行处理不同分片）；任务有失败重试、超时告警、执行日志。

第四步：技术选型。XXL-JOB（轻量、易上手、Bean/GLUE 模式）；Elastic-Job（基于 ZooKeeper、弹性分片）；阿里 SchedulerX（云原生、可视化强）。

第五步：一致性。调度中心用 DB 锁/选主保证"同一任务同一时刻只有一个触发"；分片参数下每个执行器处理指定分片；业务按分片键幂等。

第六步：高可用。调度中心集群 + DB；执行器多实例，宕机任务由其他实例接管（失效转移）；分片重平衡。

第七步：性能优化。分片并行（8 实例各处理 1/8）；每分片内线程池批量；任务拆小步可断点续跑。

瓶颈：分片不均、单分片过大、DB 锁竞争、重试风暴。

为什么不用 @Scheduled？集群每实例各跑一次，重复对账/重复发账单。除非加分布式锁兜底，但失去调度能力（重试/监控/分片）。

为什么分片广播？千万数据单线程 40 分钟；分片后 8 实例并行，每实例处理 1/8，时间降到约 1/8（理想）。分片键用 user_id % shardTotal。

为什么还要业务幂等？重试/失效转移可能让同一分片被两个实例各跑一次；按 biz_date + shard 唯一约束，重复执行安全。

权衡：XXL-JOB 简单够用；Elastic-Job 弹性分片更强但依赖 ZK；云上直接用 SchedulerX 省运维。

① XXL-JOB 分片执行：

@XxlJob("settleJob")
public void settle() {
    int idx = XxlJobHelper.getShardIndex();
    int total = XxlJobHelper.getShardTotal();
    long max = userIdMax();
    for (long u = idx; u <= max; u += total)   // 本分片负责 user%total==idx
        settleOne(u);
}

② 业务幂等防重：

try { settleLogMapper.insert(bizDate, shard); }  // 唯一键 (biz_date,shard)
catch (DuplicateKeyException e) { return; }     // 已跑过，跳过

1. JWT 与 Session 本质区别？2. JWT 怎么验签不查库？3. 注销/踢人怎么做？4. JWT 过期与刷新？5. 令牌泄露怎么办？6. 网关怎么统一鉴权？7. 什么时候该用 Session？

第一步：分析问题。鉴权要解决"我是谁 + 我有什么权限 + 怎么可信"。Session 把状态存服务端，JWT 把状态放令牌里（无状态）。

第二步：核心挑战。Session 集中存储成瓶颈 + 需共享；JWT 无法主动失效 + 体积大；两者都要防泄露。

第三步：整体架构。JWT（短期访问令牌）+ Redis 黑名单（仅存已注销 jti）+ 刷新令牌：网关验 JWT 签名（本地公钥，不查库）；注销把 jti 加黑名单（短 TTL）；刷新令牌长有效期存 Redis，可吊销实现踢人。

第四步：技术选型。JWT（RS256 非对称，网关用公钥验签）；Redis 存黑名单/刷新令牌；Spring Security + 资源服务器（Gateway 统一 OAuth2 资源校验）。

第五步：一致性。黑名单在各网关节点共享（Redis）；令牌时钟用 NTP 同步防 exp 误判。

第六步：高可用。JWT 无状态天然水平扩展；黑名单 Redis 集群；刷新令牌可轮换。

第七步：性能优化。网关只验签不查库（20 万 QPS 无压力）；黑名单用布隆过滤器前置减少 Redis 查询。

瓶颈：黑名单查询（布隆过滤缓解）、JWT 体积、时钟漂移。

为什么 JWT 能不查库？签名（RS256）由授权服务私钥签、网关公钥验，篡改即失效；claims 自带 userId/roles/exp，网关本地解析即可，无需访问用户库。把"状态"从服务端搬到令牌。

为什么 JWT 难注销？令牌自包含、服务端无状态，无法"让某令牌失效"。方案：①短 exp（15m）+ 刷新；②注销时把 jti 加黑名单（只存到令牌自然过期）；③踢人=删刷新令牌。

为什么还要 Redis？纯 JWT 无法主动失效，黑名单/刷新令牌仍需 Redis——所以"完全无状态"是误解，JWT 是把高频读（鉴权）无状态化，低频写（注销）仍用 Redis。

权衡：Session 适合"需频繁吊销、服务端可控"场景（如后台管理）；JWT 适合"无状态、跨域、微服务网关统一校验"场景。

① 网关验签（Spring Security 资源服务器）：

// 资源服务器用公钥验证 JWT，无需查用户库
public JwtDecoder jwtDecoder() {
    return NimbusJwtDecoder.withPublicKey(publicKey).build();
}
// 黑名单过滤：已注销 jti 拒绝
if (bloom.mightContain(jti) && redis.has(jti)) throw new RevokedException();

② 注销（加入黑名单，TTL=令牌剩余有效期）：

public void logout(String jti, long ttlSec) {
    redis.set("bl:" + jti, "1", Duration.ofSeconds(ttlSec)); // 仅存到令牌自然过期即失效
}

1. 配置中心要解决什么？2. 动态推送怎么实现（长轮询 vs 长连接）？3. 灰度发布怎么做？4. 配置热更新踩过什么坑？5. 回滚怎么做？6. 配置和代码如何解耦？7. Nacos vs Apollo 区别？

第一步：分析问题。配置中心把"会变的环境参数"从代码剥离，要求：实时推送、灰度、回滚、审计、高可用。

第二步：核心挑战。推送实时性、全量推送风暴、热更新导致 Bean 重建副作用、误改全局影响、配置版本管理。

第三步：整体架构。配置中心（Nacos/Apollo）存配置 + 版本；客户端长连接/长轮询监听变更；变更按"集群/App/IP"维度灰度下发；本地缓存兜底（断网用上次值）；管理端支持回滚。

第四步：技术选型。Nacos（动态服务发现+配置一体，长连接推送）；Apollo（灰度/回滚/审计强，长轮询）；Spring Cloud Config（Git 后端，需配合 bus）。

第五步：一致性。配置版本号递增；客户端拿到新版本校验后生效；本地文件缓存保证配置中心宕机仍可启动。

第六步：高可用。配置中心集群；客户端本地快照；推送失败定时补偿拉取。

第七步：性能优化。只推送变更 key（增量）；灰度缩小影响面；高频配置（限流）走本地内存 + 监听。

瓶颈：全量推送风暴、热更新 Bean 重建、误改全局。

① Nacos 监听配置变更：

configService.addListener(dataId, group, new Listener() {
    public void receiveConfigInfo(String cfg) {
        LimitConfig c = parse(cfg);
        if (c.threshold() <= 0) { log.error("阈值非法，拒绝"); return; } // 防误改
        limiter.update(c);                     // 热更新限流阈值
    }
});

② 安全热更（只用可变开关，不动连接池）：

@RefreshScope // 仅用于无副作用的纯配置 Bean
@Configuration
public class SwitchConfig { @Value("${feature.x:false}") boolean x; }

1. 什么是单元化(SET 化)？2. 用户怎么路由到归属单元？3. 单元内如何闭环？4. 跨单元写怎么保证最终一致？5. 单元故障如何切流？6. 脑裂怎么防？7. 和"同城双活/异地多活"区别？

第一步：分析问题。跨地域部署的核心矛盾是延迟与一致性：强一致写必须靠近数据，所以把"数据 + 计算"按用户归属切成一个个自包含单元，让绝大多数请求在单元内闭环。

第二步：核心挑战。路由正确性（用户归属稳定）、跨单元写、数据同步延迟与冲突、单元故障流量切换、脑裂。

第三步：整体架构。单元化(SET)：每个单元 = 接入层 + 应用 + 数据库，自包含处理本单元用户；全局数据（用户中心/配置）多单元同步；跨单元请求经"跨单元同步通道"(Canal/DRC)最终一致。

第四步：技术选型。单元路由（网关按 uid 归属地/哈希）；数据同步用阿里 DRC / Canal / TiDB Placement Driver；全局配置走配置中心多单元推送。

第五步：一致性。单元内主从强一致；跨单元 CDC 异步同步 + 冲突裁决（业务维度，如 last-write-win 或人工）；核心资金仍走总部单元。

第六步：高可用。单元故障 → DNS/网关把该单元流量切到其他单元（需数据已同步）；多活避免单点。

第七步：性能优化。路由本地化让 95%+ 请求单元内闭环；跨单元调用批量/异步；同步通道压缩。

瓶颈：跨单元写延迟、同步延迟导致短暂不一致、切流时数据完整性。

为什么不直接所有机房连同一 DB？跨地域 RTT 50~100ms，一次写涉及多次交互，事务持有锁过久，吞吐崩塌且任一链路抖全都卡。

单元化 vs 同城双活 vs 异地多活：同城双活（同城市两机房，低延迟可强一致）；单元化（按用户分片，各单元自治，跨单元最终一致）；异地多活（多地域均可写，复杂度最高）。单元化是异地多活的主流落地形态。

脑裂防护：切流时旧单元可能还在收写，用租约/ fencing token 让旧单元写失效，避免双写。路由层用全局一致的用户归属表。

权衡：单元化牺牲"全局强一致跨单元"换"局部高可用与低延迟"，适合用户态、地域亲和业务；不适合强全局一致（如全局库存）的场景。

① 单元路由（按 uid 归属）：

public String routeUnit(Long uid) {
    // 归属地稳定映射；变更走配置中心灰度
    return unitMap.getOrDefault(uid % 3, "east");
}
// 跨单元写：投到目标单元 MQ，目标单元处理后 CDC 回写
crossMq.send(targetUnit, buildCrossEvent(uid, order));

② 切流防护（fencing）：

// 单元切换时旧单元拿不到租约，写被拒绝
if (!leaseMgr.hold(unit)) throw new UnitFencedException();

1. 单机限流为什么不够？2. 集群限流怎么计数？3. Redis 方案性能与精度？4. Sentinel 集群流控原理？5. 限流误判/组件故障怎么办？6. 滑动窗口 vs 令牌桶？7. 热点参数限流？

第一步：分析问题。限流有三维度：接口级（保护系统）、用户级（防刷）、IP 级（防攻击）。单机限流无法约束"集群总和"与"跨节点单用户"，需集中计数。

第二步：核心挑战。集群计数一致性、限流本身性能/RTT、故障 fail-open/close、精度与开销权衡。

第三步：整体架构。多层：WAF(粗) → 网关集群流控(全局 Token/窗口) → 服务单机(Sentinel 兜底)。集群计数用 Redis（Lua 原子）或 Sentinel Token Server。

第四步：技术选型。Guava RateLimiter（单机）；Sentinel（单机+集群流控，Token Server 模式）；Redis + Lua 令牌桶/滑动窗口；Nginx limit_req。

第五步：一致性。Redis INCR/Lua 原子自增 + TTL 实现窗口计数；Token Server 集中发放令牌保证全局精确。

第六步：高可用。限流组件故障默认fail-open（放行）避免误杀；Redis 集群；本地单机限流兜底。

第七步：性能优化。本地预取令牌（一次取一批）、滑动窗口近似计数、批量上报减 RTT。

瓶颈：Redis 计数 RTT、热点 key（单用户计数）、Token Server 单点。

为什么单机限流不够？集群总闸需全局视图；单用户可能全打一个节点，单机看不到全局，击穿。

Redis 滑动窗口（Lua）：用 ZSET 存请求时间戳，统计窗口内数量，超过阈值拒绝；Lua 保证"计数+判断"原子，避免并发超放。

Sentinel 集群流控：独立 Token Server 统一发令牌，各节点向 Server 取令牌，精度高但 Server 需高可用（可嵌入模式降级为单机）。

fail-open vs fail-close：限流组件挂，fail-open 放行（宁可风险不误杀），fail-close 拒绝（保系统但可能误伤正常流量）。一般限流选 fail-open，熔断选 fail-close。

权衡：Redis 方案简单但有 RTT（≈1ms/请求）；Token Server 精确但有单点；生产常"Redis 集群流控 + 本地单机兜底"。

① Redis 滑动窗口限流（Lua）：

-- KEYS[1]=limit:api  ARGV[1]=now(ms) ARGV[2]=window ARGV[3]=max
redis.call('ZREMRANGEBYSCORE', KEYS[1], 0, ARGV[1]-ARGV[2])
local n = redis.call('ZCARD', KEYS[1])
if n >= tonumber(ARGV[3]) then return 0 end   -- 超阈拒绝
redis.call('ZADD', KEYS[1], ARGV[1], ARGV[1]); redis.call('PEXPIRE', KEYS[1], ARGV[2])
return 1

② Sentinel 规则：

FlowRule r = new FlowRule("createOrder").setCount(100000).setGrade(RuleConstant.FLOW_GRADE_QPS);
r.setClusterMode(true);  // 集群流控，Token Server 统一发放

1. 可观测性三大支柱？2. TraceID 怎么跨服务透传？3. 采样率怎么定？4. Metrics/Logs/Tracing 怎么关联？5. MQ 异步链路怎么追踪？6. 探针性能开销？7. SkyWalking vs Jaeger 区别？

第一步：分析问题。微服务下"一次请求 = 多次跨进程调用"，靠日志 grep 已不可能。需要把指标(Metrics)、日志(Logs)、链路(Tracing)打通。

第二步：核心挑战。TraceID 透传（含 MQ/线程池）、数据量爆炸、低开销、关联查询。

第三步：整体架构。OpenTelemetry 统一埋点 → W3C TraceID/SpanID 透传 → Collector → Tracing(SkyWalking/Jaeger) + Metrics(Prometheus+Grafana) + Logs(ELK)，三者用 TraceID 关联。

第四步：技术选型。OpenTelemetry（标准 SDK）；SkyWalking（Java 字节码探针，零侵入）；Jaeger（Tracing）；Prometheus（指标）；ELK/Loki（日志）。

第五步：一致性。同一请求 TraceID 贯穿所有服务（HTTP header traceparent、MQ message property）；日志打 TraceID 便于关联。

第六步：高可用。Collector 集群、采样降量、异步上报不阻塞业务；存储按保留期分层。

第七步：性能优化。采样（常规 1%~10%，异常/慢链路 100%）；探针开销 < 5%；关键路径全采。

瓶颈：数据量、存储成本、透传遗漏（线程池/MQ 丢 context）、采样导致漏抓偶发慢链路。

为什么用 OpenTelemetry？厂商中立标准，一套埋点可后端接 Jaeger/SkyWalking/Zipkin，避免绑定。

透传是灵魂：HTTP 用 W3C traceparent；但线程池/ MQ/异步会丢 context（新线程无旧 ThreadLocal），必须显式传递（TaskDecorator / MQ 生产者塞 property / 消费者取出恢复）。漏传=链路断裂。

采样策略：全量采数据量太大（30 服务 × 10 万 QPS）；常规 1%~10% 采样；但对错误/慢(>1s)/关键业务 100% 采样，既控成本又保排查。

权衡：SkyWalking 零侵入（字节码增强）但绑定生态；Jaeger 轻量标准但需手动埋点；Prometheus 拉模型适合指标，不适合链路。

① 线程池透传 TraceID（Spring TaskDecorator）：

public class TracingDecorator implements TaskDecorator {
    public Runnable decorate(Runnable r) {
        var ctx = Context.current();   // 捕获当前 trace context
        return () -> ctx.makeCurrent().close(); try { r.run(); } finally {};
    }
}
// @Async 线程池 setTaskDecorator(new TracingDecorator()) 防链路断裂

② MQ 透传（生产者塞 property，消费者恢复）：

producer.send(msg.setProperty("trace_id", Tracing.currentTraceId()));
// 消费端：Tracing.startWith(msg.getProperty("trace_id")) 恢复链路

1. 为什么需要对账？2. 三方对账怎么做？3. 长款/短款/错账是什么？4. 实时对账怎么实现？5. 掉单怎么补救？6. 差错处理流程？7. 数据量大怎么加速？

第一步：分析问题。分布式系统中"本地成功 ≠ 对方成功"，靠对账兜底发现并纠正不一致。本质是对多源数据的集合差集与字段比对。

第二步：核心挑战。数据量（千万级）、格式不一、延迟、差错裁决、补账幂等。

第三步：整体架构。离线对账（T+1）：渠道流水文件/内部流水按"业务流水号"join 比对；实时对账：Canal 捕获平台库 binlog vs 渠道回调，延迟窗口内比对。差错入差错表，按类型处理（补账/冲正/挂账）。

第四步：技术选型。离线：Spark/Flink/DataX 批处理；实时：Canal + Flink CEP；存储：MySQL/ES（差错检索）；比对键：渠道流水号/平台订单号。

第五步：一致性。以"权威方"（通常银行流水为准）比对；补账走幂等（唯一流水号），避免重复补。

第六步：高可用。对账任务幂等可重跑；差错告警；人工复核通道。

第七步：性能优化。按天/按渠道分片并行；建索引；增量对账（只比当日）。

瓶颈：千万级 join 性能、时区/金额精度、渠道文件延迟、补账幂等。

三方对账：平台流水、渠道流水、内部账户三方两两比对，以"渠道为准"校验平台是否漏记/多记。掉单（渠道成功平台无）= 最危险，需实时发现补账。

长款/短款：长款=平台记录多于渠道（可能重复入账）；短款=渠道成功平台未记（掉单，资损风险）。错账=都存在但金额/状态不符。

实时 vs 离线：离线 T+1 全面但慢；实时用 Canal 捕获平台库变更 + 渠道回调，在延迟窗口（如 5min）内比对，发现掉单立即告警补账，缩小资损窗口。

补账幂等：补账按"原渠道流水号"唯一，重复补账 INSERT IGNORE，绝不重复入账。

权衡：离线准确但滞后；实时快但需处理延迟/乱序；生产两者结合，实时缩窗口、离线终态兜底。

① 离线比对（按流水号 join）：

// 平台流水 Map<bizNo, Order> vs 渠道流水 Map<bizNo, ChannelTx>
channelMap.forEach((bizNo, ch) -> {
    Order o = platformMap.get(bizNo);
    if (o == null) diffDao.insert(new Diff(bizNo, SHORT, "掉单")); // 渠道有平台无
    else if (!o.amount().equals(ch.amount())) diffDao.insert(new Diff(bizNo, MISMATCH, "金额不符"));
});

② 补账（幂等）：

@Transactional
public void repairDrop(String bizNo, BigDecimal amt) {
    if (repairLog.insertIgnore(bizNo) == 0) return; // 已补过
    accountSvc.credit(bizNo, amt);                    // 补入账
}

1. 对象存储 vs 文件/HDFS？2. 为什么直传而非过业务服务器？3. 分片上传与断点续传？4. 秒传怎么实现？5. 权限与防盗链？6. 冷热如何分层降本？7. 多副本 vs 纠删码？

第一步：分析问题。非结构化海量文件的核心是：写入降本（直传/分片）、读取提速（CDN）、存储降本（分层/去重）、安全（权限）。对象存储（KV 语义）比文件系统/块存储更适合。

第二步：核心挑战。大文件上传稳定性、去重、权限泄露、成本、跨地域。

第三步：整体架构。客户端 → 向业务申请签名 URL → 直传对象存储（OSS/COS/S3）→ CDN 回源加速读 → 生命周期策略自动转低频/归档。秒传靠内容哈希去重。

第四步：技术选型。托管对象存储（阿里 OSS/腾讯 COS/AWS S3）；自建 MinIO/Ceph；CDN；计算哈希用 MD5/SHA256；纠删码降存储成本。

第五步：一致性。多副本/EC 保证持久；读最终一致（版本化）；元数据（文件索引）存 DB。

第六步：高可用。多 AZ 冗余、跨区域复制、CDN 边缘缓存。

第七步：性能优化。分片并发上传、CDN 缓存热点、冷热分层、去重省空间。

瓶颈：大文件上传超时、CDN 回源带宽、冷数据取回延迟、权限泄露。

为什么直传而非过服务器？文件过业务服务器占用带宽/连接池、成瓶颈；签名 URL 让客户端直连 OSS，业务只签发临时凭证，安全且省资源。

分片上传：大文件切成 5~10MB 片并发上传，每片独立重试；记录已传分片实现断点续传；全部完成合并。

秒传：上传前算内容哈希，查存储已有则直接返回已有 key（不重复传），省带宽。注意哈希碰撞——关键文件用 SHA256。

冷热分层：标准存储贵但立取；归档便宜 10 倍但取回需分钟级。按访问频率生命周期自动沉降，成本降数倍。

权衡：托管 OSS 省运维但绑定+流量费；自建 MinIO/Ceph 灵活但运维重；多副本简单可靠但空间 3 倍，EC 省空间但重建慢。

① 签发上传签名 URL（OSS 风格）：

// 业务侧：临时、限定 key 与过期，客户端拿此 URL 直传，不过业务服务器
GeneratePresignedUrlRequest req = new GeneratePresignedUrlRequest(bucket, key);
req.setExpiration(Date.from(Instant.now().plusSeconds(300)));
URL url = ossClient.generatePresignedUrl(req);  // 返回给客户端直传

② 秒传（哈希查重）：

public String upload(MultipartFile f) {
    String hash = Sha256.of(f);                  // 内容哈希
    return fileMetaDao.findByHash(hash)        // 已存在 → 秒传直返 key
        .map(FileMeta::key).orElseGet(() -> doStore(f, hash));
}