《PHP程序员面试笔试宝典》——如何回答系统设计题？

时间：2018-11-30 00:33:18 阅读：334 评论：0 收藏：0 [点我收藏+]

标签：hba 为什么 google 插入 hdfs 淘宝远程机器高并发关键技术

如何巧妙地回答面试官的问题？

本文摘自《PHP程序员面试笔试宝典》

应届生在面试时，偶尔也会遇到一些系统设计题，而这些题目往往只是测试求职者的知识面，或者测试求职者对系统架构方面的了解，一般不会涉及具体的编码工作。虽然如此，对于此类问题，很多人还是感觉难以应对，也不知道从何处答题。

如何应对此类题目呢？在正式介绍基础知识之前，首先列举几个常见的系统设计相关的面试、笔试题。

题目1：设计一个DNS的Cache结构，要求能够满足5000次/s以上的查询，满足IP数据的快速插入，查询的速度要快（题目还给出了一系列的数据，比如站点数总共为5000万、IP地址有1000万等）。

题目2：有N台机器，M个文件，文件可以以任意方式存放到任意机器上，文件可任意分割成若干块。假设这N台机器的宕机率小于33%，要想在宕机时可以从其他未宕机的机器中完整导出这M个文件，求最好的存放与分割策略。

题目3：假设有30台服务器，每台服务器上面都存有上百亿条数据（有可能重复），如何找出这30台机器中，根据某关键字重复出现次数最多的前100条？要求使用Hadoop来实现。

题目4：设计一个系统，要求写速度尽可能快，并说明设计原理。

题目5：设计一个高并发系统，说明架构和关键技术要点。

题目6：有25TB的log(query->queryinfo)，log在不断地增长，设计一个方案，给出一个query能快速返回queryinfo。

以上所有问题中凡是不涉及高并发的，基本可以采用Google的三个技术解决，即GFS、MapReduce和Bigtable，这三个技术被称为“Google三驾马车”。Google只公开了论文而未开源代码，开源界对此非常有兴趣，仿照这三篇论文实现了一系列软件，如Hadoop、HBase、HDFS及Cassandra等。

在Google这些技术还未出现之前，企业界在设计大规模分布式系统时，采用的架构往往是DataBase+Sharding+Cache，现在很多网站（比如淘宝网、新浪微博）仍采用这种架构。在这种架构中，仍有很多问题值得去探讨，如采用哪种数据库，是SQL界的MySQL还是NoSQL界的Redis/TFS，两者有何优劣？采用什么方式sharding（数据分片），是水平分片还是垂直分片？据网上资料显示，淘宝网、新浪微博图片存储中曾采用的架构是Redis/MySQL/ TFS+Sharding+Cache，该架构解释如下：前端Cache是为了提高响应速度，后端数据库则用于数据永久存储，防止数据丢失，而Sharding是为了在多台机器间分摊负载。最前端由大块的Cache组成，要保证至少99%（淘宝网图片存储模块是真实的）的访问数据落在Cache中，这样可以保证用户访问速度，减少后端数据库的压力。此外，为了保证前端Cache中的数据与后端数据库中的数据一致，需要有一个中间件异步更新（为什么使用异步？理由是，同步代价太高）数据。新浪有个开源软件叫Memcachedb（整合了Berkeley DB和Memcached），正是用于完成此功能。另外，为了分摊负载压力和海量数据，会将用户微博信息经过分片后存放到不同节点上（称为“Sharding”）。

这种架构优点非常明显—简单，在数据量和用户量较小时完全可以胜任。但缺点是扩展性和容错性太差，维护成本非常高，尤其是数据量和用户量暴增之后，系统不能通过简单地增加机器解决该问题。

鉴于此，新的架构应运而生。新的架构仍然采用Google公司的架构模式与设计思想，以下将分别就此内容进行分析。

GFS 是一个可扩展的分布式文件系统，用于大型的、分布式的、对大量数据进行访问的应用。它运行于廉价的普通硬件上，提供容错功能。现在开源界有HDFS（Hadoop Distributed File System），该文件系统虽然弥补了数据库+Sharding的很多缺点，但自身仍存在一些问题，比如由于采用master/slave架构，因此存在单点故障问题；元数据信息全部存放在master端的内存中，因而不适合存储小文件，或者说如果存储大量小文件，那么存储的总数据量不会太大。

MapReduce 是针对分布式并行计算的一套编程模型。其最大的优点是，编程接口简单，自动备份（数据默认情况下会自动备三份），自动容错和隐藏跨机器间的通信。在Hadoop中，MapReduce作为分布计算框架，而HDFS作为底层的分布式存储系统，但MapReduce不是与HDFS耦合在一起的，完全可以使用自己的分布式文件系统替换HDFS。当前MapReduce有很多开源实现，如Java实现Hadoop MapReduce、C++实现Sector/sphere等，甚至有些数据库厂商将MapReduce集成到数据库中了。

BigTable 俗称“大表”，是用来存储结构化数据的。编者认为，BigTable开源实现最多，包括HBase、Cassandra和levelDB等，使用也非常广泛。

除了Google的这“三驾马车”以外，还有其他一些技术可供学习与使用。

Dynamo 亚马逊的key-value模式的存储平台，可用性和扩展性都很好，采用DHT（Distributed Hash Table）对数据分片，解决单点故障问题，在Cassandra中也借鉴了该技术，在BT和电驴这两种下载引擎中，也采用了类似算法。

虚拟节点技术该技术常用于分布式数据分片中。具体应用场景：有一大块数据（可能TB级或者PB级），需按照某个字段（key）分片存储到几十（或者更多）台机器上，同时想尽量负载均衡且容易扩展。传统做法是：Hash(key) mod N，这种方法最大的缺点是不容易扩展，即增加或者减少机器均会导致数据全部重分布，代价太大。于是新技术诞生了，其中一种是上面提到的DHT，现在已经被很多大型系统采用，还有一种是对“Hash(key) mod N”的改进：假设要将数据分布到20台机器上，传统做法是Hash(key) mod 20，而改进后，N取值要远大于20，比如是20000000，然后采用额外一张表记录每个节点存储的key的模值，比如：

node1：0～1000000

node2：1000001～2000000

……

这样，当添加一个新的节点时，只需将每个节点上部分数据移动给新节点，同时修改一下该表即可。

Thrift Thrift是一个跨语言的RPC框架，分别解释“RPC”和“跨语言”如下：RPC是远程过程调用，其使用方式与调用一个普通函数一样，但执行体发生在远程机器上；跨语言是指不同语言之间进行通信，比如C/S架构中，Server端采用C++编写，Client端采用PHP编写，怎样让两者之间通信，Thrift是一种很好的方式。

本篇最前面的几道题均可以映射到以上几个系统的某个模块中。

1）关于高并发系统设计，主要有以下几个关键技术点：缓存、索引、数据分片及锁粒度尽可能小。

2）题目2涉及现在通用的分布式文件系统的副本存放策略。一般是将大文件切分成小的block（如64MB）后，以block为单位存放三份到不同的节点上，这三份数据的位置需根据网络拓扑结构配置，一般而言，如果不考虑跨数据中心，可以这样存放：两个副本存放在同一个机架的不同节点上，而另外一个副本存放在另一个机架上，这样从效率和可靠性上，都是最优的（这个Google公布的文档中有专门的证明，有兴趣的读者可参阅一下）。如果考虑跨数据中心，可将两份存在一个数据中心的不同机架上，另一份放到另一个数据中心。

3）题目4涉及BigTable的模型。主要思想：将随机写转化为顺序写，进而大大提高写速度。具体方法：由于磁盘物理结构的独特设计，其并发的随机写（主要是因为磁盘寻道时间长）非常慢，考虑到这一点，在BigTable模型中，首先会将并发写的大批数据放到一个内存表（称为“memtable”）中，当该表大到一定程度后，会顺序写到一个磁盘表（称为“SSTable”）中，这种写是顺序写，效率极高。此时，随机读可不可以这样优化？答案是：看情况。通常而言，如果读并发度不高，则不可以这么做，因为如果将多个读重新排列组合后再执行，系统的响应时间太慢，用户可能接受不了，而如果读并发度极高，也许可以采用类似机制。