面灵AI→

拼多多 C++ 二面:秒杀全链路、缓存三兄弟、无锁环形队列与两个手撕

轮次
二面
时间
2026-11
来源
牛客网

《面试题目》

  1. 你先讲一下你们秒杀系统的全链路,从用户点按钮到订单落库,每一层做了什么?
  2. 1000 件库存、10 万人抢,你怎么防超卖?库存分桶具体怎么分?
  3. 缓存穿透、击穿、雪崩,你在项目里分别用什么手段解决的?
  4. Redis 和 DB 的一致性你们怎么保证?为什么是删缓存而不是更新缓存?
  5. MQ 削峰你们怎么做的?如果消费端积压了 500 万条消息,你怎么处理?
  6. 手撕:单生产者单消费者的无锁环形队列怎么写?
  7. 手撕:最小堆的 push 和 pop 怎么实现?
  8. 追问:10 亿个整数里找最大的 k 个,怎么做?

《参考解析》

秒杀全链路。分五层讲:接入层把静态页全部推 CDN,按钮先置灰并在本地做倒计时,开抢前才放行;网关层按 userId 与 IP 双维度令牌桶限流,超阈值直接返回「活动太火爆」,挡掉绝大部分流量;扣减层把库存预热到 Redis,用 Lua 脚本把「判断余量 + 扣减 + 记录用户已购」做成一次原子操作,整个判断在内存里完成,数据库不参与;异步落单层在扣减成功后只投一条 MQ 消息并返回「排队中」,消费者按序创建订单、扣真实库存、写流水;结果层由前端轮询或长连接推送「成功/失败/排队中」。要点是把「抢」和「买」分开:抢是内存里的原子操作,买是异步的持久化,两者之间用消息队列解耦,并靠订单表的唯一索引兜住重复消费。

防超卖与库存分桶。1000 件拆成 10 个桶各 100 件,请求按 userId 哈希取模落到固定桶——同一个用户永远打同一个桶,桶内用 Lua 做「余量 > 0 才减」,单 key 热点被打散,锁冲突与 Redis 单分片压力都降一个数量级。数据库侧再用 update stock = stock - 1 where stock > 0,靠影响行数判断是否成功,行锁是最后一道防线;订单表对 (user_id, item_id) 建唯一索引,库存字段加非负约束。桶之间余量不均时做二次调度(跨桶借还),或者干脆做「预扣 + 回补」:先扣再校验总量,失败回滚。原则是宁可少卖不能超卖,超卖的补偿成本远高于少卖。

缓存穿透、击穿、雪崩。穿透是查不存在的数据,请求全部落到数据库:用布隆过滤器挡掉绝大多数非法 key,剩下的把空结果缓存一小段时间(如 60 秒)并加随机 TTL,同时对明显非法的 id 在入口做格式校验。击穿是热点 key 过期瞬间大量并发回源:用 singleflight 把同一 key 的请求合并成一次,或逻辑过期(value 里带过期时间,后台异步重建,读到的始终是旧值不阻塞)。雪崩是大批 key 同时过期或 Redis 整体不可用:TTL 加 0~300 秒随机,做本地缓存兜底,配熔断降级与限流,Redis 不可用时直接返回兜底数据而不是把压力转给数据库。

为什么删缓存而不是更新缓存。先更新数据库再删缓存(Cache Aside)是主流:删除是幂等且廉价的,更新缓存则要处理并发写的覆盖问题——两个请求几乎同时写库,后写库的先更新缓存,缓存里就留下旧值。此外很多缓存值是聚合计算的结果(多表 join、排序、计数),更新成本远高于删除后按需重建,而且「更新了但没人读」会白做功。剩下的窗口是「删缓存后、下次读之前」有请求把旧值读回缓存,处理方式是延迟双删(更新后删一次,隔几百毫秒再删一次)或订阅 binlog 用 Canal 异步删,删除失败进 MQ 重试、多次失败告警。要承认边界:这套方案给的是最终一致,如果业务连 1 秒脏读都不能接受,说明这条读路径不该上缓存。

MQ 削峰与积压处理。削峰的原理是「写入端全量入队、消费端按自身能力匀速消费」,峰值 10 万 QPS 写进 MQ,消费端按 2 万 QPS 处理,队列就是缓冲池;前提是消息不丢——生产端开同步刷盘或 acks=all,消费端手动提交位点并做幂等。积压 500 万条的处理顺序:先看是不是消费端变慢(下游超时、数据库慢查询、代码里的同步调用),修根因永远优先于扩容;再看分区数,消费者数量不能超过分区数,需要先扩分区;还不够就起临时消费者把消息转存到新 topic,用更多线程并行消费,处理完再切回原链路;最后是保护措施——消费端自己限流避免打挂数据库,重试 3 次进死信,监控 lag 超过阈值就告警,别等积压到千万才动手。注意扩分区会改变 key 的路由,依赖顺序的消息要谨慎。

无锁环形队列(SPSC)。数据结构是定长数组加 head、tail 两个 std::atomic<size_t>,容量取 2 的幂,用 & (N-1) 代替取模。生产者只写 tail、消费者只写 head,各读对方的索引:生产者先写数据,再 store(tail, std::memory_order_release);消费者 load(tail, std::memory_order_acquire) 之后再读数据,用 acquire-release 建立写数据的 happens-before。空满判断牺牲一个槽位:head == tail 为空,(tail + 1) & (N-1) == head 为满。两个索引用 alignas(64) 分开,避免伪共享把性能拉回加锁水平。这套写法只对单生产者单消费者成立;多生产者必须上 CAS 循环,或者用 ticket 机制 + 序号数组。

最小堆的 push 与 pop。用数组存完全二叉树,下标 i 的左右子节点是 2i+1、2i+2,父节点是 (i-1)/2,不需要指针,缓存友好。push 放到数组尾部,与父节点比较、更小就交换,一路上浮到满足堆序;pop 取走堆顶,把尾元素搬到堆顶,再与较小的子节点交换、一路下沉。两者都是 O(log n)。建堆从最后一个非叶节点(n/2 - 1)开始向前下沉,整体是 O(n) 而不是 O(n log n)。C++ 里 std::priority_queue 默认是大顶堆,要小顶堆得传 std::greater<int>;要原地建堆用 std::make_heap 与 std::push_heap/pop_heap 配合 vector。

10 亿个整数里找最大的 k 个。先问清约束:k 有多大、内存有多少、能不能用外部存储。三种答法:k 很小(比如 100)时用一个大小为 k 的小顶堆流式扫描,堆顶是当前第 k 大,遇到更大的就替换并下沉,时间 O(n log k)、内存 O(k);数据范围有限(比如都是 32 位整数)时用位图或计数排序,按值域从高到低扫,O(n + 值域);内存放不下且 k 很大时走分治——把数据按高几位哈希或范围切成若干文件,分别求每块的前 k 大再归并,或用外部排序。如果是「找最大的一个」则直接一次遍历 O(n)。答题时把「题目没说内存限制」这一点主动点出来,再按不同假设给方案,比直接背堆更稳。