流量拦截：从前端到接入层层层过滤无效请求，减少后端压力。缓存优先：热点数据（库存、弹幕、余额）放缓存，避免数据库成为瓶颈。异步削峰：用消息队列缓冲突发流量，将“瞬间高并发”转为“平滑处理”。服务拆分：按业务边界拆分为微服务，各自独立扩容，避免单服务过载。高可用设计：核心组件（缓存、数据库、消息队列）多副本部署，故障自动转移。实际设计时，需结合业务特点（如实时性要求、数据一致性要求）选择合适方案，而

高并发系统的性能测试是“测试-监控-分析-优化”的循环过程，核心是模拟真实场景精准定位瓶颈量化优化效果。需注意：测试环境应贴近生产，指标需覆盖业务和技术维度，最终目标是确保系统在峰值流量下仍能稳定运行。

详细介绍redis五种数据结构对应下的底层数据结构实现

服务器同步NTP服务器时间时，本地时间快于标准时间，被强制调回。手动修改系统时间（如误操作将时间改到过去）。虚拟机/容器环境中，宿主机器时间调整导致内部时间回拨。雪花算法通过时间戳+机器ID+序列号生成全局唯一ID，核心问题是时钟回拨可能导致重复ID。中小规模、回拨风险低的场景：采用“等待时间追平”方案（简单易实现）。高并发、高可用场景：采用“逻辑时间戳”方案（避免阻塞，保证ID唯一性）。根本措施

舱壁模式：通过资源隔离（如线程池）将不同依赖服务的调用隔离开，避免单一故障引发全局雪崩；熔断状态机：通过“闭合→打开→半开”的状态切换，动态管控对依赖服务的调用，实现快速失败与自动恢复。两者共同构成了分布式系统容错的核心手段，确保在依赖服务故障时，系统仍能保持核心功能可用。

Ribbon 与 Nacos 的交互核心是通过组件对接 Nacos 的服务发现能力，实现“初始化拉取实例列表→运行时实时更新（轮询+推送）→基于健康状态过滤”的全流程，为 Ribbon 的负载均衡策略提供动态、准确的实例数据。这种交互机制确保了 Ribbon 能及时感知服务实例的变化，从而更高效地分发请求，提升系统的可用性。

优化版雪花算法：如美团 Leaf、百度 UidGenerator，解决时间回拨（如 Leaf 的双缓冲区机制）、机器 ID 动态分配（如 UidGenerator 基于数据库自增分配）；业务自定义 ID匹配业务场景（分布式/单机、高并发/低并发）、平衡性能与复杂度、预留扩容空间。

ZooKeeper 面试重点考察数据模型（ZNode 类型）、ZAB 协议、Leader 选举、分布式锁实现、Watcher 机制及高可用设计。回答时需结合底层原理（如一致性保障、会话机制）和实战场景（如服务注册、分布式锁），体现对分布式协调服务的理解。

基于数据库的分布式锁实现简单，无需依赖额外中间件，适合中小规模分布式场景。其核心是通过唯一约束实现互斥过期时间防止死锁持有者校验保证安全。但在高并发场景下，需通过分库分表、本地缓存等方式优化性能，或考虑基于分布式文件系统（如NFS）的实现（原理类似，通过文件独占锁实现互斥）。

介绍相关负载均衡原理，以及LVS介绍