機(jī)械工程師英語(yǔ)面試

應(yīng)屆生在面試的時(shí)候，大公司偶爾也會(huì)遇到一些系統(tǒng)設(shè)計(jì)題，而這些題目往往只是考一下你的知識(shí)面，或者對(duì)系統(tǒng)架構(gòu)方面的了解，不會(huì)涉及編碼。很多人感覺(jué)難以應(yīng)對(duì)這樣的題目，也不知道從何說(shuō)起，在本文中，總結(jié)了回答這類題目需要哪些基礎(chǔ)知識(shí)，以及怎樣使用這些知識(shí)回答這些問(wèn)題。

在正式介紹基礎(chǔ)知識(shí)之前，先羅列幾個(gè)常見(jiàn)的系統(tǒng)設(shè)計(jì)相關(guān)的筆試面試題：

(1)(百度)要求設(shè)計(jì)一個(gè)DNS的Cache結(jié)構(gòu)，要求能夠滿足每秒5000以上的查詢，滿足IP數(shù)據(jù)的快速插入，查詢的速度要快。(題目還給出了一系列的數(shù)據(jù)，比如：站點(diǎn)數(shù)總共為5000萬(wàn)，IP地址有1000萬(wàn)，等等)

解決方案：DNS服務(wù)器實(shí)現(xiàn)域名到IP地址的轉(zhuǎn)換。

每個(gè)域名的平均長(zhǎng)度為25個(gè)字節(jié)(在域名的命名標(biāo)準(zhǔn)中，對(duì)于域名長(zhǎng)度是有明顯限制的。其中，中國(guó)國(guó)家域名不得超過(guò)20個(gè)字符，國(guó)際通用域名不得超過(guò)26個(gè)字符)，每個(gè)IP為4個(gè)字節(jié)，所以Cache的每個(gè)條目需要大概30個(gè)字節(jié)。

總共50M個(gè)條目，所以需要1.5G個(gè)字節(jié)的空間。可以放置在內(nèi)存中。(考慮到每秒5000次操作的限制，也只能放在內(nèi)存中。)

可以考慮的數(shù)據(jù)結(jié)構(gòu)包括hash_map，字典樹(shù)，紅黑樹(shù)等等。

我覺(jué)得比較好的解決方法是，將每一個(gè)URL字符串轉(zhuǎn)化為MD5值，作為key，建立最大或最小堆，這樣插入和查找的效率都是O(log(n))。

MD5是128bit的大整數(shù)也就是16byte，比直接存放URL要節(jié)省的多。

具體可應(yīng)用方法：每秒5000的查詢不算高啊，最土的方法使用MySQL+Memcached架構(gòu)應(yīng)該都能滿足吧?

數(shù)據(jù)結(jié)構(gòu)建議以域名的md5值為主鍵來(lái)存儲(chǔ)，值可以只存儲(chǔ)目標(biāo)IP就行。Memcached用戶支撐前端查詢，MySQL用戶存儲(chǔ)數(shù)據(jù)，還要看總數(shù)量會(huì)有多大，如果不是特別大，直接使用MyISAM引擎來(lái)存儲(chǔ)就行，更新插入都非�？�，如果超千萬(wàn)，可以使用InnoDB來(lái)存儲(chǔ)，每次有新數(shù)據(jù)插入時(shí)直接使用replace into table就行，Memcached數(shù)據(jù)的更新直接使用set。

Memcached隨便用得好些，每秒上萬(wàn)次的get是容易達(dá)到的，MySQL你別小看，在有的測(cè)試?yán)铮�以主鍵查詢的測(cè)試，一臺(tái)普通的服務(wù)器上，MySQL/InnoDB 5.1服務(wù)器上獲得了750000+QPS的成績(jī)。

總結(jié)：關(guān)于高并發(fā)系統(tǒng)設(shè)計(jì)。主要有以下幾個(gè)關(guān)鍵技術(shù)點(diǎn)：緩存，索引，數(shù)據(jù)分片，鎖粒度盡可能小。。

(2)有N臺(tái)機(jī)器，M個(gè)文件，文件可以以任意方式存放到任意機(jī)器上，文件可任意分割成若干塊。假設(shè)這N臺(tái)機(jī)器的宕機(jī)率小于1/3，想在宕機(jī)時(shí)可以從其他未宕機(jī)的機(jī)器中完整導(dǎo)出這M個(gè)文件，求最好的存放與分割策略。

解決方案：涉及到現(xiàn)在通用的分布式文件系統(tǒng)的副本存放策略。一般是將大文件切分成小的block(如64MB)后，以block為單位存放三份到不同的節(jié)點(diǎn)上，這三份數(shù)據(jù)的位置需根據(jù)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)配置，一般而言，如果不考慮跨數(shù)據(jù)中心，可以這樣存放：兩個(gè)副本存放在同一個(gè)機(jī)架的不同節(jié)點(diǎn)上，而另外一個(gè)副本存放在另一個(gè)機(jī)架上，這樣從效率和可靠性上，都是最優(yōu)的(這個(gè)google公布的文檔中有專門的證明，有興趣的可參閱一下。)。如果考慮跨數(shù)據(jù)中心，可將兩份存在一個(gè)數(shù)據(jù)中心的不同機(jī)架上，另一份放到另一個(gè)數(shù)據(jù)中心。

(3)假設(shè)有三十臺(tái)服務(wù)器，每個(gè)上面都存有上百億條數(shù)據(jù)(有可能重復(fù))，如何找出這三十臺(tái)機(jī)器中，根據(jù)某關(guān)鍵字，重復(fù)出現(xiàn)次數(shù)最多的前100條?要求用Hadoop來(lái)做。

方案：針對(duì)每一臺(tái)機(jī)器有100億，類似100萬(wàn)時(shí)的處理方法，對(duì)數(shù)據(jù)進(jìn)行切片，可以都切為100萬(wàn)的記錄，對(duì)100萬(wàn)、取最前100，不同在于這前100也存入hash，如果key相同則合并value，顯然100億的數(shù)據(jù)分割完后的處理結(jié)果也要再進(jìn)行類似的處理，hash表不能過(guò)長(zhǎng)，原理其實(shí)也就是map和reduce。然后合并這30臺(tái)機(jī)器的結(jié)果。

(4)設(shè)計(jì)一個(gè)系統(tǒng)，要求寫速度盡可能高，說(shuō)明設(shè)計(jì)原理。

解決方案：涉及到BigTable的模型。主要思想是將隨機(jī)寫轉(zhuǎn)化為順序?qū)�，進(jìn)而大大提高寫速度。具體是：由于磁盤物理結(jié)構(gòu)的獨(dú)特設(shè)計(jì)，其并發(fā)的隨機(jī)寫(主要是因?yàn)榇疟P尋道時(shí)間長(zhǎng))非常慢，考慮到這一點(diǎn)，在BigTable模型中，首先會(huì)將并發(fā)寫的大批數(shù)據(jù)放到一個(gè)內(nèi)存表(稱為“memtable”)中，當(dāng)該表大到一定程度后，會(huì)順序?qū)懙揭粋�(gè)磁盤表(稱為“SSTable”)中，這種寫是順序?qū)�，效率極高。說(shuō)到這，可能有讀者問(wèn)，隨機(jī)讀可不可以這樣優(yōu)化?答案是：看情況。通常而言，如果讀并發(fā)度不高，則不可以這么做，因?yàn)槿绻麑⒍鄠�(gè)讀重新排列組合后再執(zhí)行，系統(tǒng)的響應(yīng)時(shí)間太慢，用戶可能接受不了，而如果讀并發(fā)度極高，也許可以采用類似機(jī)制。

(5)設(shè)計(jì)一個(gè)高并發(fā)系統(tǒng)，說(shuō)明架構(gòu)和關(guān)鍵技術(shù)要點(diǎn)。

方案：分布式系統(tǒng)中的核心的服務(wù)器的實(shí)現(xiàn)�？梢允莌ttp服務(wù)器，緩存服務(wù)器，分布式文件系統(tǒng)等的內(nèi)部實(shí)現(xiàn)。下邊主要從一個(gè)高并發(fā)的大型網(wǎng)站出發(fā)，看一個(gè)高并發(fā)系統(tǒng)的設(shè)計(jì)。下邊是一個(gè)高并發(fā)系統(tǒng)的邏輯結(jié)構(gòu)：

1)緩存系統(tǒng)：緩存是每一個(gè)高并發(fā)，高可用系統(tǒng)不可或缺的模塊。常見(jiàn)的緩存系統(tǒng)：Squid(前端緩存)、Ehcache(對(duì)象緩存系統(tǒng))，動(dòng)態(tài)頁(yè)面靜態(tài)化(頁(yè)面緩存)

2)負(fù)載均衡系統(tǒng)：負(fù)載均衡策略有隨機(jī)分配，平均分配，分布式一致性hash等。軟件負(fù)載均衡有：基于DNS的負(fù)載均衡、基于LVS的負(fù)載均衡和基于lptables的負(fù)載均衡。硬件負(fù)載均衡：路由上配置nat實(shí)現(xiàn)負(fù)載均衡、對(duì)萬(wàn)網(wǎng)一個(gè)虛擬ip，內(nèi)網(wǎng)映射幾個(gè)內(nèi)網(wǎng)ip。數(shù)據(jù)庫(kù)負(fù)載均衡：數(shù)據(jù)庫(kù)集群等。

(6)有25T的log(query->queryinfo)，log在不段的增長(zhǎng)，設(shè)計(jì)一個(gè)方案，給出一個(gè)query能快速返回queryinfo?

方案：1)建立適當(dāng)索引;2)優(yōu)化sql語(yǔ)句;3)實(shí)現(xiàn)小數(shù)據(jù)量和海量數(shù)據(jù)的通用分頁(yè)顯示存儲(chǔ)過(guò)程;4)合理選擇聚集索引

以上所有問(wèn)題中凡是不涉及高并發(fā)的，基本可以采用google的三個(gè)技術(shù)解決，分別為：GFS，MapReduce，Bigtable，這三個(gè)技術(shù)被稱為“google三駕馬車”，google只公開(kāi)了論文而未開(kāi)源代碼，開(kāi)源界對(duì)此非常有興趣，仿照這三篇論文實(shí)現(xiàn)了一系列軟件，如：Hadoop、HBase、HDFS、Cassandra等。

在google這些技術(shù)還未出現(xiàn)之前，企業(yè)界在設(shè)計(jì)大規(guī)模分布式系統(tǒng)時(shí)，采用的架構(gòu)往往是database+sharding+cache，現(xiàn)在很多公司(比如taobao，weibo.com)仍采用這種架構(gòu)。在這種架構(gòu)中，仍有很多問(wèn)題值得去探討。如采用什么數(shù)據(jù)庫(kù)，是SQL界的MySQL還是NoSQL界的Redis/TFS，兩者有何優(yōu)劣? 采用什么方式sharding(數(shù)據(jù)分片)，是水平分片還是垂直分片?據(jù)網(wǎng)上資料顯示，weibo.com和taobao圖片存儲(chǔ)中曾采用的架構(gòu)是Redis/MySQL/TFS+sharding+cache，該架構(gòu)解釋如下：前端cache是為了提高響應(yīng)速度，后端數(shù)據(jù)庫(kù)則用于數(shù)據(jù)永久存儲(chǔ)，防止數(shù)據(jù)丟失，而sharding是為了在多臺(tái)機(jī)器間分?jǐn)傌?fù)載。最前端由大塊大塊的cache組成，要保證至少99%(該數(shù)據(jù)在weibo.com架構(gòu)中的是自己猜的，而taobao圖片存儲(chǔ)模塊是真實(shí)的)的訪問(wèn)數(shù)據(jù)落在cache中，這樣可以保證用戶訪問(wèn)速度，減少后端數(shù)據(jù)庫(kù)的壓力，此外，為了保證前端cache中數(shù)據(jù)與后端數(shù)據(jù)庫(kù)中數(shù)據(jù)一致，需要有一個(gè)中間件異步更新(為啥異步?理由簡(jiǎn)單：同步代價(jià)太高。異步有缺定，如何彌補(bǔ)?)數(shù)據(jù)，這個(gè)有些人可能比較清楚，新浪有個(gè)開(kāi)源軟件叫memcachedb(整合了Berkeley DB和Memcached)，正是完成此功能。另外，為了分?jǐn)傌?fù)載壓力和海量數(shù)據(jù)，會(huì)將用戶微博信息經(jīng)過(guò)片后存放到不同節(jié)點(diǎn)上(稱為“sharding”)。

這種架構(gòu)優(yōu)點(diǎn)非常明顯：簡(jiǎn)單，在數(shù)據(jù)量和用戶量較小的時(shí)候完全可以勝任。但缺定早晚一天暴露出來(lái)，即：擴(kuò)展性和容錯(cuò)性太差，維護(hù)成本非常高，尤其是數(shù)據(jù)量和用戶量暴增之后，系統(tǒng)不能通過(guò)簡(jiǎn)單的增加機(jī)器解決該問(wèn)題。

于是乎，新的架構(gòu)便出現(xiàn)了。主要還是google的那一套東西，下面分別說(shuō)一下：

GFS是一個(gè)可擴(kuò)展的分布式文件系統(tǒng)，用于大型的、分布式的、對(duì)大量數(shù)據(jù)進(jìn)行訪問(wèn)的應(yīng)用。它運(yùn)行于廉價(jià)的普通硬件上，提供容錯(cuò)功能�，F(xiàn)在開(kāi)源界有HDFS(Hadoop Distributed File System)，該文件系統(tǒng)雖然彌補(bǔ)了數(shù)據(jù)庫(kù)+sharding的很多缺點(diǎn)，但自身仍存在一些問(wèn)題，比如：由于采用master/slave架構(gòu)，因而存在單點(diǎn)故障問(wèn)題;元數(shù)據(jù)信息全部存放在master端的內(nèi)存中，因而不適合存儲(chǔ)小文件，或者說(shuō)如果存儲(chǔ)的大量小文件，那么存儲(chǔ)的總數(shù)據(jù)量不會(huì)太大。

MapReduce是針對(duì)分布式并行計(jì)算的一套編程模型。他最大的優(yōu)點(diǎn)是：編程接口簡(jiǎn)單，自動(dòng)備份(數(shù)據(jù)默認(rèn)情況下會(huì)自動(dòng)備三份)，自動(dòng)容錯(cuò)和隱藏跨機(jī)器間的通信。在Hadoop中，MapReduce作為分布計(jì)算框架，而HDFS作為底層的分布式存儲(chǔ)系統(tǒng)，但MapReduce不是與HDFS耦合在一起的，你完全可以使用自己的分布式文件系統(tǒng)替換掉HDFS。當(dāng)前MapReduce有很多開(kāi)源實(shí)現(xiàn)，如Java實(shí)現(xiàn)Hadoop MapReduce，C++實(shí)現(xiàn)Sector/sphere等，甚至有些數(shù)據(jù)庫(kù)廠商將MapReduce集成到數(shù)據(jù)庫(kù)中了。

BigTable俗稱“大表”，是用來(lái)存儲(chǔ)結(jié)構(gòu)化數(shù)據(jù)的，個(gè)人覺(jué)得，BigTable在開(kāi)源界最火爆，其開(kāi)源實(shí)現(xiàn)最多，包括：HBase，Cassandra，levelDB等，使用也非常廣泛。

除了google的這三家馬車，還有其他一些技術(shù)：

Dynamo：亞馬遜的key-value模式的存儲(chǔ)平臺(tái)，可用性和擴(kuò)展性都很好，采用DHT(Distributed Hash Table)對(duì)數(shù)據(jù)分片，解決單點(diǎn)故障問(wèn)題，在Cassandra中，也借鑒了該技術(shù)，在BT和電驢的中，也采用了類似算法。

虛擬節(jié)點(diǎn)技術(shù)：該技術(shù)常用于分布式數(shù)據(jù)分片中。具體應(yīng)用場(chǎng)景是：有一大坨數(shù)據(jù)(maybe TB級(jí)或者PB級(jí))，我們需按照某個(gè)字段(key)分片存儲(chǔ)到幾十(或者更多)臺(tái)機(jī)器上，同時(shí)想盡量負(fù)載均衡且容易擴(kuò)展。傳統(tǒng)的做法是：Hash(key) mod N，這種方法最大缺點(diǎn)是不容易擴(kuò)展，即：增加或者減少機(jī)器均會(huì)導(dǎo)致數(shù)據(jù)全部重分布，代價(jià)忒大。于是乎，新技術(shù)誕生了，其中一種是上面提到的DHT，現(xiàn)在已經(jīng)被很多大型系統(tǒng)采用，還有一種是對(duì)“Hash(key) mod N”的改進(jìn)：假設(shè)我們要將數(shù)據(jù)分不到20臺(tái)機(jī)器上，傳統(tǒng)做法是hash(key) mod 20，而改進(jìn)后，N取值要遠(yuǎn)大于20，比如是20000000，然后我們采用額外一張表記錄每個(gè)節(jié)點(diǎn)存儲(chǔ)的key的模值，比如：

node1：0~1000000

node2：1000001~2000000

。。。。。。

這樣，當(dāng)添加一個(gè)新的節(jié)點(diǎn)時(shí)，只需將每個(gè)節(jié)點(diǎn)上部分?jǐn)?shù)據(jù)移動(dòng)給新節(jié)點(diǎn)，同時(shí)修改一下這個(gè)表即可。

Thrift：Thrift是一個(gè)跨語(yǔ)言的RPC框架，分別解釋一下“RPC”和“跨語(yǔ)言”，RPC是遠(yuǎn)程過(guò)程調(diào)用，其使用方式與調(diào)用一個(gè)普通函數(shù)一樣，但執(zhí)行體發(fā)生在遠(yuǎn)程機(jī)器上�？缯Z(yǔ)言是指不同語(yǔ)言之間進(jìn)行通信，比如c/s架構(gòu)中，server端采用C++編寫，client端采用PHP編寫，怎樣讓兩者之間通信，thrift是一種很好的方式。

[機(jī)械工程師英語(yǔ)面試]

【機(jī)械工程師英語(yǔ)面試】相關(guān)文章：

職場(chǎng)面試機(jī)械工程師英語(yǔ)對(duì)話08-04

機(jī)械工程師面試經(jīng)驗(yàn)08-04

機(jī)械工程師面試技巧07-05

機(jī)械工程師面試問(wèn)題10-05

機(jī)械工程師面試自我介紹09-08

職場(chǎng)面試機(jī)械工程師對(duì)話10-09

職場(chǎng)口語(yǔ)應(yīng)聘機(jī)械工程師英語(yǔ)10-28

軟件工程師英語(yǔ)面試題09-07

軟件測(cè)試工程師英語(yǔ)面試題08-04

軟件工程師面試英語(yǔ)自我介紹范文09-21