好未来的课程录制系统需要保证高可用（如直播课录制不中断），并支持故障恢复（如服务器宕机）。请设计一个容灾方案，并说明如何实现故障检测与切换？同时，考虑数据一致性（录制数据与回放数据的同步）？
答案
1) 【一句话结论】：采用多节点主从/多活部署架构，通过心跳+状态检查实现故障检测与自动切换，结合事务日志/消息队列保证录制与回放数据最终一致性，确保高可用与故障恢复。
2) 【原理/概念讲解】：高可用系统需多节点协同避免单点故障。故障检测常用心跳机制（主节点定期向从节点发送心跳，从节点响应状态）或状态检查（从节点检查主节点日志/状态文件是否同步）。故障切换时，从节点检测到主节点超时/无响应，通过选举机制（如ZooKeeper的Leader选举）切换为主。数据一致性方面，录制数据写入主节点后，通过**消息队列（如Kafka）或分布式事务（如MySQL XA）**同步到从节点；回放数据则通过定时同步或事件驱动同步，确保最终一致。
类比：银行系统，主服务器是总行，从服务器是分行备份，总行宕机时，分行切换为总行，客户交易数据通过实时同步保证一致。
3) 【对比与适用场景】：
| 方案 | 定义 | 特性 | 使用场景 | 注意点 |
|---|---|---|---|---|
| 主从复制（同步） | 主节点处理请求，数据同步到从节点 | 读写分离，从节点可读，故障时切换为主 | 需低延迟（如数据库读写） | 同步延迟可能导致数据不一致 |
| 主从复制（异步） | 主节点写入后异步复制 | 读写分离，从节点延迟读 | 对延迟容忍（如日志存储） | 延迟可能导致数据丢失 |
| 多活部署 | 多节点同时处理请求，无主从 | 所有节点可读可写 | 高并发（如电商系统） | 需分布式事务或最终一致性 |
| 心跳检测 | 主节点定期向从节点发送心跳 | 低延迟检测 | 实时系统 | 心跳间隔过短增加网络开销 |
| 状态检查 | 从节点检查主节点日志或状态文件 | 高可靠性检测 | 关键系统 | 检查频率影响检测延迟 |
4) 【示例】：伪代码展示主从节点数据同步与故障切换。
// 主节点处理录制请求
void Master::recordLesson(const LessonInfo& info) {
logRecord(info); // 写入本地日志
sendToSlave(info); // 通过Kafka同步到从节点
return true;
}
// 从节点接收并同步数据
void Slave::receiveRecord(const LessonInfo& info) {
logRecord(info); // 同步日志
updateData(info); // 更新本地数据
}
// 从节点检测主节点故障并切换
void Slave::checkMaster() {
if (isMasterDown()) { // 检测主节点宕机
electAsMaster(); // 选举为主节点
startMasterService(); // 启动主节点服务
}
}
5) 【面试口播版答案】：
（约80秒）
“面试官您好，针对课程录制系统的高可用和故障恢复需求，我设计的容灾方案核心是采用多节点主从/多活部署架构，结合故障检测与自动切换机制，同时保证录制与回放数据的一致性。系统部署多个录制节点，主节点负责处理录制请求，从节点通过心跳和日志同步数据。故障检测方面，主节点定期向从节点发送心跳，从节点响应状态，若主节点超时，从节点通过状态检查（如日志文件是否同步）判断故障，并启动选举机制切换为主。数据一致性方面，录制数据写入主节点后，通过消息队列（如Kafka）异步同步到从节点，回放数据则通过定时任务或事件驱动同步，确保最终一致。这样，即使主节点宕机，从节点能快速切换，保证录制不中断，数据同步后回放正常。”
6) 【追问清单】：
- 问：如何保证录制数据与回放数据的同步？
答：通过事务日志或消息队列，主节点写入后同步到从节点，回放数据通过定时同步或事件触发，确保最终一致。 - 问：故障检测的延迟和误判怎么办？
答：心跳间隔设置合理（如1秒），结合状态检查（如日志检查），减少误判，同时设置超时阈值避免延迟检测。 - 问：切换时数据丢失怎么办？
答：采用异步复制，确保主节点宕机前数据已同步到从节点，或通过事务日志回滚未提交的数据。 - 问：多活部署下如何处理并发冲突？
答：引入分布式锁（如Redis锁）或乐观锁，保证数据一致性，同时通过消息队列解耦处理。
7) 【常见坑/雷区】：
- 坑1：只说主从复制但没考虑多活，导致高并发时性能瓶颈。
- 坑2：数据同步只说同步但没考虑延迟，导致回放数据不一致。
- 坑3：故障检测只依赖心跳，没考虑状态检查，导致误判或延迟检测。
- 坑4：切换时没考虑回放数据的同步，导致回放数据丢失或延迟。
- 坑5：没考虑分布式事务的复杂性，导致数据一致性问题。