在线考试系统在高并发场景（千名学生在同一时间提交试卷）下响应缓慢，如何优化系统性能？请简述优化思路，包括缓存、负载均衡、数据库优化等。

1) 【一句话结论】
通过负载均衡分散请求、缓存减少数据库压力、数据库优化提升查询效率，结合异步处理和资源隔离，综合缓解高并发下的系统响应缓慢问题。

2) 【原理/概念讲解】
高并发场景下，系统瓶颈通常集中在请求处理链路（前端、后端、数据库），核心是“分而治之”。

• 缓存：用于存储热点数据（如试卷题目、用户信息），减少对数据库的频繁查询（数据库是瓶颈）。类比：超市把热销商品放在货架显眼位置，减少顾客去仓库拿货的时间。
• 负载均衡：将请求分发到多台服务器，避免单点过载。通过反向代理（如Nginx）将流量均匀分配，提升整体处理能力。
• 数据库优化：通过索引、分库分表等手段，提升查询速度和容量。

3) 【对比与适用场景】

技术类型	定义	特性	使用场景	注意点
缓存（Redis vs Memcached）	Redis：内存键值存储，支持数据结构；Memcached：简单键值缓存	Redis：高速、持久化、事务；Memcached：轻量、快速	热点数据缓存、会话管理	Redis需考虑内存大小，Memcached不支持持久化
负载均衡（Nginx vs HAProxy）	Nginx：反向代理+负载均衡；HAProxy：高性能负载均衡器	Nginx：轮询、权重、IP哈希；HAProxy：轮询、最小连接数	Web应用、静态资源	Nginx需配置健康检查，HAProxy配置复杂
数据库优化（索引 vs 分库分表）	索引：数据库表数据结构；分库分表：按业务/数据量拆分数据库	索引：提升查询速度；分库分表：扩展容量	经常查询字段、大数据量	避免过度索引，分库需处理数据一致性

4) 【示例】

• 缓存优化（伪代码）：

  def get_exam_paper(exam_id):
      cached = redis.get(f"exam_paper:{exam_id}")
      if cached: return json.loads(cached)
      paper = db.query("SELECT * FROM exam_papers WHERE id = ?", exam_id)
      redis.setex(f"exam_paper:{exam_id}", 3600, json.dumps(paper))
      return paper
  

• 负载均衡（Nginx配置）：

  upstream exam_servers {
      server 192.168.1.1:8080 weight=3;  # 服务器1，权重3
      server 192.168.1.2:8080 weight=2;  # 服务器2，权重2
      server 192.168.1.3:8080;           # 服务器3，权重1（默认1）
  }
  server {
      listen 80;
      location /submit_exam {
          proxy_pass http://exam_servers;
          proxy_set_header Host $host;
          proxy_set_header X-Real-IP $remote_addr;
      }
  }
  

5) 【面试口播版答案】
（约80秒）
“面试官您好，针对高并发下系统响应缓慢的问题，我的优化思路从请求分发、数据访问、数据库处理三个层面入手。首先，负载均衡，用Nginx将千名学生的提交请求分发到多台服务器，避免单机过载，比如配置轮询或权重，让流量均匀分布。其次，缓存优化，比如用Redis缓存试卷题目、用户信息等热点数据，减少对数据库的查询次数，比如试卷数据在缓存中保留1小时，学生提交时先查缓存，若缓存命中直接返回，否则从数据库取并缓存。然后，数据库优化，比如为试卷表的关键字段（如试卷ID、题目ID）添加索引，提升查询速度；如果数据量太大，考虑分库分表，按考试类型拆分数据库，降低单库压力。综合这些措施，能显著提升系统在高并发下的响应速度。”

6) 【追问清单】

• 问：缓存失效策略如何设计？
  回答要点：缓存穿透用布隆过滤器或空对象缓存；缓存雪崩用随机过期时间；缓存击穿用互斥锁或分布式锁，保证热点数据只被一个线程加载到缓存。
• 问：负载均衡的算法选择？
  回答要点：轮询是平均分配请求，适合资源均衡；最小连接数优先分配当前连接数少的节点，适合后端服务器处理能力不同的情况。
• 问：数据库分库分表的具体方案？
  回答要点：分库按业务（如按考试类型分库），分表按时间或ID（如按考试日期分表），用ShardingSphere等框架处理分片路由，结合分布式事务（如两阶段提交或最终一致性）保证数据一致性。
• 问：系统是否考虑了请求限流？
  回答要点：可配置Nginx限流模块（如每秒请求上限），或用Redis令牌桶算法限制用户请求频率，避免系统过载。
• 问：缓存和数据库的数据一致性如何保证？
  回答要点：数据库更新后通过消息队列（如RabbitMQ）通知缓存更新，或用Redis加锁（如SETNX），确保数据一致性。

7) 【常见坑/雷区】

• 缓存穿透：空查询导致缓存和数据库都查询，需布隆过滤器或空对象缓存。
• 缓存雪崩：大量缓存过期，需随机过期时间。
• 索引滥用：过度索引影响写性能，需根据查询模式合理设计。
• 负载均衡配置不当：权重设置不合理，导致流量分配不均。
• 数据库分库分表后，分布式事务处理复杂，需考虑最终一致性。