设计一个支持百万级用户并发访问的AI视觉分析系统（如佳都的公共安全系统），请描述系统架构、核心模块设计及高可用、可扩展性方案。
答案
1) 【一句话结论】
采用微服务+分布式架构，通过负载均衡、消息队列、缓存、数据库分片等组件，结合AI模型服务化部署，实现百万级用户并发访问的高可用与可扩展性。
2) 【原理/概念讲解】
老师讲解：系统需拆分为独立微服务（如用户服务、视频上传服务、AI分析服务、结果存储服务），通过负载均衡（如Nginx/LVS）分发请求，避免单点压力；消息队列（如Kafka/RabbitMQ）解耦服务间强依赖，异步处理视频分析任务；缓存（如Redis）缓存热点数据（用户信息、分析结果），减少数据库压力；数据库分片（按用户ID/时间分片）水平扩展存储能力。AI模型封装为服务（如TensorFlow Serving），支持动态扩容。
类比：系统像大型连锁超市，用户服务是收银台，视频上传是进货部，AI分析是质检部，结果存储是仓库。负载均衡像分号机分发顾客，消息队列像快递公司解耦任务，缓存像货架热销商品，数据库分片像仓库分区存储。
3) 【对比与适用场景】
| 架构模式 | 定义 | 特性 | 使用场景 | 注意点 |
|---|---|---|---|---|
| 单体架构 | 所有功能模块集中在一个应用中 | 代码耦合度高，扩展困难 | 小规模系统，开发周期短 | 难以水平扩展，故障影响全局 |
| 微服务架构 | 按业务功能拆分为独立服务，独立部署 | 代码解耦，独立扩展 | 大规模系统，高并发，复杂业务 | 服务间通信复杂，需统一管理 |
4) 【示例】
请求流程（用户上传视频分析）：
- 用户上传视频 → 负载均衡 → 视频上传服务
- 视频上传服务：存储视频到OSS，生成任务ID → 发送消息到Kafka（主题：video-analysis）
- AI分析服务：消费Kafka消息 → 调用模型服务（推理接口）获取结果 → 存入Redis（缓存）和数据库（分片）
- 用户查询结果：先查Redis（缓存），再查数据库
伪代码：
用户上传视频 → 负载均衡 → 视频上传服务
视频上传服务：
1. 存储视频到OSS
2. 生成任务ID → 发送消息到Kafka
AI分析服务：
1. 消费Kafka消息（任务ID）
2. 调用模型服务（推理接口）获取结果
3. 将结果存入Redis（缓存）和数据库（分片）
用户查询结果：
1. 查Redis（缓存）→ 有则返回
2. 无则查数据库 → 返回结果
5) 【面试口播版答案】
各位面试官好，关于设计百万级用户并发访问的AI视觉分析系统，我的核心思路是采用微服务+分布式架构，通过负载均衡、消息队列、缓存、数据库分片等组件，结合AI模型服务化，实现高并发、高可用和可扩展。具体来说，系统拆分为用户服务、视频上传服务、AI分析服务、结果存储服务等微服务，通过Nginx负载均衡分发请求，避免单点故障。视频上传后，通过Kafka消息队列异步调度AI分析，解耦服务间的强依赖。热点数据（如用户信息、分析结果）用Redis缓存，减少数据库压力。数据库按用户ID分片，水平扩展存储能力。AI模型封装为服务（如TensorFlow Serving），支持动态扩容，满足并发需求。整体架构确保百万级用户并发时，系统响应稳定，故障可快速恢复。
6) 【追问清单】
- 问题1：消息队列选型（如Kafka vs RabbitMQ），为什么选Kafka？
回答要点：Kafka支持高吞吐、持久化，适合异步处理百万级任务，而RabbitMQ更适合点对点。 - 问题2：缓存雪崩的解决方案？
回答要点：设置合理的过期时间（TTL），使用互斥锁或分布式锁，或采用双缓存策略（本地+分布式）。 - 问题3：数据库分片的具体策略（如按用户ID分片），如何处理跨分片查询？
回答要点：按用户ID哈希分片，查询时根据用户ID确定分片，或使用数据库分片中间件（如ShardingSphere）。 - 问题4：AI模型服务化的部署方式，如何保证模型推理的实时性？
回答要点：模型服务部署为集群，通过负载均衡分发请求，每个实例缓存热点模型。 - 问题5：系统监控与告警，如何实时监控高并发下的性能指标？
回答要点：使用Prometheus+Grafana监控QPS、请求延迟、缓存命中率、数据库连接数等，设置告警阈值。
7) 【常见坑/雷区】
- 坑1：架构过于复杂，忽略业务场景（如过度拆分微服务，导致通信成本高）。
- 坑2：缓存未设置过期策略（导致缓存穿透/雪崩，数据库压力激增）。
- 坑3：消息队列积压，未考虑重试机制（任务失败导致后续请求延迟）。
- 坑4：数据库分片不合理（跨分片查询或数据不一致，性能下降）。
- 坑5：未考虑容灾与备份（数据库无备份，消息队列未持久化，数据丢失）。