描述你参与的一个高并发项目（如360广告投放系统），遇到的挑战及解决方案。

1) 【一句话结论】在360广告投放系统高并发项目中，通过分库分表（单库QPS从5万降至1万）、缓存穿透优化（布隆过滤器+空值缓存，穿透率<1%）、请求限流（令牌桶限流至5万QPS），高峰期响应时间从2秒降至0.3秒，数据库压力降低80%，系统稳定性显著提升。

2) 【原理/概念讲解】老师会解释高并发场景下的压力来源。比如，系统在广告投放高峰期（每日18-22点），QPS达到10万，数据库连接池耗尽，响应时间超过2秒。关键技术点：

• 分库分表：将广告数据按ID哈希分片到多个数据库，通过路由规则（如ShardingSphere的哈希分片）分散压力，单库压力从5万QPS降至1万QPS以下。
• 缓存穿透：当查询不存在的广告ID时，所有请求直接访问数据库，导致数据库压力激增（类比：所有用户问“不存在的人”，服务端资源被耗尽）。
• 请求限流：通过令牌桶算法限制请求速率，防止系统雪崩（类比：给水龙头装限流阀，避免瞬间大量水流冲坏管道）。

3) 【对比与适用场景】用要点说明：

• 缓存穿透：定义是查询不存在的key，导致数据库全量查询；特性是请求无缓存命中，直接数据库；使用场景是恶意攻击或数据未初始化；注意点是需要布隆过滤器或空值缓存。
• 缓存击穿：高频key缓存过期，大量请求同时访问数据库；特性是瞬间高并发；使用场景是热点数据未设置永不过期；注意点是预热或设置永不过期。
• 缓存雪崩：大量key同时过期；特性是短时间内缓存失效；使用场景是缓存统一过期时间；注意点是随机过期或预热。

4) 【示例】缓存穿透解决方案伪代码（布隆过滤器+空值缓存+重试逻辑）：

def get_ad_info(ad_id):
    # 布隆过滤器判断是否存在
    if not is_in_bloom_filter(ad_id):
        return None  # 直接返回，避免数据库查询
    # 缓存未命中
    info = redis.get(f"ad_info:{ad_id}")
    if info:
        return json.loads(info)
    # 数据库查询
    info = db.query("SELECT * FROM ads WHERE id = ?", ad_id)
    if info:
        redis.set(f"ad_info:{ad_id}", json.dumps(info), ex=3600)
        return info
    # 存空值缓存，防止后续穿透
    redis.set(f"ad_id:{ad_id}", "", ex=60)
    return None
# 空值缓存过期后处理（假设有监控触发重试）
def handle_cache_miss(ad_id):
    if redis.get(f"ad_id:{ad_id}") == "":
        # 触发重试逻辑，比如再次布隆过滤器判断或直接数据库（带降级）
        info = db.query("SELECT * FROM ads WHERE id = ? FOR UPDATE", ad_id) # 降级处理
        if info:
            redis.set(f"ad_info:{ad_id}", json.dumps(info), ex=3600)
            return info
        return None

布隆过滤器实现：位数组大小为2^16，3个hash函数（如murmurhash3），误判率约1%。

5) 【面试口播版答案】“我参与的是360广告投放系统的高并发项目。当时遇到的挑战是系统在投放高峰期（比如每日广告点击高峰），QPS达到10万，数据库连接池耗尽，响应时间超过2秒。具体来说，缓存穿透问题比较突出——当查询不存在的广告ID时，所有请求都直接访问数据库，导致数据库压力激增。解决方案上，我们做了三方面优化：一是通过布隆过滤器快速判断key是否存在，避免无效数据库查询；二是对于高频查询的key，设置永不过期或预热机制；三是采用分库分表策略，将广告数据按ID哈希分片到多个数据库，单库压力降低80%以上。同时引入请求限流，通过令牌桶算法限制每秒请求量，防止系统雪崩。这些措施实施后，系统在高峰期的响应时间从原来的2秒降至0.3秒，数据库压力降低80%，系统稳定性显著提升。”

6) 【追问清单】

• 问题1：分库分表后的数据一致性如何保障？
  回答要点：采用最终一致性，通过消息队列（如Kafka）异步同步数据变更，或使用分布式事务（如两阶段提交，但高并发下用补偿机制）。
• 问题2：空值缓存过期后仍可能穿透的应对？
  回答要点：空值缓存设置短时间过期（如60秒），若再次穿透则触发重试逻辑，或增加布隆过滤器判断。
• 问题3：令牌桶的参数配置？
  回答要点：令牌生成速率1000个/秒，桶大小1000，超过则拒绝请求。
• 问题4：分库分表的具体实现方式？
  回答要点：使用哈希分片，根据ad_id的哈希值选择数据库，通过路由规则（如ShardingSphere的Sharding-规则）实现数据分片。
• 问题5：缓存穿透的布隆过滤器误判率如何控制？
  回答要点：位数组大小为2^16，3个hash函数，误判率约1%，通过调整位数组大小和hash函数数量控制。

7) 【常见坑/雷区】

• 坑1：只说概念不提具体技术细节（如只说“用了缓存”，而不说“用了布隆过滤器+空值缓存”）。
• 坑2：解决方案不具体（如只说“优化数据库”，而不说“通过分库分表降低压力”）。
• 坑3：忽略监控和测试（如没提到性能测试或监控指标）。
• 坑4：没提到高并发下的数据一致性（如分库分表后的数据一致性如何保证）。
• 坑5：缓存穿透的解决方案没考虑空值缓存，导致后续请求仍穿透。