阿里一面，说说你知道消息中间件的应用场景有哪些？_中间件数据还没入库前端业务场景

还有兄弟不知道网络安全面试可以提前刷题吗？费时一周整理的160+网络安全面试题，金九银十，做网络安全面试里的显眼包！

王岚嵚工程师面试题（附答案），只能帮兄弟们到这儿了！如果你能答对70%，找一个安全工作，问题不大。

对于有1-3年工作经验，想要跳槽的朋友来说，也是很好的温习资料！

【完整版领取方式在文末！！】

93道网络安全面试题

内容实在太多，不一一截图了

黑客学习资源推荐

最后给大家分享一份全套的网络安全学习资料，给那些想学习 网络安全的小伙伴们一点帮助！

对于从来没有接触过网络安全的同学，我们帮你准备了详细的学习成长路线图。可以说是最科学最系统的学习路线，大家跟着这个大的方向学习准没问题。

1️⃣零基础入门

① 学习路线

对于从来没有接触过网络安全的同学，我们帮你准备了详细的学习成长路线图。可以说是最科学最系统的学习路线，大家跟着这个大的方向学习准没问题。

② 路线对应学习视频

同时每个成长路线对应的板块都有配套的视频提供：

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化资料的朋友，可以点击这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

场景说明：在一般购物场景中，用户下单后，订单系统一般需要通知库存系统，在以前是通过接口调用进行通知。

通过接口调用的缺点：订单系统与库存系统耦合度高，容易出现雪崩事故，假如库存系统无法访问，则订单减库存将失败，从而导致订单失败，当调用量到一定程度后，会导致订单系统集群访问时间变长。

引入应用消息队列后的方案：

订单系统：在用户下单后，订单系统完成本地持久化处理后将消息写入消息队列，写入成功后返回用户订单下单成功。
库存系统：订阅MQ中下单的消息，获取下单信息，库存系统根据下单信息，进行库存增或减操作。
该方案的关键步骤：

在下单时库存系统即使不能正常使用，也不影响正常下单，因为下单后，订单系统写入消息队列就不再关心其他的后续操作了，只要达成最终一致性即可。实现订单系统与库存系统的应用解耦。

4.2 异步消息

场景说明：一般用户注册后，需要给用户发送注册邮件和短信。以前的步骤可分为：串行的方式、并行方式。

1. 串行方式：将用户注册信息写入数据库，写入成功后先发送注册邮件，再发送注册短信。只有以上三个任务全部完成后，才返回给客户端成功信息。

2. 并行方式：将用户注册信息写入数据库，写入成功后同时发送注册邮件和注册短信。以上三个任务完成后，才返回给客户端成功信息。相对于串行而言，并行的方式可以提高处理的时间。

问题分析：

假设三个业务节点每个使用50毫秒钟，不考虑网络等其他开销，则串行方式的时间是150毫秒，并行的时间可能是100毫秒。
因为CPU在单位时间内处理的请求数是一定的，假设CPU1秒内吞吐量是100次。则串行方式1秒内CPU可处理的请求量是7次（1000/150）。并行方式处理的请求量是10次（1000/100）
如以上案例描述，传统的方式系统的性能（并发量，吞吐量，响应时间）会有瓶颈。

将发送注册邮件和注册短信的步骤通过消息队列解耦：

由以上架构可知，用户的响应时间相当于是注册信息写入数据库的时间，也就是50毫秒。注册邮件，发送短信写入消息队列后，直接返回，因此写入消息队列的速度很快，基本可以忽略，因此用户的响应时间可能是50毫秒。因此架构改变后，系统的吞吐量提高到每秒20 QPS。比串行提高了3倍，比并行提高了两倍。

4.3 流量削锋

流量削锋消息队列中也是普遍应用，一般在秒杀或团抢活动中使用广泛。

场景说明：秒杀活动，一般会因为流量过大，导致流量暴增，应用或者数据库挂掉。为解决这个问题，一般需要在应用前端加入消息队列。

架构如下：

加入消息队列的好处：

1. 可以控制活动的人数
2. 可以缓解短时间内高流量压垮应用

用户的请求，服务器接收后，首先写入消息队列。假如消息队列长度超过最大数量，则直接抛弃用户请求或跳转到错误页面。
秒杀业务根据消息队列中的请求信息，再做后续处理。

4.4 海量日志数据同步

场景说明：在微服务体系下，项目往往是集群部署，那么就需要一个统一日志平台来查询各个实例的日志，但集群中的日志信息往往都是海量数据，单一的日志采集工具不能满足业务的需要，因此需要将消息队列用在日志处理中，比如Kafka的应用，解决大量日志传输的问题。

架构简化如下：

架构说明：

1. 日志采集客户端，负责日志数据采集，定时写受写入Kafka队列
2. Kafka消息队列，负责日志数据的接收，存储和转发
3. 日志处理应用：订阅并消费kafka队列中的日志数据

4.5 分布式事物

分布式事务又分为强一致，弱一致，和最终一致性

1. 强一致：

当更新操作完成之后，任何多个后续进程或者线程的访问都会返回最新的更新过的值。这种是对用户最友好的，就是用户上一次写什么，下一次就保证能读到什么。根据 CAP 理论，这种实现需要牺牲可用性。

2. 弱一致：

系统并不保证续进程或者线程的访问都会返回最新的更新过的值。系统在数据写入成功之后，不承诺立即可以读到最新写入的值，也不会具体的承诺多久之后可以读到。

3. 最终一致：

弱一致性的特定形式。系统保证在没有后续更新的前提下，系统最终返回上一次更新操作的值。在没有故障发生的前提下，不一致窗口的时间主要受通信延迟，系统负载和复制副本的个数影响。DNS 是一个典型的最终一致性系统。

在分布式系统中，同时满足“CAP定律”中的一致性、可用性和分区容错性三者是几乎不可能的。在互联网领域的绝大多数的场景，都需要牺牲强一致性来换取系统的高可用性，系统往往只需要保证“最终一致性”，只要这个最终时间是在用户可以接受的范围内即可，这时候我们只需要用短暂的数据不一致就可以达到我们想要效果。

场景说明：比如有订单，库存两个数据，一个下单过程简化为，加一个订单，减一个库存。 而订单和库存是独立的服务，那怎么保证数据一致性。

远程调用最郁闷的地方就是，结果有3种，成功、失败和超时。 超时的话，成功失败都有可能。一般的解决方案，大多数的做法是借助mq来做最终一致。

实现最终一致：

通过上面的架构可能会想到这些问题：

本地先执行事务，执行成功了就发个消息过去，消费端拿到消息执行自己的事务。
比如a，b两个服务，服务a异步调用服务b，如果服务b失败了，或者成功，或者超时，那么怎么用mq让他们最终一致呢？

参照于本地事务的概念可将该场景分为三种情况解决：

1. 第一种情况：假设a，b都正常执行，那整个业务正常结束；
2. 第二种情况：假设b超时,那么需要MQ给b重发消息（b服务要做幂等），如果出现重发失败的话，需要看情况，是中断服务，还是继续重发，甚至人为干预；
3. 第三种情况：假设a,b之中的一个失败了，失败的服务利用MQ给其他的服务发送消息，其他的服务接收消息，查询本地事务记录日志，如果本地也失败，删除收到的消息(表示消息消费成功)，如果本地成功的话，则需要调用补偿接口进行补偿(需要每个服务都提供业务补偿接口)。

需要特别注意：

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化资料的朋友，可以点击这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！