Jack如何应对高负载
应对服务器高负载的常见策略（面试重点）
一、扩容类（快速缓解负载核心手段）
水平扩展：增加服务器节点，搭配负载均衡（如Nginx、LVS）实现流量均匀分发，突破单机性能瓶颈，可无限扩展（面试常问：水平扩展的优势及注意事项，如会话共享、分布式锁）。
垂直扩展：升级单机硬件配置（CPU、内存、SSD磁盘等），操作简单、成本低，适合负载初期快速提升性能（局限：有硬件上限，无法无限扩容）。
弹性伸缩：云环境核心能力（如AWS Auto Scaling、阿里云弹性伸缩），基于流量峰值、CPU利用率等指标自动扩缩容，兼顾性能与成本，无需人工干预。
二、流量控制类（防止系统被瞬时流量击垮）
限流：对接口设置QPS/TPS上限，超出阈值的请求直接拒绝、返回友好提示或进入排队队列（常用算法：令牌桶、漏桶，面试高频考点）。
熔断：当依赖服务出现异常（如超时、报错率过高）时，快速触发熔断机制，停止对该服务的调用，避免故障扩散引发系统雪崩（常用组件：Sentinel、Hystrix）。
降级：优先保障核心业务链路（如支付、登录）可用，临时关闭非核心功能（如推荐、评论、历史记录），牺牲非核心体验换取系统稳定性。
排队/削峰：通过消息队列（MQ，如RocketMQ、Kafka）承接瞬时高并发流量，将同步请求转为异步处理，实现流量“削峰填谷”，避免直接冲击后端服务。
三、缓存类（减少重复计算与数据库压力）
CDN缓存：针对静态资源（图片、CSS、JS、静态页面），通过边缘节点缓存，用户就近获取资源，大幅减少源站请求压力，提升访问速度。
分布式缓存：基于Redis、Memcached缓存热点数据（如首页商品、用户信息），替代数据库查询，降低数据库负载（面试常问：缓存穿透、击穿、雪崩的解决方案）。
本地缓存：应用层内存缓存（如Caffeine、Guava Cache），缓存高频访问、变化少的数据，进一步降低远程缓存调用开销，提升响应速度。
四、数据库类（解决数据库性能瓶颈）
读写分离：主库负责写操作（插入、更新、删除），从库负责读操作（查询），通过主从复制同步数据，分散数据库读写压力，提升查询吞吐量。
分库分表：当单库单表数据量过大（如千万级以上）时，通过水平分表（按用户ID、时间范围）或垂直分库（按业务模块）拆分数据，降低单库单表负载。
连接池优化：使用数据库连接池（如Druid、HikariCP）复用数据库连接，避免频繁建立/关闭连接的性能开销，设置合理的连接数阈值，防止连接泄露。
五、架构设计类（从根源降低高负载风险）
微服务拆分：按业务领域拆分独立服务（如用户服务、订单服务），高压模块可单独扩容，避免单个服务故障影响整个系统，提升扩展性。
异步化：将非核心同步操作改为异步处理（如下单后异步扣库存、发送通知），减少接口响应时间，提升并发处理能力。
预热：大型活动前，提前加载热点缓存、进行JVM预热、启动备用节点，避免系统冷启动时因瞬时流量导致的性能波动。
六、前端/入口类（提前拦截与错峰）
流量预估与压测：活动前通过压测工具（JMeter、k6、LoadRunner）模拟高并发场景，摸清系统性能瓶颈，提前优化调整。
前端静态化：将动态页面预渲染为静态HTML（如Vue SSR、Nuxt.js），减少服务端计算压力，提升页面加载速度。
答题/验证码排队：活动入口设置答题、验证码等机制，人为延缓用户进入速度，实现流量错峰，避免瞬时流量集中冲击后端。
七、兜底类（保障系统最终可用性）
多机房/异地多活：跨地域部署服务与数据，实现异地容灾，当单个机房故障时，可快速切换至备用机房，确保业务不中断。
过载保护：系统实时监测CPU、内存、QPS等指标，当检测到过载时，主动拒绝部分请求（如返回503），避免系统崩溃，保障核心功能正常运行。
（注：文档部分内容可能由 AI 生成）