抖音电商面经（已offer）
时间点如下：6.10投递 -> 6.20一面 -> 7.1二面 -> 7.15三面 -> 8.1 hr面 -> 8.8口头 -> 8.17 offer，流程拉的很长，hr明确告知就业环境发生变化，需要横向比较。
一点思考
字节比较看重算法题，着重挑选有acm经验的人，这三轮面试都出了算法题。幸亏提前刷了一个月的算法题，且拿其他公司练手了几轮，最后都写出来了。按照以往，算法能做出来，通过的概率是非常高的，但是今年候选人太多了，写出来也不能稳过，而且薪资涨幅比以往低了很多，来来回回跟hr扯了很久。整体比较注重问题排查经验，讲究系统设计和架构经验，深挖分布式理论，常见系统设计题有：
分布式id、短链、feed流、微博、微信红包、日志监控、直播弹幕等，重点考察需求分析、存储设计，服务交互，注重高性能、高可用、可扩展。
今年找工作十分不易，市场候选人很多，希望这篇面经能帮到大家～
抖音电商一面（6.20 15:00）
设计一个微博feed流系统
大v发消息时可能会扩散，单独搞个信道，只写一次。
粉丝来拉取时从该发信箱拉取，每个关注的明星都去拉一遍明星的信道，可能就关注了10个明星，然后做一下排序。再展示出来。那分页呢？
粉丝拉取明星消息如何优化？
粉丝关注的明星，有个关联关系，按照粉丝分表就行。也可以做缓存。双向建表。。
长轮询，避免空拉，也可以websocket用推送。
批量聚合一些再推送，而不是来一条推一条
推模式：推到用户的收信箱
拉模式：从发送方的发信箱拉取。
加缓存避免热key问题，毕竟读多写少，对第一页加下缓存，避免缓存全量。尤其对于大v的发信箱的拉取，需要做好多级缓存，避免热点问题。
客户端根据消息id做去重，分页查询
双向分库分表，牺牲空间换时间。user-ses/ses-user。如果不分库分表，建立双向索引即可。
如果使用写扩散，可以对在线的用户立即写，离线的用户，写入到kafka里，异步去写就可以了。但是会有很多废弃的账号，存储会有很大的冗余。删除也不好删。更新也不好更新。
普通用户去拉大v的发信箱，则需要并发拉很多个，例如很多条关注者的微博，需要进行动态排序。
普通用户给普通用户发消息，直接投递到对应的收信箱即可。
随着业务的增长，推模式资源浪费会越发严重。原因在于两点：第一存在着大量的僵尸账号，以及大比例的非活跃用户几天或者半个月才登陆一次；第二信息过载，信息太多，重复信息太多，垃圾信息太多，用户感觉有用的信息少，消息的阅读比例低。这种情况下推模式相当一部分在做无用功，白白浪费系统资源。
单向关系（关注）和双向关系（朋友圈）。
mget一次性获取多个key的数据，减少多次网络调用。但是前提是在同一个分片上。可以增加redis分片节点，分配slot，避免某个节点请求量太大。
这里还可以通过用户行为去维护一个活跃粉丝列表，对于该列表中的粉丝，同样进行一个写扩散的行为，保证即时触达。
维护三张表，t_feed内容表（user_id分表），t_like粉丝关注表（user_id分表），t_inbox收信表（user_id/feed_id），大v发消息时，写入t_outbox即可。粉丝读消息时，除了查询自己的t_inbox（推），还要查询下粉丝关联关系，过滤出大v，从每个大v的t_feed拉取消息feed_id（拉），然后进行倒序排序，返回给粉丝查看，这里可能要分页。每条消息详情可以根据feed_id进行缓存。mget
如果有多维度查询需求，需要建立搜索的索引。例如监听binlog。
如何优化粉丝读取压力？拉取关联关系时，增加缓存user_id -> likeId list，然后根据likeId缓存对应的最近的100条消息内容。第二个需要增加本地缓存，避免热查询。之后聚合排序取前n条，可以对第一页做缓存。
如何标记粉丝是否读取该大v消息，增加一个feedId_userId关联表。
算法题：打家劫舍II
NoSQL比RDB（关系型数据库）的好处是，
框架层就考虑了自动扩容、在线扩容、节点分片，例如hbase、es、redis-cluster，有的还考虑了自动均衡节点数据；而MySQL未考虑可扩展性，扩容时，需要自己去设计实现。
抖音电商二面（7.1 11:00）
算法：分糖果2
服务发现怎么实现？zk怎么保证数据一致性
为什么要过半数投票
从选主的角度来看，最多只可能有一个从节点收到的票数大于 N/2 + 1，防止脑裂（多主）
从数据同步确认的角度看，quorum机制，收到过半确认，即可以提交，表示当前有过半节点是最新的，如果读取过半节点，一定有一个数据是最新的。
zk选主投票的原则有哪些？
选主的原则就是选择数据日志比较新的那个(zxid)，同时轮次是最新的(term/epoch)。选主也是过半投票选举，需要看票是否允许改投。
mysql 回滚怎么实现，有用到redolog么
redis string怎么实现的，针对大key如何节省空间？
sdshdr{len：当前使用的长度, free：当前剩余的长度, buf，最后还是以\0结束，总容量为len + free + 1}，
递增长度的，如果len < 1mb，则扩容后，free = len，如果超过了，则会保留free=1MB。这里是不是free不够len，才会扩容，如果超过了len，则不用动。
缩短长度时，不会把free释放掉，当然也可以手动释放
kafka和rocketmq有什么区别，怎么用？
rocketmq有同步和异步发送，两种，同步的话，实时性强些。一个大队列，可以新建很多个topic，kafka至多构建64个topic，不然会出现随机IO的情况，性能下降。支持延迟消息、事务消息等。
系统设计题：设计一个抢券系统，一个主播发放一万张券，大量人来抢券，如何设计。
发券时，存db，然后预初始化当前券的库存数量到redis，也就是一个key。
单个请求如果该用户已经请求过了，直接拒绝掉。且只能请求一次。拿到券后，存一个分配的key到redis中。
先单机计数限流，限流请求量为1w个，超过了直接返回失败。
然后在redis初始化一个1w的计数器，拿到计数的请求通过，没有拿到的直接拒绝。
可以把拿到请求写到kafka里，异步操作数据库消费，扣库存，有一定延迟。数据库扣库存时，一定要加上条件，where 剩余库存>0
实时的情况，就要操作数据库，要分库分表，将写请求打散，1w的库存，均摊到100个db里，拿到1-100编号的，操作第一个db，拿到101-200的操作第二个db，扣库存，依次类推，如果没有库存了，直接返回失败。这种方式没法显示剩余库存比较麻烦。
超卖和少卖问题
用的是redis，跟秒杀有点类似了，将大量无效流量拦截在上游，接口防刷，防黄牛
抖音电商三面（7.15 10:30）
装修是怎么做的？多租户隔离具体怎么做的？
从c端开始整体的链路说一下
算法题：k个一组翻转链表