网易云音乐全栈二面:表结构演化、鉴权设计与「多仓库素材平台」场景题
- 轮次
- 二面
- 时间
- 2026-10
- 来源
- 牛客网
《面试题目》
- 自我介绍,面试官也做了自我介绍。
- 聊一下你的学习路线。
- 简历里那个全栈项目,主要做了哪些功能模块?
- 详细介绍这个项目的需求背景与项目架构。
- 介绍后端表结构:怎么设计的,演化过程是怎样的?
- 建了哪些索引?
- 权限与登录是怎么做的?项目的鉴权方案是什么?
- 前后端在用户感知层面上分别做了什么?(后端数据剪枝过滤、前端区分渲染)
- 场景题:如果网易云要做一个平台,下面有若干仓库、仓库里管理若干产业线的素材,后端表怎么设计?
- 如果要加一个「权限包」,鉴权/权限模型该怎么改?
- 如果项目里的通用上传接口被推广到全公司,其他员工频繁上传大文件把接口打崩了,怎么办?
- 你提到了缓存:内存缓存与「机器缓存」(独立缓存服务)有什么区别?内存缓存可能有什么问题?
- Node.js 写后端和 Java 写接口有什么区别?
- 哪些场景下用 Node.js 写后端比较合适?
《参考解析》
表结构演化要讲「为什么变」,而不是「现在长什么样」。 这类题的标准答法是三代:第一代按最直观的实体建表(用户、素材、分类),字段冗余在业务表里,查询快但一改口径就要写脚本回刷;第二代做范式拆分,把分类、标签、权限抽成独立表加关联表,解决了复用问题,代价是列表页要多次 join;第三代针对读多写少的列表做反范式——在素材主表上冗余 tag_names、category_path 这类展示字段,用「写时同步 + 定期对账」换查询性能。面试官追问「演化过程」时,你要能说出每一代的触发原因(某次需求、某个慢查询、某个数据量拐点),以及当时的取舍代价。索引部分同理:不是列清单,而是说明「这个列表页按 仓库 + 状态 + 更新时间 倒序分页,所以建了联合索引,最左前缀能覆盖过滤,排序字段放在最后避免 filesort」。
「多仓库、多产业线素材」的场景题,本质是层级 + 权限 + 数据隔离三件事。 一个可用的设计是:repo(仓库)、material(素材,带 repo_id)、material_category(仓库内的分类树,用 parent_id + path 存祖先链)、material_tag 多对多。产业线作为仓库的一个属性而不是独立维度,避免「仓库 × 产业线」的笛卡尔爆炸。查询侧的关键问题是「跨仓库检索」:如果运营要在一个页面看多条产业线的素材,纯 repo_id 过滤会变成多表扫,通常要再建一张检索表(或直接上 ES)按「产业线 + 标签 + 时间」冗余一份读模型,用 binlog 或消息同步,允许秒级延迟。这道题的加分点不是 schema 多漂亮,而是你主动问清楚「素材的可见范围是按仓库还是按产业线」「单仓素材量级多少」,把设计约束先固定下来。
权限包改造要落到数据模型,而不是嘴上说「加个 RBAC」。 最小改动是引入 role(角色/权限包)与 role_permission、user_role 两张关联表,权限点用 resource:action 的字符串(repo:read、material:delete)表达,鉴权时把用户的所有权限点拍平成一个集合放进缓存,请求进来只做集合判断,避免每次递归查表。要注意的两个坑:一是「仓库级」和「产业线级」的作用域,权限点必须带上资源 id 或作用域字段,否则一个 material:delete 会越权删到别的仓库;二是权限变更后的缓存失效,通常用「用户维度版本号」在写操作时自增,读侧比对版本号决定是否重载,比逐 key 删除可靠。
「通用上传接口被打崩」这题考的是限流与隔离,不是加机器。 顺序应该是:先做入口治理——按用户和租户的令牌桶限流、单文件大小与并发连接数上限、分片上传 + 断点续传;再做资源隔离——把大文件上传走到独立的上传服务与独立带宽/线程池,避免和普通接口抢同一个连接池,这一步是关键,因为「接口被打崩」往往不是 CPU 打满,而是上传占满了 Tomcat/Netty 的 worker 线程或连接数;最后是异步化——上传只负责落对象存储和写一条任务记录,后续的转码、抽帧、病毒扫描走消息队列,前端拿 taskId 轮询进度。答「加机器」「加缓存」都会被继续追问,因为上传是 IO 与带宽型负载,加缓存没有帮助。
内存缓存 vs 独立缓存服务,答差异要落到「多实例一致性」。 进程内缓存(Guava/Caffeine、Node 的 lru-cache)省一次网络往返,微秒级,适合极少变更的字典数据;问题是多实例之间不共享,一个实例更新了、其他实例还是旧值,只能靠 TTL 兜底或广播失效,而且它占的是业务进程的堆,大对象会把 GC 压力带进主链路,进程重启后全部丢失。独立缓存(Redis/Memcached)多一次 RTT,但天然共享、可独立扩容、支持原子操作与过期策略;代价是多一层依赖,要考虑穿透、雪崩、热 key 与大 key。实践里常见组合是「Redis 做共享层 + 进程内做极热的少量只读数据」,两级都要有 TTL 和失效通道,别指望单靠一级。
Node 与 Java 写后端的差异,讲清「并发模型决定的适用面」。 Node 是单线程事件循环 + 非阻塞 IO,天生适合高并发、低计算量的 IO 密集场景(BFF 聚合、SSR、网关、实时推送、上传下载代理),同样的机器能扛更多空闲连接,冷启动和迭代速度也快;短板是 CPU 密集任务会阻塞整个事件循环(大 JSON 序列化、图片处理、复杂计算),要靠 worker_threads 或拆服务,另外生态里缺少 Java 那套成熟的分布式事务、连接池治理与 JVM 级观测工具链。Java 是多线程 + 线程池,CPU 密集和长事务场景更稳,生态(Spring、Dubbo、各类中间件客户端)和团队治理经验更成熟,代价是内存占用与启动时间。落到「哪些场景适合 Node」,答 BFF/聚合层、SSR、轻量网关、实时消息这类最稳。