星辉互娱游戏服务端一面:聊天通知链路、RabbitMQ 可靠性、MySQL 满载与十万级长连接
- 轮次
- 一面
- 时间
- 2026-10
- 来源
- 牛客网
《面试题目》
- 自我介绍。
- 你在实习里做了一个游戏内聊天与通知服务,如果让你从连接接入、消息转发、异步落库到故障恢复完整讲一遍,你会怎么设计?
- 为什么使用 RabbitMQ 去做异步的落盘?
- RabbitMQ 已经开启消息持久化了,为什么服务仍然可能丢消息或者产生重复消息?
- 如果数据库挂了怎么办,你怎么做消息的持久化?
- 游戏服务器发现 MySQL CPU 已经接近满载,但当前在线人数还在持续上涨,你会怎样定位究竟是 SQL、锁竞争还是架构问题?
- 如果游戏业务大量使用 Redis 缓存,某个热点 Key 突然失效导致请求全部打到数据库,你会怎么处理?
- 为什么消息的转发用 WebSocket?如果连接数量比较大的话,怎么管理连接比较好?
- 一个 Gateway 要支撑十万级长连接时,为什么不能简单地把所有连接都塞进一个线程?你会怎样设计线程模型?
- TCP 四次挥手是什么?
《参考解析》
聊天通知服务的链路:每一环都要说清失败怎么办
按数据流答,而不是按技术栈罗列。连接接入:客户端用 WebSocket 连到网关,网关鉴权(token 换 uid)、把连接注册进本地连接表,并向路由层写一条「uid 在哪台网关」。消息转发:上行消息先做协议解析与合法性校验,私聊按目标 uid 查路由直接投递,世界频道按订阅关系扇出;在线走网关推送,离线落离线消息表。异步落库:聊天记录不必同步写库,投一条到 MQ 由消费者批量写,最近 N 条放 Redis 供快速拉历史。故障恢复:网关掉线后客户端重连到任意一台网关、重新注册路由,服务端按 uid 拉断线期间的离线消息补推;消息带客户端序号,接收方按序号去重排序。这题真正被追问的是「哪一环崩了会怎样」:网关挂了靠多实例加退避重连、路由表过期靠登录覆盖写加 TTL、消费者挂了看队列深度和消费延迟。
为什么用 RabbitMQ,以及持久化为什么还不保险
同步写库会把数据库延迟直接叠到请求链路上,峰值时连接池和磁盘 IO 瞬间打满。MQ 起三个作用:削峰(把突发流量摊平到数据库能承受的速率)、解耦(落库、推送、统计各自订阅)、批量(消费者攒一批再写,事务和网络开销都降)。选 RabbitMQ 而非 Kafka,理由通常在消息量级与路由灵活性(交换机、routing key、死信、延迟能力),不在吞吐。
「开了持久化为什么还会丢」要分三段。生产端:basic_publish 只是写进 TCP 缓冲区就返回,进程这时崩掉 Broker 可能没收到,所以要开 publisher confirm;Broker 端:队列要 durable、消息要设持久化属性,两者缺一个重启就丢;消费端最大的问题其实是重复——事务提交后、ack 之前宕机,Broker 会重新投递,业务就执行两次。所以端到端只能做到 at-least-once,幂等必须自己做:用消息 ID 或业务唯一键建唯一索引,重复写入转成幂等成功。关键消息可以用 Quorum Queue 提升单节点故障下的可靠性,代价是复制与确认路径更长,按消息等级分级而不是全部上最高可靠。
数据库挂了:停止硬重试,让消息等在队列里
最危险的动作是让消费者疯狂重试 SQL——原本只是 DB 故障,很快演变成消费线程、连接池全部堵死,恢复后还要面对雪崩式重连。正确做法是先降速或暂停消费,消息留在持久化队列不丢;已取出的消息用 nack 加延迟重试(TTL 队列加死信交换机),而不是立即 requeue 形成热循环;超过最大重试次数进人工队列并告警。恢复阶段同样要克制:按当前 QPS 和连接池水位逐步提高消费速率,先恢复核心业务;业务表用唯一索引或幂等表防止重复消费。这题的重点其实是「故障期间怎么不把事情搞得更糟」。
MySQL CPU 满载:先定位忙在哪,再谈加机器
看到 CPU 高就扩容是第一个坑。第一步看证据:慢查询日志找执行时间长、扫描行数大的 SQL;performance_schema 按总耗时排序找执行频率高的语句(单条 1ms 但每秒十万次,比单条 1s 更致命);EXPLAIN ANALYZE 对比预估行数与实际行数,判断是统计信息失真还是缺索引。第二步区分 SQL 与锁:单条不慢但 TPS 一上来延迟就飙,要查锁等待和长事务(information_schema.innodb_trx、data_lock_waits),游戏场景的典型是热点行——同一玩家、同一公会、同一全局计数被并发更新,瓶颈在行锁排队而不在查询,解法是拆桶、合并写入或把强一致降级成异步累加。第三步才看架构:排行榜、在线状态、房间状态这类高频数据不该实时压 MySQL,读走 Redis、非强一致写走 MQ、日志批量落盘。优化目标是减少数据库必须承担的工作量,不是让某条 SQL 快 10%。
热点 Key 失效:击穿、穿透、雪崩要分开答
热点 Key 突然过期、请求全打到数据库,这是缓存击穿,加 TTL 只能降低概率。两种解法:只放一个请求回源(singleflight 或分布式锁),其余等待或返回旧值;逻辑过期——缓存不真删,值里带业务过期时间,发现过期后由一个线程异步重建,其余继续用旧数据。要主动切开三个概念:查大量不存在的 ID 是穿透(空值缓存或布隆过滤器);大批 Key 同时过期是雪崩(TTL 加随机抖动,配限流降级);击穿是单个热点失效。补一句「重建动作也要限流」,是做过线上的人才想到的。
WebSocket 与十万连接:瓶颈不是「存不下 fd」
用 WebSocket 是因为服务端要主动推:聊天、组队邀请、世界事件都要求双向实时,HTTP 请求响应做不到,轮询又有延迟和无效请求。连接管理要维护 uid → connection、fd → connection 两张索引,连接对象有明确生命周期(建立、鉴权、心跳、关闭),心跳用来清半开连接。规模上来后真正的危险是慢客户端:某个玩家网络差,服务端还不断往它的发送队列塞消息,一条连接就能吃掉大量内存,所以每条连接要有独立发送缓冲上限和背压——超过阈值丢低优先级消息(比如世界频道广播),再严重直接断开。多机部署还要解决「玩家在哪台网关」,登录时注册路由,业务服务按 uid 查网关再投递。
十万连接的线程模型:epoll 能监听十万个 fd,不代表一个线程能处理这些连接的所有工作。网络事件本身很轻,但协议解析、序列化、加解密、业务调用一旦塞进事件循环,任何一次耗时操作都会阻塞同一条线程上的其它连接。常见设计是少量 I/O 线程各自持有 epoll、每条连接固定归属某个 I/O 线程(避免 fd 和发送缓冲区跨线程操作),收齐完整业务包后投给逻辑线程池或 Actor,处理完把待发数据回投给连接所属 I/O 线程。线程不是越多越好,更好的思路是按玩家、房间、地图做逻辑分片,让同一实体始终在同一执行上下文串行处理,从根上减少锁。
TCP 四次挥手:为什么不能像建连一样三次
TCP 是全双工,两个方向要分别关闭,所以是四次:主动方发 FIN 表示「我没数据要发了」,被动方回 ACK(此时它还能继续发,这就是半关闭),等它也发完再发自己的 FIN,主动方回最后一个 ACK。主动方不会立刻删连接,而要 TIME_WAIT 等 2MSL——保证最后一个 ACK 丢了还能重发,也让旧报文在网络中消散,不污染复用同一四元组的新连接。工程上的落点是:短连接堆积 TIME_WAIT 会吃端口,解法是用长连接与连接池,而不是简单调小等待时间。