烂大街的 RPC 项目，如何和字节面试官聊出花儿来？

前言

大家好，我是「周三不Coding」。

很多公司秋招提前批已经启动啦，相信小伙伴们一定在疯狂地备战秋招。

可能很多同学都已经做过 RPC 项目啦，但是担心到底能不能将其写到简历上，担心 RPC 是烂大街的项目。

其实，我在面试之前，也犹豫过。但是面试的结果却出乎意料，除了面试腾讯时没有问过我 RPC 相关的问题，其它厂几乎上来第一个问题就是：说一说你的 RPC 项目，惊人的一致。这就导致每次面试开始，我都会滔滔不绝的说 10 分钟左右关于 RPC 的那套东西。

所以，我想送给大家一句话：

在面试中，「RPC」并没有想象中的 “不堪”，关键在于熟练掌握其要点，做到应对自如，即是加分点。

接下来，我们一起结合实际的面试题，看看如何做到 「应对自如」！

RPC 模拟面试

此时省略一番自我介绍和寒暄，面试官开始夺命十八连问～

👨‍💼 面试官：小T同学，你先说说你的 RPC 项目是怎么实现的？

👦 小T：（竟然一上来就问这么硬的，还好我早有准备）

👦 小T：我先给您说说我这个 RPC 项目的核心原理和组件吧，请看这张图：

RPC 全称为 Remote Procedure Call，意思为远程调用，并且这个过程就像调用本地方法一样简单！我们不需要关注底层的网络传输细节，只需要按照调用本地方法的流程去调用远程方法即可。

通常，一个 RPC 框架有这么几个核心组件：

• Server
• Client
• Server Stub
• Client Stub

Server 和 Client 比较简单，就是常规意义的服务端和客户端，而在 RPC 中，又引入了一个新的概念 「Stub」。

它起到的作用其实就是代理，处理一些琐碎的事情：

• 对于 Client Stub，它主要是将客户端的请求参数、请求服务地址、请求服务名称做一个封装，并发送给 Server Stub
• 对于 Server Stub，它主要用于接收 Client Stub 发送的数据并解析，去调用 Server 端的本地方法

以上就是 RPC 的核心啦 ......

（面试官突然打断）

👨‍💼 面试官：了解，但这些内容属于比较基础的 RPC，实际应用场景中的 RPC 远不止这么简单，你的 RPC 框架还有其它设计吗？

👦 小T：（我正准备说呢！😭）

是这样的，接下来我给您看看我这个 RPC 项目的层次结构吧！（好戏还在后面）

首先，我讲一讲代理层。它其实对应到我之前提到的：按照调用本地方法的流程去调用远程方法。这一功能就是通过代理层来加以实现。通过使用代理模式，我们可以屏蔽远程方法的调用细节，如：网络连接建立、序列化、发送请求数据、获取返回结果、解析结果等一系列操作。

对于调用者、框架使用者来说，他们只需要直接调用远程方法即可，复杂的逻辑都封装在 RPC 框架中处理。

我顺便说一下，除了屏蔽调用细节，代理层的其他优点吧：

• 代理层可以扩展目标对象的功能
• 代理层可以与客户端进行解耦，提升系统的可扩展性

（又被面试官打断）

👨‍💼 面试官：那你的代理层是如何转发请求的呢？在微服务分布式场景下，是有许多服务的，一个服务也可能对应多个实例，你是如何处理的？

👦 小T：（这不就是注册中心需要解决的事情吗？简单！）

这正是我准备说的「注册中心层」。如果只使用代理层的话，是很难处理您所说的这种情况的，因为我们需要考虑如何记录众多的服务的地址信息，并在某个服务上下线时，通知其他服务。若这个时候单纯使用代理层去管理这些琐碎的事情，就会造成代码复杂度、耦合度上升，不易于扩展与维护。

因此，我在 RPC 框架中抽象出了「注册中心层」，专门用于处理服务注册、服务信息查找、服务上下线通知。

更具体地来说，负责以下三类事项：

• 服务发现：客户端需要订阅注册中心。在需要远程调用时，从注册中心中获取信息，然后进行方法调用
• 服务注册：服务提供者将地址、接口、分组等信息存放在注册中心模块，当服务上线、下线均会通知注册中心
• 服务管理：提供服务的上下线管理、服务配置管理、服务健康检查等功能，以保证服务的可靠性和稳定性

就像我图中所画的一般：

👨‍💼 面试官：那你的注册中心具体是如何实现的？你是手写了一个注册中心组件吗？

👦 小T：（糟了，他不会以为我是手写的吧！我得迂回一下！）

呃，并没有，因为正如之前所说，这里涉及到了数据存储、事件监听机制、心跳机制等多个复杂的工作，而市面上恰好有满足这些特性的开源组件，考虑到整体项目的进度以及手写的复杂程度，最后我还是选择了开源的解决方案。

👨‍💼 面试官：那你是如何做选择的？换句话说，你之前有仔细了解过这些开源组件吗？

👦 小T：（就知道会问这个，好在我早有准备～）

在谈如何选择注册中心之前，请让我先简单介绍一下 CAP 理论哈～因为之后我会根据 CAP 理论选择注册中心！

CAP 理论是分布式系统中的重中之重！

敲黑板！注册中心重点来喽！

CAP 是 Consistency（一致性） 、Availability（可用性） 、Partition Tolerance（分区容错性） 这三个单词首字母组合。

一致性（Consistency） : 所有节点访问同一份最新的数据副本

可用性（Availability） : 非故障的节点在合理的时间内返回合理的响应（不是错误或者超时的响应）。

分区容错性（Partition Tolerance） : 分布式系统出现网络分区的时候，仍然能够对外提供服务。

CAP 并不是简单的 3 选 2，因为分区容错性是必须实现的。以分区容错性作为前提，在一致性与可用性中做选择。

接下来，我说一下我是如何在 Zookeeper、Nacos、Eureka、Consul 中做技术选型的！

• Zookeeper

  • Zookeeper 通过 znode 节点来存储数据。因此我们可以利用这一特性进行服务注册，节点用于存储服务 IP、端口、协议等信息。

    • 例如：服务提供者上线时，Zookeeper 创建该节点 - /provider/{serviceName}:{ip}:{port}

  • Zookeeper 提供 Watcher 机制，可以监听相应的节点路径。因此我们可以利用这一机制监听对应的路径，一旦路径上的数据发生了变化，我们便向其他订阅该服务的服务发送数据变更消息。收到消息的服务便去更新本地缓存列表。

  • Zookeeper 提供心跳检测功能，定时向各个服务提供者发送心跳请求，确保各个服务存活。如果服务一直未响应，则说明服务挂了，将该节点删除。

  • Zookeeper 遵循一致性原则，即 「CP」

    • 对于注册中心而言，最重要的是可用性，我们需要随时能够获取到服务提供者的信息，即使它可能是几分钟以前的旧信息。
    • 但是 Zookeeper 由于其核心算法是 ZAB，主要适用于分布式协调系统（分布式配置、集群管理等场景）。当 master 节点故障后，剩余节点会重新进行 leader 选举，导致在选举期间整个 Zookeeper 集群不可用。

• Nacos

  • 服务提供者启动时，会向 Nacos Server 注册当前服务信息，并建立心跳机制，检测服务状态。

  • 服务消费者启动时，从 Nacos Server 中读取订阅服务的实例列表，缓存到本地。并开启定时任务，每隔 10s 轮询一次服务列表并更新。

  • Nacos Server 采用 Map 保存实例信息。当配置持久化后，该信息会被保存到数据库中。

  • 对于服务健康检查，Nacos 提供了 agent 上报与服务端主动监测两种模式

  • Nacos 支持 CP 和 AP 架构，根据 ephemeral 配置决定

    • ephemeral = true，则为 AP
    • ephemeral = false，则为 CP

• Eureka

  • 服务提供者启动时，会到 Eureka Server 去注册服务

  • 服务消费者会从 Eureka Server 中定时以全量或增量的方式获取服务提供者信息，并缓存到本地

  • 各个服务会每隔 30s 向 Eureka Server 发送一次心跳请求，确认当前服务正常运行。若 90s 内 Eureka Server 未收到心跳请求，则将对应服务节点剔除。

  • Eureka 遵循可用性原则，即「AP」。

    • Eureka 为「去中心化结构」，没有 master / slave 节点之分。只要还有一个 Eureka 节点存活，就仍然可以保证服务可用。但是可能会出现数据不一致的情况，即查到的信息不是最新的。
    • Eureka 节点收到请求后，会在集群节点间进行复制操作，复制到其他节点中。

• Consul

  • 服务提供者启动时，会向 Consul Server 发送一个 Post 请求，注册当前服务信息
  • 服务消费者发起远程调用时，会向 Consul Server 发送一个 Get 请求，获取对应服务的全部节点信息
  • Consul Server 每隔 10s 会向服务提供者发送健康检查请求，确保服务存活，并更新服务节点列表信息。
  • Consul 遵循一致性原则，即「CP」

这 4 种开源组件均满足注册中心需求。在这种场景下，技术选型就是一个 Trade-off 了，我们需要选择一个最适合的组件！

• 对于 Consul，它底层语言是 Go，更支持容器化场景，而当前 RPC 框架采用的是 Java 语言，所以就先淘汰啦～
• 对于 Eureka，它很适合作为注册中心，但是其维护更新频率很低，目前国内使用的人很少，所以在这里就先不使用啦～
• 对于 Nacos，它是目前国内非常主流的一种注册中心，而且由 Alibaba 开源。
• 最后，我还是选择了 Zookeeper，虽然 Zookeeper 追求一致性导致其不太适合于注册中心场景，但是国内 Dubbo 框架选用了 Zookeeper 作为注册中心，能从 Dubbo 框架中参考到许多优秀的实现技巧。并且，我们可以通过操作 Zookeeper 节点，从更加底层的角度感受如何实现注册服务。

（啊～终于说完了，好累）

👨‍💼 面试官：嗯，说的很不错，看来在技术选型上做了很多功课！你最终选用了 Zookeeper，那你还知道 Zookeeper 的其它应用场景吗？

👦 小T：（竟然问这么细）除了注册中心，Zookeeper 还可以实现分布式锁、分布式 ID、配置中心等功能。

对于分布式锁：

• Zookeeper 有一种节点为临时节点，它可以保证服务宕机后节点自动被删除，不需要额外考虑添加节点过期时间来解决死锁问题。

• Zookeeper 可以通过使用顺序节点，满足公平锁特性。

• Zookeper 节点加锁时，通过监听前驱节点状态，判断是否获取到锁。

  • 如果监听到它的前驱节点被删除时，则相当于获取到锁；否则阻塞。

对于分布式 ID：

• Zookeeper 可以通过其顺序节点，实现分布式 ID，确保分布式环境下 ID 不重复。

对于配置中心：

• 通过 znode 节点实现配置存储
• 通过 Watcher 监听节点信息是否发生变化，若发生变化，则通知客户端更新配置信息。

👨‍💼 面试官：掌握得可以呀～那你接着说吧。

👦 小T：之前我们有提到，一个服务可能对应着多个实例节点，从注册中心中获取到的可能不止有一个服务地址，可能是一个地址信息 List。这时候我们就需要借助「路由层」，帮助我们从多个实例节点中选取一个，这就是「负载均衡」。在我的 RPC 框架中，我提供了如下 5 种负载均衡策略：

• 随机选取策略
• 轮询策略
• 加权轮询策略
• 最少活跃连接策略
• 一致性 Hash 策略

这就是路由层的核心作用 —— 「负载均衡」啦～

👨‍💼 面试官：我刚才听你提到一致性 Hash 策略，但好像没有提到 Hash，你能在具体说说吗？

👦 小T：（竟然听的这么细！）好嘞，可能是我漏啦～我们可以从一致性 Hash 环的原理讲起！

我们可以看到如图「圆环」中存在有 3 个节点，分别为 NodeA / Node B / Node C，4 个请求，分别为 Req 1 / Req 2 / Req 3 / Req 4。

为什么叫这个「圆环」为「一致性 Hash 环」呢？这是因为我们要对每一个节点根据 Hash 算法计算得到一个 Hash 值，并将其映射到圆环中的某一个位置。对于请求也是如此，根据参数来计算具体的 Hash 值，也映射到圆环中对应的位置。

接下来的事情就很简单啦，每一个请求沿着当前圆环 顺时针 寻找，找到的第一个节点就是对应的处理请求节点。

如图对应关系为，Node A 处理 Req 3 和 Req 4，Node B 处理 Req 1，Node C 处理 Req 2。

但是一致性 Hash 环容易造成一个问题，看下面这个图就一目了然啦！

当服务节点过少时，节点 Hash 值映射到圆环的位置可能聚集于某一处，容易因为节点分布不均匀而造成请求均衡问题，即「数据倾斜」。

在图中，Node A 承担了大部分请求，Node C 只承担了一个请求，Node B 一个都没有。

为此，我们需要引入「虚拟节点」解决这一问题。

图中黄色节点对应的就是「虚拟节点」，起到均衡请求、避免数据倾斜的作用。

👨‍💼 面试官：理解的很到位！你接着说路由层吧～

👦 小T：（感觉稳了！）路由层除了实现核心的「负载均衡」功能之外，还承担了分配流量的作用。在 RPC 框架中，我们可以将流量标签、实例标签、路由规则等信息存储在请求中，这样一来，我们就可以随意控制流量，将请求分配到不同的流量环境。

基于此，我们可以实现「泳道测试」，即对于生产环境请求，打上对应的 prod 标签，对于测试环境请求，打上对应的 test 标签。这样就可以让大部分请求转发到生产环境服务，而新版本测试请求转发到测试环境服务。

👨‍💼 面试官：时间不多啦，你接着说下一层吧～

关于路由层的知识点，面试一般只会考到「负载均衡」算法。所以为了考虑到大部分读者快速准备面试的需求，对于路由层的高级路由部分，如：条件路由、泳道测试、灰度测试等具体内容，我会放到我的微服务专栏进行详细的讲解～

👦 小T：好嘞！咱们接着说序列化层！由于 RPC 调用的底层是网络请求，当我们的请求携带参数时，请求发送方需要将参数进行「序列化」，从而实现在网络中传输。而请求接收方也需要进行「反序列化」操作，获取到可理解的参数。

• 序列化：将数据结构或对象转化为二进制字节流
• 反序列化：将在序列化过程中生成的二进制字节流转化为数据结构或对象

为了整合多种序列化框架，我抽象出了序列化层，使用工厂模式，定义了抽象工厂接口，其中有两个方法：serialize 和 deserialize

并定义相应的序列化实现类，包含如下序列化框架：

• JDK序列化

  • 通过ObjectOutputStream的writeObject和readObject方法实现，可通过重写指定其他序列化方式
  • JDK默认序列化方式性能差，且只适用于Java

• Protocol Buffer

  • 支持跨语言、跨平台，可扩展性强
  • 需要使用IDL来定义Schema描述文件，定义完描述文件后，可以直接使用protoc来直接生成序列化与反序列化代码
  • 性能低于Kyro，但是高于大部分序列化协议，序列化后的size也较小

• Kyro

  • 主要适用于Java，不支持字段扩展
  • 使用简洁，直接使用Input、Output对象
  • 高性能，序列化与反序列化时间开销都很低，序列化后的size也很小

• Hessian

  • 支持跨语言、跨平台，可扩展性强
  • 易用：只需要实现Serializable接口即可
  • 序列化时间与大小都比较小

👨‍💼 面试官：可以的～那在数据传输过程中，可能会出现粘包和半包问题，你是如何解决的？

👦 小T：（好问题，正好我复习了！）我在做之前，是有了解调研过业界的解决方案，有以下几种：

• 固定长度传输：固定好每次数据包的长度，比如规定每次传输长度为 32 个字节。当接收方接满 32 个字节时，代表接受到了完整的信息。

  • 该方法灵活性太低

• 特殊字符分割：即每次接收方读取数据时，读到事先约定好的特殊字符时，代表接受到了完整的信息。

  • 如果消息内容中刚好有这一特殊字符，需要提前做转义，还是比较麻烦。

• 自定义消息结构

最后，考虑到灵活性，决定自定义消息结构，因此我抽象出了「协议层」，专门用于定义消息收发格式。

自定义协议结构体如下：

• MagicNumber 魔数：用于做安全检测，能够快速确认当前请求是否合法。请求发送方和接收方可以提前约定好魔数。

• ContentLength 请求长度：协议长度。

• Content 核心传输数据：封装请求的接收方名称、请求的方法、请求参数等内容

  • 这里的 Content 为二进制字节流，对应的就是「序列化层」序列化后得到的二进制字节流。

👨‍💼 面试官：似乎还有「链路层」和「容错层」，你再展开说说吧～

👦 小T：好的。我先说说为什么需要「链路层」，其主要用于解决以下两个问题：

• 对 RPC 请求做鉴权：请求在到达请求接收方之前，先校验其是否有请求凭证（Token）
• 记录请求过程中的调用日志信息

「链路层」的核心设计思想是责任链设计模式：

• 责任链模式可以使我们任意添加请求的「前处理」和「后处理」对象，并调整处理顺序，提高了维护性和可拓展性，可以根据需求新增处理类，满足开闭原则。
• 责任链简化了对象之间的连接。每个对象只需保持一个指向其后继者的引用，不需保持其他所有处理者的引用，这避免了使用众多的 if 或者 if···else 语句。
• 责任分担，职责分离。每个类只需要处理自己该处理的工作，不该处理的传递给下一个对象完成，明确各类的责任范围，符合类的单一职责原则。

对于「容错层」，我主要是为了实现服务稳定性治理，确保服务的高可用性。主要通过以下几种手段实现容错层：

• 超时重试机制

  • 请求一般可以分为「幂等」与「非幂等」请求，幂等性指的是多次请求某一个资源，最后的结果相同，对系统产生的影响相同。
  • 在请求重试时，我们需要额外考虑「非幂等请求」重试所带来的风险（比如转账、下单等涉及资金业务场景），当请求超时时，很难判断数据包是否已经到达服务接收方。因此，在请求参数中添加 retry 参数，重试次数由用户自行决定。当 retry = 0 时，则代表请求失败不进行重试。

• 服务限流

  • 在高并发场景下，通过限制瞬发 QPS 最大值，从而防止系统被流量击溃，最大限度保证服务高可用。

• 服务熔断

  • 在调用过程中，可能出现 Bug、故障等问题。为了防止由于此类问题导致故障在调用链路中扩散，引起「链路雪崩」，我们选择触发「服务熔断」，直接抛出异常，放弃继续调用下游服务，最大程度保护其他服务。

👨‍💼 面试官：不错，说得很好。但是你的 RPC 框架最后有做压力测试吗？所有框架最后都得使用呀，一定要能投入到生产环境使用。

👦 小T：（这也要问吗？还好我做了这一步！）您说的没错，我也有考虑到这一点。在写完代码后，我做了一次压力测试：

我通过设置连续请求次数为 100 / 1000 / 10000，对框架进行压力测试，发现随着请求次数梯度上升，整体接口的响应速度和结果并没有发生变化，说明框架稳定。

👨‍💼 面试官：好的。最后我再问一个问题，你觉得你的 RPC 框架还有什么设计亮眼的地方？

👦 小T：（啊，终于快要问完了）我在框架中多次运用到了「异步设计」，对各个操作进行解耦。

• 对于服务端：

  当请求抵达服务器时，将其直接丢入业务阻塞队列中，然后开辟一个新的线程，从阻塞队列中循环获取Handler请求任务。

  将获取到的任务对象交付于业务线程池进行消费处理。

• 对于客户端：

  代理层在发送完请求之后，不需要同步阻塞等待响应结果。结果的返回为异步。

  并且用户可以通过配置文件的方式，自行选择异步或同步。

👨‍💼 面试官：咦，你提到了你有用线程池技术，那么你是如何选择线程数的呀？

👦 小T：（什么？不是最后一个问题吗？怎么还有？）

通用的选择方式是根据线程池处理任务的类型进行选择：

• 如果是CPU密集型任务，如：加密、解密、压缩、计算，应该根据当前服务器CPU核心数进行选择，最好是CPU核心数的1~2倍

• 如果是IO密集型任务，如：数据库、网络传输、文件读写，应该尽可能提升线程数

• 公式为：线程数 = CPU 核心数 *（1+平均等待时间/平均工作时间）

  • 平均等待时间越长，说明是IO密集型，需要增大线程数
  • 平均工作时间越长，说明是CPU密集型，需要减少线程数

对于我这个框架来说，大部分都是 IO 密集型任务，因此我调大了线程数。

👨‍💼 面试官：好的，可以看出 小T同学 对于 RPC 设计掌握得确实不错。行吧，回去等通知吧～

👦 小T：（？？？？？？？？？？？？）

总结

终于写完了，洋洋洒洒将近 1w 字。

总结一下全文：我们从面试的角度出发，将 RPC 框架拆分了多个层次，逐层剖析 RPC 框架的具体实现原理，基本涵盖了 RPC 框架常考的知识点！

如果大家觉得部分知识点不够细致，我会在后续的文章中继续补充。

大家感兴趣的话请关注我的微服务专栏，我会在这里对路由层、服务治理等内容进行详细的补充。

个人认为应付面试应该足够使用啦。

此外，我还想再提一下文章开头的那句话：在面试中，「RPC」并没有想象中的 “不堪”，关键在于熟练掌握其要点，做到应对自如，即是加分点。

如果能很好的掌握 RPC 实现细节，在面试中绝对是大大大大大的加分点！如果你很会 RPC，放心大胆地写到简历上！

这就是本期的全部内容啦，如果大家觉得本篇文章对你有帮助，麻烦帮忙点个赞、收藏一下呀～那么今天就到这里啦，下期再见！