interview/questions/design-lbs.md

LBS 附近的人系统设计

需求分析和数据量评估

需求分析

• 核心功能：位置搜索、附近的人、距离计算、实时更新
• 业务场景：社交软件、外卖服务、打车应用
• QPS评估：日查询10亿次，峰值QPS 5万+
• 数据规模：用户1亿+，日均位置更新1000万+

数据量评估

• 用户位置表：1亿条，实时更新频率高
• 位置历史表：100亿+条，存储轨迹信息
• 地理索引表：全球空间索引，数据量大
• 社交关系表：10亿+条，好友关系数据

核心技术难点

1. 海量数据处理

• 亿级用户位置数据存储
• 实时数据写入性能要求
• 空间索引构建和维护

2. 实时性要求

• 位置信息实时更新
• 查询响应毫秒级
• 数据一致性问题

3. 距离计算优化

• 快速计算两点间距离
• 批量距离计算优化
• 空间索引查询优化

4. 隐私保护

• 用户位置隐私
• 数据脱敏处理
• 访问权限控制

系统架构设计

总体架构

┌─────────────────┐    ┌─────────────────┐    ┌─────────────────┐
│   移动端APP     │    │   Web管理后台   │    │   第三方API     │
│      (iOS/Android)│   │      (PC)       │   │      (SDK)      │
└─────────────────┘    └─────────────────┘    └─────────────────┘
         │                       │                       │
         └───────────────────────┼───────────────────────┘
                                 │
            ┌─────────────────────┼───────────────────────┐
            │                     │                     │
    ┌─────────────────┐ ┌─────────────────┐ ┌─────────────────┐
    │   API网关       │ │   负载均衡      │ │   CDN加速      │
    │    (Gateway)    │ │   (Nginx)      │ │     (Edge)      │
    └─────────────────┘ └─────────────────┘ └─────────────────┘
                                 │
            ┌─────────────────────┼───────────────────────┐
            │                     │                     │
    ┌─────────────────┐ ┌─────────────────┐ ┌─────────────────┐
    │   位置服务      │ │   搜索服务      │ │   计算服务      │
    │   (微服务)      │ │   (微服务)      │ │   (微服务)      │
    └─────────────────┘ └─────────────────┘ └─────────────────┘
            │                     │                     │
            └─────────────────────┼───────────────────────┘
                                 │
            ┌─────────────────────┼───────────────────────┐
            │                     │                     │
    ┌─────────────────┐ ┌─────────────────┐ ┌─────────────────┐
    │   Redis集群     │ │   数据库集群    │ │   消息队列      │
    │   (缓存+pub/sub)│ │   (PostGIS)     │ │   (Kafka/RabbitMQ)│
    └─────────────────┘ └─────────────────┘ └─────────────────┘
                                 │
            ┌─────────────────────┼───────────────────────┐
            │                     │                     │
    ┌─────────────────┐ ┌─────────────────┐ ┌─────────────────┐
    │   地理计算      │ │   数据仓库      │ │   地图渲染      │
    │   (Geospatial)  │ │   (ClickHouse)  │ │   (Mapbox)      │
    └─────────────────┘ └─────────────────┘ └─────────────────┘

关键组件

1. 流量层

• API网关：请求路由、限流、认证
• 负载均衡：Nginx L7负载均衡
• CDN加速：静态资源缓存

2. 服务层

• 位置服务：位置更新、订阅管理
• 搜索服务：附近的人查询
• 计算服务：距离计算、路线规划
• 社交服务：好友关系管理

3. 存储层

• Redis集群：位置缓存、订阅频道
• PostgreSQL：空间数据存储
• ClickHouse：地理位置分析
• MongoDB：轨迹数据存储

4. 分析层

• 数据仓库：离线数据分析
• 实时计算：Flink/Kafka Streams
• 地图服务：地图渲染和展示

数据库设计

用户位置表

CREATE TABLE `user_location` (
  `id` bigint NOT NULL AUTO_INCREMENT,
  `user_id` bigint NOT NULL COMMENT '用户ID',
  `latitude` decimal(10,8) NOT NULL COMMENT '纬度',
  `longitude` decimal(11,8) NOT NULL COMMENT '经度',
  `accuracy` decimal(10,2) DEFAULT NULL COMMENT '定位精度(米)',
  `device_type` varchar(20) DEFAULT NULL COMMENT '设备类型',
  `app_version` varchar(50) DEFAULT NULL COMMENT '应用版本',
  `created_at` timestamp NOT NULL DEFAULT CURRENT_TIMESTAMP,
  `updated_at` timestamp NOT NULL DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP,
  `expire_at` timestamp NOT NULL COMMENT '过期时间',
  PRIMARY KEY (`id`),
  UNIQUE KEY `uk_user_id` (`user_id`),
  KEY `idx_location` (`latitude`, `longitude`),
  KEY `idx_expire_at` (`expire_at`),
  SPATIAL KEY `idx_spatial` (`latitude`, `longitude`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;

位置历史表

CREATE TABLE `location_history` (
  `id` bigint NOT NULL AUTO_INCREMENT,
  `user_id` bigint NOT NULL COMMENT '用户ID',
  `latitude` decimal(10,8) NOT NULL COMMENT '纬度',
  `longitude` decimal(11,8) NOT NULL COMMENT '经度',
  `accuracy` decimal(10,2) DEFAULT NULL COMMENT '定位精度(米)',
  `timestamp` datetime NOT NULL COMMENT '时间戳',
  `device_type` varchar(20) DEFAULT NULL COMMENT '设备类型',
  PRIMARY KEY (`id`),
  KEY `idx_user_timestamp` (`user_id`, `timestamp`),
  KEY `idx_location` (`latitude`, `longitude`),
  SPATIAL KEY `idx_spatial` (`latitude`, `longitude`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;

地理索引表

CREATE TABLE `geo_index` (
  `id` bigint NOT NULL AUTO_INCREMENT,
  `grid_id` varchar(20) NOT NULL COMMENT '网格ID',
  `min_lat` decimal(10,8) NOT NULL COMMENT '最小纬度',
  `max_lat` decimal(10,8) NOT NULL COMMENT '最大纬度',
  `min_lng` decimal(11,8) NOT NULL COMMENT '最小经度',
  `max_lng` decimal(11,8) NOT NULL COMMENT '最大经度',
  `user_count` int NOT NULL DEFAULT 0 COMMENT '用户数量',
  `created_at` timestamp NOT NULL DEFAULT CURRENT_TIMESTAMP,
  PRIMARY KEY (`id`),
  UNIQUE KEY `uk_grid_id` (`grid_id`),
  KEY `idx_bounds` (`min_lat`, `max_lat`, `min_lng`, `max_lng`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;

好友关系表

CREATE TABLE `user_friends` (
  `id` bigint NOT NULL AUTO_INCREMENT,
  `user_id` bigint NOT NULL COMMENT '用户ID',
  `friend_id` bigint NOT NULL COMMENT '好友ID',
  `distance` decimal(10,2) DEFAULT NULL COMMENT '距离(公里)',
  `status` tinyint NOT NULL DEFAULT 1 COMMENT '状态',
  `created_at` timestamp NOT NULL DEFAULT CURRENT_TIMESTAMP,
  PRIMARY KEY (`id`),
  UNIQUE KEY `uk_user_friend` (`user_id`, `friend_id`),
  KEY `idx_user_id` (`user_id`),
  KEY `idx_friend_id` (`friend_id`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;

缓存策略

Redis缓存设计

// 用户位置缓存
const USER_LOCATION_PREFIX = 'location:';
const USER_LOCATION_TTL = 60; // 1分钟

// 地理网格缓存
const GRID_PREFIX = 'grid:';
const GRID_TTL = 300; // 5分钟

// 用户订阅缓存
const SUBSCRIPTION_PREFIX = 'subscription:';
const SUBSCRIPTION_TTL = 3600; // 1小时

// 距离计算缓存
const DISTANCE_PREFIX = 'distance:';
const DISTANCE_TTL = 60; // 1分钟

缓存策略

1. 多级缓存：

   • 本地缓存：Caffeine
   • 分布式缓存：Redis Cluster
   • CDN缓存：静态资源

2. 缓存更新策略：

   • Write Behind：异步更新
   • Refresh Ahead：预加载热点数据
   • Cache Invalidation：定时失效

3. 空间索引缓存：

   • 网格索引预加载
   • 热点区域缓存
   • 分层缓存策略

GeoHash实现

import math

def geohash_encode(latitude, longitude, precision=12):
    # 地球半径（米）
    earth_radius = 6371000

    # GeoHash字符集
    chars = "0123456789bcdefghjkmnpqrstuvwxyz"

    # 计算精度对应的网格大小
    grid_size = 5e6 / (2 ** (precision / 2))

    # 计算经纬度范围
    lat_min = -90
    lat_max = 90
    lng_min = -180
    lng_max = 180

    geo_hash = []
    for i in range(precision):
        # 纬度二进制
        mid_lat = (lat_min + lat_max) / 2
        if latitude >= mid_lat:
            lat_min = mid_lat
            lat_bit = 1
        else:
            lat_max = mid_lat
            lat_bit = 0

        # 经度二进制
        mid_lng = (lng_min + lng_max) / 2
        if longitude >= mid_lng:
            lng_min = mid_lng
            lng_bit = 1
        else:
            lng_max = mid_lng
            lng_bit = 0

        # 组合成字符索引
        index = lat_bit * 2 + lng_bit
        geo_hash.append(chars[index])

    return ''.join(geo_hash)

def calculate_distance(lat1, lng1, lat2, lng2):
    # Haversine公式计算距离
    R = 6371000  # 地球半径（米）

    dLat = math.radians(lat2 - lat1)
    dLng = math.radians(lng2 - lng1)

    a = (math.sin(dLat/2) * math.sin(dLat/2) +
         math.cos(math.radians(lat1)) * math.cos(math.radians(lat2)) *
         math.sin(dLng/2) * math.sin(dLng/2))

    c = 2 * math.atan2(math.sqrt(a), math.sqrt(1-a))
    distance = R * c

    return distance

扩展性考虑

1. 水平扩展

• 无状态服务：位置服务和搜索服务无状态化
• 数据分片：按用户ID分片
• 读写分离：主库写入，从库读取

2. 垂直扩展

• 服务拆分：位置更新服务、查询服务、计算服务
• 数据分层：热数据、温数据、冷数据
• 多级缓存：本地、Redis、CDN

3. 全球化部署

• 地域化服务：按地域部署服务
• 数据同步：跨地域数据同步
• 灾备切换：多机房容灾

4. 性能优化

• 空间索引：R-Tree、Quadtree
• 批量处理：批量查询优化
• 异步处理：消息队列异步化

实际项目经验

1. 技术栈选择

• 前端：React Native + Flutter
• 后端：Spring Boot + Node.js
• 数据库：PostgreSQL + Redis
• 缓存：Redis Cluster
• 消息队列：Kafka
• 监控：Prometheus + Grafana

2. 性能优化

• 空间索引优化：GeoHash、R-Tree
• 缓存优化：多级缓存策略
• 数据库优化：分库分表、索引优化
• 网络优化：HTTP/2、Keep-Alive

3. 运维部署

• 容器化：Docker + Kubernetes
• CI/CD：Jenkins + GitLab
• 监控告警：ELK Stack + AlertManager
• 压测：JMeter + Locust

4. 安全设计

• 位置隐私：数据脱敏、权限控制
• 数据加密：传输加密、存储加密
• 访问控制：API鉴权、黑白名单

阿里P7加分项

1. 架构设计能力

• 高可用架构：99.99%可用性
• 高性能架构：支持亿级查询
• 全球化架构：全球多机房部署

2. 技术深度

• 空间算法：GeoHash、R-Tree算法
• 分布式系统：分布式缓存、分布式计算
• 数据库优化：PostGIS优化、空间索引

3. 业务理解

• 社交业务：理解社交应用场景
• 位置服务：掌握LBS业务模式
• 用户行为：分析用户移动模式

4. 团队管理

• 技术团队：带领20人+团队
• 项目管控：管理千万级用户项目
• 技术方案：主导技术架构设计

5. 前沿技术

• 边缘计算：边缘节点处理
• AI应用：轨迹预测、位置推荐
• Serverless：函数化服务

面试常见问题

1. 如何高效查询附近的人？

• 空间索引：GeoHash、R-Tree
• 网格划分：地理网格索引
• 缓存策略：多级缓存优化

2. 如何保证位置数据实时性？

• 推送机制：WebSocket实时推送
• 订阅模式：用户订阅位置变化
• 数据过期：定时清理过期数据

3. 如何处理海量位置数据？

• 分库分表：按用户ID分片
• 数据归档：冷热数据分离
• 压缩存储：轨迹数据压缩

4. 如何保护用户隐私？

• 数据脱敏：位置信息模糊化
• 权限控制：基于关系的访问控制
• 加密存储：敏感信息加密

5. 如何优化距离计算？

• 近似计算：GeoHash过滤
• 批量计算：向量运算优化
• 缓存机制：距离结果缓存