🎯亿级流量点赞系统完结撒花🎉

🔗仓库地址：https://github.com/y138g/thumb-backend

其实刚开始没想到自己能那么顺利写下来，在写的过程中发现好多都是在实习中有实践但是自己又没有总结的内容，陷入了“知其然而不知其所以然”的境地，跟完这个项目下来也算是温习了实习的内容啦🤠

项目收获与技术总结
通过开发高并发博客点赞系统，深入理解分布式系统设计中的核心挑战和解决方案

技术层面：

• 多级缓存架构（Caffeine本地缓存+Redis分布式缓存）的设计与实现
• 通过HeavyKeeper算法（算法本身实现不参与）动态识别热点数据，显著提升了缓存命中率和系统吞吐量。
• Redis Lua脚本的原子性操作，保障高并发场景下点赞状态的准确性
• 结合Pulsar消息队列实现异步削峰填谷，将数据库写入压力从峰值3,000+ QPS降至平均200 QPS，解决了高并发场景下的持久化瓶颈
• 通过定时任务的时间切片策略和批量处理优化，平衡了数据一致性与系统性能

技术能力提升 （可写简历）

1. 高并发架构设计：掌握多级缓存、异步处理、分布式锁等核心方案，理解从本地缓存到分布式缓存的技术选型逻辑。
2. Redis深度应用：熟练使用Hash结构存储关系数据，通过Lua脚本实现原子操作，设计基于Key分片的热点探测机制。
3. 消息队列实践：集成Pulsar实现异步解耦，学习消息持久化、消费重试等机制，优化数据库批量写入策略。
4. 数据一致性保障：结合最终一致性思想，设计定时同步任务，通过版本号校验解决缓存与数据库的同步冲突。
5. 性能调优经验：利用JMeter进行压测，定位本地缓存GC问题，优化Caffeine的W-TinyLFU淘汰策略，将缓存命中率从75%提升至98%。

个人成长与感悟
完成这个项目后，有一点让我感触很深刻：架构设计不要为了使用技术而使用技术，而是需要在性能与一致性间寻求一个平衡点。

接下来就是 ai智能体 项目的实践了，以努力替代焦虑，加油加油！⛽️