4. 技术面试：容量规划核心算法
面试官通过这一章考察你对负载预测、资源模型、弹性伸缩算法的工程理解与落地能力。高频问题聚焦于“如何做预测”“资源模型怎么建”“弹性策略如何设计”。下方梳理了3道典型面试题目及一套真实项目模板，帮助你在面试中展示结构化思维与实战经验。
问答卡片：核心算法高频问题
面试问题1：如何设计搜索引擎的负载预测模型？请描述你的技术方案。
面试官考察点：预测方法选择、数据特征理解、模型评估与落地。
回答框架：① 明确预测目标（QPS / 资源利用率）→ ② 选择模型（时序ARIMA、Prophet或深度学习LSTM）→ ③ 数据预处理（去除节假日、异常值）→ ④ 模型验证（交叉验证、残差分析）→ ⑤ 工程部署（离线训练 + 在线推理）。
简短示例回答：“我通常用Prophet模型对未来24小时QPS做预测，先按7天滑动窗口去除周期性异常，再对双十一等特殊日期叠加外部回归因子（如活动流量）。线上每10分钟重新预测一次，残差MAE控制在5%以内，保证弹性伸缩的前置时间。”
可能追问：为什么不用ARIMA？节假日效应如何处理？模型冷启动时怎么做？
避坑提醒：切勿只提理论模型不说落地细节；面试官关注你如何处理真实数据中的噪声和突发峰。
面试问题2：请设计一个搜索引擎集群的资源模型，用于容量规划。
面试官考察点：资源抽象能力、指标选取、线性/非线性关系理解。
回答框架：① 定义核心资源（CPU、内存、磁盘IO、网络带宽）→ ② 分析负载与资源的关系（例如QPS × 平均响应时间 = CPU消耗）→ ③ 建立公式或回归模型（如单机资源 = a * QPS + b * 建索引速率）→ ④ 考虑其他因素（GC开销、缓存命中、数据分片数）→ ⑤ 输出安全水位线（例如CPU ≤ 60% 冗余）。
简短示例回答：“我采用线性回归模型：单机CPU利用率 = 0.23 × QPS + 0.015 × 索引大小(MB) + 12%。R²达到0.91。然后根据预测峰值QPS反推需要多少台机器，并预留30%冗余应对突发流量。”
可能追问：资源模型如何验证？缓存命中率如何影响模型？不同机型怎么处理？
避坑提醒：避免过于复杂的模型（如神经网络）反而让面试官觉得不实用；强调可解释性和运维成本。
面试问题3：搜索引擎弹性伸缩通常有哪些策略？你如何选择？
面试官考察点：伸缩触发条件、冷却时间、业务容忍度、成本平衡。
回答框架：① 水平 vs 垂直伸缩 → ② 指标选择（CPU / QPS / 响应时间）→ ③ 伸缩算法（阈值触发、预测触发、混合）→ ④ 冷却与防抖动（HPA的 stabilization window）→ ⑤ 业务影响评估（缩容时数据重分布耗时）。
简短示例回答：“我采用预测+阈值混合策略：预测未来5分钟QPS超过安全水位则提前扩容；同时设定CPU > 70% 立即触发。缩容时设置60秒冷却窗口，每一步最多缩20%实例，避免抖动。线上验证扩容耗时30秒内完成。”
可能追问：如何避免缩容导致服务降级？伸缩速度与成本如何平衡？
避坑提醒：不要只谈K8s HPA配置，要结合业务对延迟和可用性的容忍度来说明策略设计。
项目案例：真实容量规划模板
| 项目名称 | 搜索引擎集群容量规划与弹性伸缩系统 |
| 业务背景 | 日活2000万用户搜索服务，峰值QPS 12万，双十一期间突发流量可达3倍。原有静态分配资源导致浪费或过载。 |
| 规模指标 | 部署200+节点，内存512GB/台，磁盘NVMe 4TB，每分钟处理日志500万条。 |
| 技术栈 | Python（预测模型）、Kubernetes HPA、Prometheus监控、Elasticsearch集群、Kafka（实时指标流） |
| 核心难点 | 突发流量无规律；预测模型在冷启动时不准；缩容时数据迁移导致性能抖动。 |
| 面试高频追问 | 1. 预测模型冷启动怎么解决？（用规则兜底 + 历史同时间段数据） 2. 如何验证弹性策略效果？（通过混沌工程注入流量看SLA） 3. 伸缩过程如何保证数据一致性？（在迁移节点前先进入只读模式） |
| 可迁移回答话术 | “我主导了一个搜索引擎弹性伸缩系统，通过Prophet预测+阈值混合策略，在双十一期间成功应对3倍流量，资源利用率提升40%。关键点在于：模型需要结合业务日历做外部因子，缩容时引入稳定窗口防止抖动。” |