---
tags: [test/review, mq, rabbitmq, pull-model, qos, prefetch, backpressure, consumer-balance]
create time: 2026-08-09 12:00
---

# 推拉结合消费模式_测试题

## 概述
本测试覆盖 RabbitMQ 消费模型的本质（Push vs Pull 混合理解）、QoS 预取策略、背压处理和消费者负载均衡。共 10 道题：6 道选择题、3 道填空题、1 道简答题。

---

## 一、选择题（6道，由浅入深）

> **难度阶梯**: Q1-Q2 基础概念 → Q3-Q4 核心原理 → Q5-Q6 深入应用/边界场景

### Q1（基础）— 考察定义层面

RabbitMQ Consumer API 名为 `basic.consume`（拉取）但实际运行模型是 Server Push（服务端推送）。以下说法正确的是：

A. `basic.consume` 和 `basic.get` 的行为完全相同
B. `basic.consume` 建立订阅后 Broker 持续主动投递，`basic.get` 每次调用阻塞获取单条消息
C. `basic.consume` 只能获取一次就断开连接
D. `basic.get` 是默认的生产者发送方法

### Q2（基础）— 考察行为判断

设置 `prefetch_count = 1` 可以实现公平分发（Fair Dispatch），其核心原因是：

A. Broker 会随机选择消费者分配消息
B. A 每处理完一条并发 ack 后才收到下一条，自然形成速度匹配
C. prefetch=1 时所有消息排队等候直到第一个消费者空闲
D. prefetch=1 强制只有一个消费者活跃

### Q3（进阶）— 考察核心原理

`global=true` 是 Prefetch 设置中的一个遗留参数，以下哪一项描述了在多 Channel 场景下使用 global=true 可能导致的意外行为？

A. prefetch 只对单个 Channel 生效，不会跨 Channel 共享配额
B. prefetch 对整个连接（而非单个 Channel）生效，导致一个 Channel 消耗了所有配额时其他 Channel 无法获得新消息
C. global=true 会使 prefetch_count 失效
D. global=true 只在 Fanout Exchange 中有效

### Q4（进阶）— 考察对比辨析

以下哪种预取值范围最适合通用生产环境？

A. prefetch=1
B. prefetch=0
C. prefetch=10~50
D. prefetch=10000+

### Q5（深入）— 考察场景推理

一个日终跑批系统需要从数据库全量读取商品信息并通过 MQ 推送到缓存集群预热。数据量大但每条消息处理简单。同时另一个即时订单状态推送系统要求低延迟。这两个场景分别适合的 prefetch 值是：

A. 两者都用 prefetch=1
B. 跑批用 prefetch=200，订单推送用 prefetch=3
C. 跑批用 prefetch=3，订单推送用 prefetch=200
D. 两者都用 prefetch=0（无限）

### Q6（深入）— 考察源码级别细节

在 `basic.consume` 建立的流控窗口机制中，Window 耗尽时 Broker 会发生什么？

A. Broker 立即关闭 TCP 连接
B. Broker 暂停向该 Channel 投递直到窗口回收（ack 释放槽位）
C. Broker 将多余消息转移到其他 Channel
D. Broker 丢弃超出的消息

---

## 二、填空题（3道）

### F1 — 填空

设 prefetch = N 时，Broker 可以在没有收到 ack 的情况下最多向该 Channel 发送 ______ 条消息累积在未确认状态。当 ack 一条消息后 unacked 数减一，Broker 再补发一条。

> **提示**: 这就是 prefetch 值本身的含义。

### F2 — 填空

同一个 Queue 可以有多个消费者构成 Consumer Group，RabbitMQ 以 ______ 方式将消息均匀分配给各消费者。但在 prefetch=1 时可能出现只有一个消费者活跃而另一个空等的情况。

> **提示**: 这种分发方式的英文术语是什么？

### F3 — 填空

根据调优黄金法则：先设 prefetch=1 观察各消费者的处理耗时分布，再根据 p99 耗时最高的那个消费者来估算合适的 batch size，初始设为预估值的 ______ 倍即可。

> **提示**: 回顾文档中的调优经验。

---

## 三、简答题（1道）

### S1

你正在为一家在线教育公司设计课程点播系统的消息处理 pipeline。系统有以下特征：
- 用户观看视频后会触发埋点事件（播放进度、点赞、评论），每秒约 5000 条
- 埋点数据处理流程：去重 → 聚合 → 写入时序数据库
- 去重操作涉及 Redis 分布式锁，耗时约 50ms
- 聚合操作相对较快（约 5ms）
- 写入时序数据库是 IO 密集型操作（约 20ms）
- 高峰期总处理耗时约 75ms/条消息
- 当前部署了 5 个消费者实例

请设计 QoS 配置方案并回答：
1. 整体 prefetch 值应该设置多少？为什么？
2. 是否需要对不同阶段的处理进行拆分（多队列串联）？
3. prefetch 过大或过小各自会带来什么问题？

> **答题框架提示**:
1. 基于单条消息处理耗时计算合适的 prefetch
2. 考虑是否需要将耗时长的阶段拆出独立队列
3. 大 prefetch 和小 prefetch 的权衡分析

---

## 参考答案与解析

### 选择题答案

| 题号 | 正确答案 | 解析 |
|------|---------|------|
| Q1 | B | `basic.consume` 建立订阅后 Broker 持续主动投递（Push），适用于大多数场景。`basic.get` 每次调用阻塞获取单条消息（Pull），适用于管理界面和健康检查等非实时场景。API 名为 consume 但实质是 Push，源于 AMQP 协议早期约定。 |
| Q2 | B | prefetch=1 实现 Fair Dispatch 的核心机制：A 每处理完一条、发一个 ack，才会收到下一条，自然形成速度匹配。如果 prefetch=N（大数值），Broker 可能在短时间内把 N 条消息全发给 A 而 B 空闲等待。 |
| Q3 | B | global=true 是对整个连接（而非单个 Channel）生效，在多 Channel 场景下会导致意外行为。现代客户端中一律设为 false，作用于单个 Channel。这是遗留参数，不建议使用。 |
| Q4 | C | prefetch=10~50 是通用生产环境默认值。prefetch=1 吞吐量较低适合处理耗时差异大的场景；prefetch=100~500 吞吐最高但内存压力大；prefetch=0（不设置）为无限值严禁在生产中使用。 |
| Q5 | B | 跑批场景：数据量大但处理简单，适合高吞吐配置 prefetch=200 配合批量更新 Redis pipeline。订单推送：latency 优先级高于 throughput，设置 prefetch=3 让消费者尽快处理完再拿下一条。 |
| Q6 | B | 流控窗口耗尽时，Broker 暂停向该 Channel 投递直到窗口回收。这是内建的背压机制——消费者发送 basic.ack 后窗口恢复，或者 window refill 后继续投递。不会丢消息也不会断连。 |

### 填空题答案

| 题号 | 答案 | 解析 |
|------|------|------|
| F1 | N | prefetch_count 定义了单个 Channel 上允许的最大未确认消息数。这 N 条消息累积在 unacked 状态，ack 一条后 Broker 再补发一条。prefetch 越大意味着降低网络 RTT 开销但也增加了内存压力和崩溃损失量。 |
| F2 | Round-Robin（轮询） | RabbitMQ 以轮询方式将消息平均分配给同一 Queue 的各消费者。但 Round-Robin 不一定是公平的——处理快的消费者实际上承担更多工作量，这正是 prefetch=1 要解决的问题。 |
| F3 | 2~3 | 调优黄金法则：先设 prefetch=1 观察各消费者的处理耗时分布，再根据 p99 耗时最高的消费者估算合适的 batch size，初始设为预估值的 2~3 倍。之后通过监控 unacked 数量和 queue depth 微调。 |

### 简答题参考答案

S1：**参考答案要点**：
1. 单条消息总处理耗时约 75ms，5 个消费者实例理论上可支撑 5 / 75ms ≈ 66 QPS。但实际需求为 5000 QPS，远超出单节点处理能力。prefetch 建议设置为 10~20：太小无法满足吞吐需求，太大会导致消息积压在消费者内存中。初始可按 prefetched messages ≤ 处理耗时 × prefetch_count 来估算。
2. 需要拆分！去重步骤涉及 Redis 分布式锁是串行瓶颈（50ms），应将去重作为独立的第一层消费者队列（快速筛选有效请求），聚合和写库放到第二层队列做批处理。这样可以大幅缓解单机瓶颈。
3. prefetch 过大的问题：Broker 可以积压更多消息到消费者内存，降低每次投递的往返开销但也增加了内存压力、崩溃恢复时的损失量以及处理时间过长导致 unacked 消息占满 prefetch 配额的风险。prefetch 过小的问题：串行节奏限制吞吐量，网络 RTT 开销占比增大。

**评分标准**：答出任意 2 个要点即可得满分；完全正确需覆盖 prefetch 配置、队列拆分策略和大/小 prefetch 权衡三个维度。

## 关联笔记
- [[04.MQ/rabbitmq/消息持久化与可靠性投递]]
- [[04.MQ/rabbitmq/ACK 确认与死信队列]]
- [[04.MQ/rabbitmq/Exchange 路由机制]]