2026年软考《系统架构设计师》应用技术真题

2026年软考《系统架构设计师》应用技术真题试题一：论软件架构定义与评估【背景说明】星云物流集团是一家业务覆盖全球的跨国物流企业。随着业务的快速扩张，其原有的单体核心业务系统“LogisticsMaster”在性能、可维护性和扩展性方面遇到了瓶颈。为了应对未来五年内业务量预计增长10倍的挑战，集团决定重构该系统。架构师王工负责新系统的架构设计，经过对业务领域的深入分析，王工决定采用基于微内核的插件化架构风格。在该架构中，核心系统仅负责服务发现、插件生命周期管理、消息路由等基础功能，而具体的业务逻辑（如运输管理、仓储管理、报关服务、结算服务等）均被设计为独立的插件模块。插件之间通过微内核提供的标准总线进行通信，遵循严格的接口规范。为了确保新架构能够满足关键质量属性需求，项目组决定采用ATAM（架构权衡分析方法）进行架构评估。【问题1】（8分）请用200字以内文字解释微内核架构风格的特点，并说明王工选择该架构风格主要解决了原系统的哪些问题。【问题2】（10分）ATAM评估方法主要分为9个步骤。请将以下步骤按照正确的执行顺序进行排序（填入对应的字母）：A.生成场景优先级表B.确定架构风格C.评估所生成的场景D.架构文档准备E.关键需求分析F.风险/敏感点/权衡点识别G.架构文档及场景的归档H.可疑点/风险点/权衡点的分析I.创建效用树【问题3】（7分）在ATAM评估中，需要识别架构的风险点、敏感点和权衡点。请分别解释这三个概念的含义。试题二：分布式数据库系统设计与事务处理【背景说明】阿尔法金融科技公司正在开发一款新一代的分布式支付清算平台。该平台需要支撑日均2亿笔交易，峰值TPS达到5万，且要求数据强一致性和高可用性。原系统采用单机关系型数据库，已成为性能瓶颈。架构师李工设计了一套基于NewSQL理念的分布式数据库解决方案。该方案采用Shared-Nothing架构，数据通过一致性哈希算法进行分片，分布在多个数据节点上。为了解决跨分片事务的难题，李工决定采用两阶段提交（2PC）协议来保证全局事务的原子性。然而，在压力测试中发现，2PC协议在出现网络抖动或节点宕机时，会导致系统阻塞时间过长，严重影响吞吐量。为此，李工计划引入Saga模式作为替代方案，将长事务拆分为一系列本地短事务，并配合补偿机制处理异常情况。【问题1】（9分）在分布式数据库设计中，分片策略是关键。请列举并解释三种常见的数据分片策略，并结合支付清算业务的特点，说明选择“基于一致性哈希”分片策略的优势。【问题2】（10分）请解释两阶段提交（2PC）协议的工作流程，并分析其在分布式系统中可能导致阻塞的原因。针对李工引入的Saga模式，请说明其基本原理及相比2PC的优势。【问题3】（6分）在分布式系统中，CAP定理（一致性、可用性、分区容错性）限制了架构师的选择。请解释CAP定理的含义，并说明阿尔法金融的支付清算平台在出现网络分区（P）时，为什么必须在C和A之间做出选择，以及通常应该优先选择哪个（假设金融监管要求）。试题三：系统可靠性与可用性计算【背景说明】某航空公司的核心订票系统由三个关键子系统串联组成：Web接入层、应用服务层和数据存储层。为了提高系统的可靠性，架构师对系统进行了冗余设计。具体的模块可靠性数据如下：1.Web接入层：由2个Web服务器并联组成，单个Web服务器的失效率（）为0.0005次/2.应用服务层：由3个应用服务器并联组成（采用多数表决机制，即2/3系统），单个应用服务器的失效率（）为0.001次/3.数据存储层：采用主备热备方式，包含1个主库和1个备库。主库失效率（）为0.0002次/小时，备库失效率（）为【问题1】（10分）请计算Web接入层、应用服务层和数据存储层的平均无故障时间（MTBF）。（注：失效率λ与可靠度R(t)的关系为R【问题2】（8分）请计算整个订票系统的总可靠度(t)和总失效率【问题3】（7分）如果要求整个订票系统的可用性达到99.99%，即年停机时间不超过52.56分钟。假设目前系统不满足要求，架构师计划在数据存储层再增加一个备库（即一主两备，采用异步复制），请定性分析这对系统MTBF和可用性的影响。试题四：微服务架构与容器化部署【背景说明】极光在线教育平台原有系统采用J2EE单体架构，随着业务线拓展至K12、职业教育、企业培训等多个领域，系统变得臃肿不堪，部署周期长，且牵一发而动全身。架构师张工决定将其重构为基于SpringCloud的微服务架构。重构过程中，张工按照领域驱动设计（DDD）的思想，将系统拆分为用户服务、课程服务、订单服务、支付服务、直播服务等20个微服务。所有服务均通过RESTfulAPI进行通信，并采用SpringCloudGateway作为统一网关。为了实现自动化运维，张工引入了Kubernetes（K8s）集群进行容器化部署，并使用Istio作为服务网格来管理服务间的通信。在测试阶段，团队发现服务间调用链路复杂，难以追踪问题根源，且存在雪崩效应的风险。【问题1】（9分）在微服务架构中，服务拆分是难点。请列举三种常见的微服务拆分策略，并结合教育平台背景，说明张工采用DDD思想进行拆分的好处。【问题2】（10分）针对测试中发现的“雪崩效应”和“调用链路追踪”问题，请解释这两个概念。并说明在微服务架构中，通常引入哪些设计模式或组件来解决这些问题？（至少各列举两个）【问题3】（6分）Kubernetes是目前主流的容器编排系统。请解释Kubernetes中Pod、Service和Deployment这三个核心概念的作用及其相互关系。试题五：AI驱动的系统架构设计【背景说明】深蓝科技正在开发一款企业级智能知识库助手，旨在帮助员工快速检索企业内部文档、规章及技术资料。该系统不仅需要支持传统的关键词检索，还需要支持基于语义的自然语言问答。系统架构师赵工设计了一个基于RAG（Retrieval-AugmentedGeneration，检索增强生成）的混合架构。系统前端采用Web端和移动端，后端包含两个主要分支：1.检索分支：用户查询经过Embedding模型转化为向量，然后在向量数据库中进行相似度检索，获取最相关的Top-K文档片段。2.生成分支：将用户查询与检索到的文档片段组合成Prompt，输入给大语言模型（LLM），由LLM生成最终答案。为了处理高并发请求，赵工在LLM调用层前增加了一个请求队列和缓存层。同时，考虑到数据安全，必须在发送给公网部署的LLM之前对敏感数据进行脱敏处理。【问题1】（8分）请解释RAG架构中“向量数据库”的作用，并说明为什么在RAG系统中使用向量数据库比传统关系型数据库更合适。【问题2】（10分）在RAG架构中，PromptEngineering（提示词工程）至关重要。请列举三个优化Prompt效果的方法。此外，请说明架构师在发送数据给LLM前进行“脱敏处理”的重要性及应遵循的原则。【问题3】（7分）随着用户量增加，LLM的推理速度成为瓶颈。赵工考虑引入KnowledgeDistillation（知识蒸馏）技术。请解释知识蒸馏的原理，并说明它如何帮助提升系统性能。另外，请列举一种量化技术并简述其作用。参考答案及解析试题一：论软件架构定义与评估【问题1】微内核架构风格也称为插件化架构。其核心特点是：系统分为一个相对较小的内核和若干个外围插件。内核只负责最基本的功能（如进程通信、底层设备驱动、插件加载等），具体的业务功能由插件实现。插件之间以及插件与内核之间通过定义良好的接口进行通信，插件可以动态地加载、卸载和更新，且互不干扰。王工选择该架构主要解决了原系统的以下问题：1.可扩展性差：原单体系统难以扩展新功能，微内核架构允许通过增加插件来扩展功能，无需修改内核。2.维护困难：业务逻辑耦合严重，微内核实现了业务隔离，单个插件的故障不影响内核和其他插件，便于定位和修复。3.更新部署成本高：新架构支持插件的热插拔或独立部署，降低了系统停机更新的风险和成本。【问题2】正确的执行顺序为：D->E->B->I->A->F->H->C->G即：D.架构文档准备->E.关键需求分析->B.确定架构风格->I.创建效用树->A.生成场景优先级表->F.风险/敏感点/权衡点识别->H.可疑点/风险点/权衡点的分析->C.评估所生成的场景->G.架构文档及场景的归档。【问题3】1.风险点：架构设计中存在的、可能导致关键质量属性无法满足潜在决策或缺陷。例如，某个关键组件的单点故障风险。2.敏感点：架构中为了满足某个特定质量属性，而必须特别关注或精细调整的组件或属性。即，当该组件或属性发生微小变化时，会对质量属性产生显著影响。3.权衡点：架构设计中涉及多个质量属性之间的冲突，为了满足一个属性而必须牺牲另一个属性的决策点。例如，为了提高安全性而降低了可用性。试题二：分布式数据库系统设计与事务处理【问题1】三种常见的数据分片策略：1.范围分片：将数据按照某个字段的值范围（如时间、ID区间）分配到不同节点。优点：范围查询效率高；缺点：数据分布可能不均，易产生热点。2.哈希分片：通过对分片键进行哈希计算取模，将数据均匀分散到各节点。优点：数据分布均匀，写入性能好；缺点：范围查询需要扫描所有节点。3.目录分片（或列表分片）：维护一个独立的目录服务记录数据与节点的映射关系。优点：灵活，支持任意分片策略；缺点：需要额外的目录服务，存在性能瓶颈和单点故障风险。选择“基于一致性哈希”分片策略的优势：在支付清算业务中，数据量巨大且节点可能动态扩缩容。一致性哈希在节点增删时，只影响相邻节点的数据迁移，最大程度减少了因扩容导致的数据迁移量，保证了系统的稳定性和扩展性，同时保持了较好的负载均衡能力。【问题2】两阶段提交（2PC）工作流程：1.准备阶段：协调者向所有参与者发送“准备”请求，参与者执行事务操作但不提交，如果达到可提交状态则返回“同意”，否则返回“中止”。2.提交阶段：如果协调者收到所有参与者的“同意”，则发送“提交”请求，参与者执行提交；否则发送“回滚”请求，参与者执行回滚。导致阻塞的原因：2PC是一个阻塞协议。在协调者发出请求后，如果某个参与者崩溃或网络中断，协调者会一直等待响应，无法完成提交或回滚决策，导致持有锁的资源被长时间占用，阻塞后续事务。Saga模式原理：将长事务拆分为一系列本地短事务，每个短事务都有对应的补偿事务。如果某个短事务执行失败，则按照相反顺序执行之前已成功事务的补偿事务，以回滚整个业务操作。相比2PC的优势：1.非阻塞：参与者不需要长时间锁定资源，不需要等待协调者的全局提交指令，提高了并发度。2.高可用：不依赖协调者的持续在线，即使系统崩溃，恢复后可以通过日志继续执行Saga流程，适合长运行的业务流程。【问题3】CAP定理含义：在一个分布式系统中，一致性、可用性、分区容错性这三个要素最多只能同时实现两点，不能三者兼得。C(Consistency)：所有节点在同一时刻看到的数据相同。A(Availability)：每次请求都能得到非错的响应（但不保证是最新数据）。P(PartitionTolerance)：系统在网络分区（节点间通信中断）的情况下仍能继续运行。在出现网络分区（P）时，系统必须在C和A之间选择。对于支付清算平台，资金数据的准确性是生命线。根据金融监管要求，必须优先保证一致性（C）。这意味着在发生网络分区时，系统可能会拒绝部分交易请求或暂时不可用，以防止出现账户余额不一致等严重后果，而不是返回可能错误的数据。试题三：系统可靠性与可用性计算【问题1】计算各层MTBF（注：题目中给出的是失效率λ，单位次/小时）：1.Web接入层（并联）：单个Web服务器MTBF=1/并联系统失效率：对于两个相同组件并联，RM或者通过公式计算：=（此处=）。==MT2.应用服务层（2/3表决系统）：单个应用服务器MTBF=1/对于3取2系统，MTBF计算公式为：MT标准公式：(tMT代入λ=MT3.数据存储层（主备热备，切换时间忽略）：由于切换时间忽略，且切换成功率100%，系统近似于理想并联。。==MT【问题2】计算系统总可靠度和总失效率：系统为串联模型（Web层->App层->DB层）。总失效率=+首先计算应用层的等效失效率=1=0.00025=0.0001=0.00025系统总可靠度(t(t【问题3】影响分析：增加一个备库（一主两备）构成了一个“一主两备”的高可用集群。在异步复制模式下（假设采用自动故障转移），数据存储层相当于由3个组件组成的并联系统（只要有一个存活，系统即可读，或者主存活即可写）。对于MTBF：并联组件越多，系统的整体失效率越低，MTBF会显著增加。MTBF将从10000小时提升至接近1.5/λ（对于3个组件并联，对于可用性：可用性A=试题四：微服务架构与容器化部署【问题1】三种常见的微服务拆分策略：1.按业务能力拆分：基于DDD的限界上下文，每个服务负责特定的业务功能（如订单服务、库存服务）。2.按数据子域拆分：围绕数据模型或数据实体进行拆分，确保每个服务拥有独立的数据存储。3.按技术层拆分：按照架构层次拆分（如UI服务、逻辑服务、公共服务），但这通常不推荐，容易导致分布式单体。采用DDD思想进行拆分的好处：1.清晰的边界：DDD强调限界上下文，确保微服务之间的职责明确，低耦合高内聚。2.统一语言：开发团队与业务专家使用统一语言，减少沟通误解，确保代码准确反映业务意图。3.适应复杂业务：教育平台业务逻辑复杂（如选课、排课、直播），DDD能更好地梳理领域对象和关系，避免逻辑分散。【问题2】概念解释：1.雪崩效应：在微服务架构中，由于某个底层服务不可用，导致级联故障，上层服务因等待超时耗尽资源（线程/连接），进而导致整个系统瘫痪。2.调用链路追踪：在分布式请求中，将请求经过的所有微服务节点串联起来，记录请求的耗时、状态等信息，用于故障定位和性能分析。解决方案：解决雪崩效应：1.熔断模式：当失败率达到阈值时，自动切断调用，快速失败。2.超时控制：设置合理的RPC超时时间。3.限流：限制并发请求数。解决调用链路追踪：1.引入分布式追踪系统，如Zipkin、Jaeger或SkyWalking。2.在服务间传递TraceID和SpanID上下文信息。【问题3】概念及关系：1.Pod：Kubernetes中最小的部署单元，包含一个或多个紧密相关的容器（共享网络和存储）。2.Service：定义一组Pod的访问策略，提供稳定的IP地址（ClusterIP）和负载均衡能力，屏蔽Pod重启导致的IP变化。3.Deployment：用于管理Pod的副本数量和版本更新，声明期望的状态，K8s控制器负责达成该状态。关系：Deployment管理Pod的生命周期（创建、扩缩容、更新）。Service通过LabelSelector选择Deployment管理的Pod集合，为外部或内部服务提供稳定的访问入口。Pod是实际运行应用实例的载体。试题五：AI驱动的系统架构设计【问题1】向量数据库的作用：向量数据库专门用于存储和检索高维向量数据。在RAG系统中，它负责存储将文本、图片等非结构化数据通过Embedding模型转化后的向量。当用户发起查询时，向量数据库能够快速计算查询向量与库中向量的相似度（如余弦相似度），从而检索出语义上最相关的内容，而不仅仅是关键词匹配。相比传统关系型数据库更合适的原因：1.语义检索能力：传统数据库擅长精确匹配（如ID、字符串相等），无法理解“苹果”和“水果”之间的语义关系。向量数据库基于向量距离计算，天然支持语义相似度搜索。2.高维数据处理：Embedding向量通常是数百到数千维的浮点数数组，关系型数据库对这种高维数据的索引和查询效率极低，而向量数据库（如基于HNSW索引）对此进行了专门优化。【问题2】优化Prompt效果的方法：1.Few-shotPrompting（少样本提示）：在Prompt中提供几个具体的问答示例，引导模型理解任务模式。2.Chai