GreedyAbyss1. 项目背景与核心需求
这个基于SpringBoot和SSM框架的计算机系统在线考试平台，是我去年为某高校计算机学院开发的一个实战项目。当时学院正面临传统纸质考试的诸多痛点：组卷效率低、阅卷工作量大、防作弊手段有限。教务主任找到我时特别强调："我们需要一个能自动组卷、在线监考、智能阅卷的系统，最好还能分析学生的知识薄弱点。"
经过需求梳理，平台需要实现以下核心功能：
- 多角色权限管理（学生、教师、管理员）
- 题库管理与智能组卷系统
- 在线考试与防作弊监控
- 自动批改与成绩分析
- 错题本与学习建议
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 技术架构设计
2.1 整体技术栈选型
选择SpringBoot+SSM组合主要基于三点考虑：
- 开发效率：SpringBoot的自动配置特性大幅减少XML配置
- 性能需求：SSM框架在中小型系统中有成熟的性能表现
- 团队熟悉度：团队成员都有JavaWeb开发经验
具体技术矩阵：
- 前端：Thymeleaf + Bootstrap + ECharts
- 后端：SpringBoot 2.5 + MyBatis 3.5
- 数据库：MySQL 8.0 + Redis缓存
- 安全框架：Spring Security + JWT
- 监控：Prometheus + Grafana
2.2 核心架构设计
系统采用分层架构设计：
code复制表现层：处理HTTP请求和页面渲染
业务层：核心考试逻辑实现
数据层：数据库操作和缓存处理
特别设计了三个核心微服务：
- 考试服务：处理组卷、考试流程
- 判卷服务：负责客观题自动批改
- 分析服务：生成学习报告
3. 关键功能实现
3.1 智能组卷算法
组卷功能采用遗传算法实现，核心参数包括：
- 难度系数（0.3-0.7区间）
- 知识点覆盖度（≥80%）
- 题型分布（单选30%、多选20%、填空30%、编程20%）
关键代码片段：
java复制// 遗传算法适应度函数
public double calculateFitness(Paper paper) {
double difficultyDiff = Math.abs(paper.getDifficulty() - targetDifficulty);
double coverageScore = knowledgeCoverage(paper);
return 1/(difficultyDiff + 0.2) + coverageScore * 0.8;
}
3.2 防作弊监控系统
实现方案：
- 浏览器全屏检测：通过JavaScript监听窗口焦点变化
- 摄像头监控：使用WebRTC获取考生视频流
- 行为分析：鼠标移动轨迹异常检测
重要提示：人脸识别功能需要单独获得用户授权，建议在考试开始前明确告知监控范围
4. 数据库设计要点
4.1 核心表结构
主要表包括：
- 用户表（sys_user）
- 角色表（sys_role）
- 题库表（exam_question）
- 试卷表（exam_paper）
- 考试记录表（exam_record）
4.2 性能优化措施
- 试题表垂直分表：将题目文本与答案分开存储
- 考试记录分库：按学期进行水平分片
- Redis缓存应用：
- 热点题目缓存
- 考试期间答案暂存
5. 部署与运维方案
5.1 服务器配置建议
生产环境推荐配置：
- 应用服务器：4核8G × 2台（Docker部署）
- 数据库：8核16G + SSD存储
- Redis：2核4G 哨兵模式
5.2 监控指标设置
关键监控项：
- 并发考试人数
- 平均响应时间（API要求<500ms）
- 数据库连接池使用率
- JVM内存占用
6. 开发中的经验教训
- 批量导入优化：最初使用MyBatis单条插入，后来改为批量插入，性能提升20倍
xml复制<insert id="batchInsert" parameterType="list">
INSERT INTO exam_question(...) VALUES
<foreach collection="list" item="item" separator=",">
(#{item.content},...)
</foreach>
</insert>
- 考试提交防重复：采用Redis分布式锁解决并发提交问题
java复制public boolean submitExam(Long recordId) {
String lockKey = "exam:submit:" + recordId;
try {
Boolean locked = redisTemplate.opsForValue().setIfAbsent(lockKey, "1", 30, TimeUnit.SECONDS);
if(locked != null && locked) {
// 处理提交逻辑
}
} finally {
redisTemplate.delete(lockKey);
}
}
- 视频监控存储：最初直接存数据库导致性能问题，后改为对象存储+数据库存链接方式
7. 典型问题排查记录
7.1 高并发考试卡顿
现象：模拟500人同时考试时系统响应变慢
排查过程：
- 通过Arthas发现MyBatis连接池耗尽
- 检查SQL日志发现复杂联表查询
- 优化为冗余字段+缓存策略
解决方案：
- 增加连接池大小
- 添加查询缓存
- 重构复杂查询
7.2 自动批改准确率问题
编程题批改初期准确率仅60%，通过以下改进提升到92%：
- 增加多测试用例验证
- 引入静态代码分析
- 添加人工复核接口
8. 项目演进方向
- 增加AI监考功能：使用OpenCV分析考生行为
- 完善移动端支持：开发微信小程序版本
- 加入在线编程环境：集成Docker代码沙箱
这个项目让我深刻体会到，教育类系统的开发不仅要考虑技术实现，更要理解教学场景的特殊需求。比如在防作弊设计上，需要平衡监控强度与用户体验；在自动批改方面，要处理好机器判断与人工复核的关系。