2022年2022年互联网Java高级面试题 .pdf

《2022年2022年互联网Java高级面试题 .pdf》由会员分享，可在线阅读，更多相关《2022年2022年互联网Java高级面试题 .pdf（10页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、商汤1.简历写什什么问什什么，注意所?用技术产品的同类产品?生态及对?比。2.kafka数据分区和消费者的关系，kafka 的数据 offset读取流程，kafka 内部如何保证顺序，结合外部组件如何保证消费者的顺序1、 kafka 数据分区和消费者的关系：1个 partition只能被同组的?一个consumer消费，同组的 consumer则起到均衡效果2、 kafka 的数据 offset 读取流程1.连接ZK 集群，从 ZK中拿到对应topic 的 partition信息和 partition的Leader 的相关信息2.连接到对应Leader 对应的 broker3.consumer

2、将 ?自 ?己保存的 offset 发送给 Leader4.Leader 根据 offset 等信息定位到segment （索引?文件和?日志 ?文件）5.根据索引?文件中的内容，定位到?日志 ?文件中该偏移量量对应的开始位置读取相应?长度的数据并返回给consumer3 、kafka 内部如何保证顺序：kafka 只能保证 partition内是有序的，但是partition 间的有序是没办法的。爱奇艺的搜索架构，是从业务上把需要有序的打到同?一个 partition 。4 、3.cms 垃圾回收机制1、概念： CMS 全称 Concurrent Mark Sweep，是 ?一款并发的、使?

3、用标记- 清除算法的垃圾回收器?，2、使 ?用场景：GC过程短暂停，适合对时延要求较?高的服务，?用户线程不不允许?长时间的停顿。3 、缺点：1、服务 ?长时间运?行行，造成严重的内存碎?片化。2、算法实现?比较复杂（如果也算缺点的话）。4 、实现机制：根据GC的触发机制分为：1、周期性 Old GC （被动）： 2s 执 ?行行 ?一次；2、主动 Old GC ：触发条件：i. YGC 过程发?生 Promotion Failed，进 ?而对 ?老老年年代进?行行回收ii. ?比如执?行行了了System.gc() ，前提是没有参数ExplicitGCInvokesConcurrentiii

4、. 其它情况 .4.springcloud各个组件功能，内部细节，与dubbo区别， dubbo架构， dubbo 负载策略略1、 springcloud各个组件功能：a. Ribbon ，客户端负载均衡，特性有区域亲和、重试机制。b. Hystrix ，客户端容错保护，特性有服务降级、服务熔断、请求缓存、请求合并、依赖隔离。c. Feign ，声明式服务调?用，本质上就是 Ribbon+Hystrixd. Stream ，消息驱动，有Sink 、 Source 、 Processor 三种通道，特性有订阅发布、消费组、消息分区。e. Bus，消息总线，配合Config 仓库修改的?一种Str

5、eam 实现，f. Sleuth ，分布式服务追踪，需要搞清楚TraceID 和SpanID 以及抽样，如何与ELK 整合。g. Eureka ，服务注册中?心，特性有失效剔除、服务保护。h. Dashboard， Hystrix 仪表盘，监控集群模式和单点模式，其中集群模式需要收集器?Turbine 配合。i. Zuul ， API服务 ?网关，功能有路路由分发和过滤。j. Config ，分布式配置中?心， ?支持本地仓库、SVN 、Git 、 Jar 包内配置等模式，2、 dubbo 负载策略略：名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - -

6、 - - - - - 名师精心整理 - - - - - - - 第 1 页，共 10 页 - - - - - - - - - 5.mapreduce原理理1、简介： mapreduce源 ?自 google 的 ?一篇 ?文章，将海?量量数据处理理的过程拆分为map 和 reduce 。mapreduce 成为了了最早的分布式计算框架，这样即使不不懂的分布式计算框架的内部运?行行机制的 ?用户，也可以利利 ?用分布式的计算框架实现分布式的计算，并在hadoop 上?面运?行行。2、设计思想：hadoop ?文件系统 ，提供了了?一个分布式的?文件系统，但是hadoop ?文件系统读写的操作都涉

7、及到?大量量的?网络的操作，并不不能很好的完成实时性 ?比较强的任务。但是 hadoop 可以给上 ?面的应 ?用提供 ?一个很好的 ?支持。 ?比如 hadoop ?文件系统上 ?面可以运?行行mapreduce。mapreduce是?一个计算的框架， mapreduce是?一个分布式的计算框架，这样mapreduce利利?用分布式的 ?文件系统，将不不同的机器 ?上完成不不同的计算，然后就计算结果返回。这样很好的利利 ?用了了分布式的 ?文件系统。数据分布式的存储，然后计算的时候，分布式的计算，然后将结果返回。这样的好处就是不不会涉及到?大量量的?网络传输数据。3 、优点： mapredu

8、ce 的计算框架的优点是，极强的扩展能?力力，可以在数千台机器?上并发的执?行行。其次，有很好的容错性，另外，就是向上的接 ?口简洁。?用户只需要写map 和 reduce 函数，即可完成 ?大规模数据的并 ?行行处理理。4 、缺点： mapreduce 并不不适合对实时性要求?比较 ?高的场景，?比如交互式查询或者是流式计算。另外，也不不适合迭代类的计算（?比如机器?学习类的应 ?用）。1、 mapreduce的启动时间?较长，对于批处理的任务，这个问题并不算?。但是对于实时性?较 ?的任务，其启动时间长的缺点就很不合适了。2、 mapreduce?次执?的过程? ，往往涉及到多出磁盘读写，

9、以及?络的传输。对于迭代的任务，这样很好的开销需要很多次，明显降低了效率。3、 ?Storm和 Spark， ?个是流式计算的框架，?个是机器学习的框架。他们更适合解决这类型的任务。6.nio ,bio ,sellector/epoll,aio ,netty?自带编解码器?，netty 优势， java 内存模型Netty?高性能： 1、NIO 异步 ?非阻塞通信 2、“ 零拷 ?贝 ” 3、内存池 ByteBuf 4、Netty提供了了多种内存管理理策略略，通过在启动辅助类中配置相关参数，可以实现差异化的定制。 5、 ?高效的Reactor线程模型： Reactor单线程 ( 多线程、主从)

10、 模型，指的是所有的IO 操作都在同?一个NIO 线程上?面完成 6、为了了尽可能提升性能， Netty采 ?用了了串串?行行 ?无锁化设计，在IO 线程内部进?行行串串?行行操作，避免多线程竞争导致的性能下降。表?面上看，串串?行行化设计似乎CPU利利?用率不不?高，并发程度不不够。但是，通过调整NIO 线程池的线程参数，可以同时启动多个串串?行行化的线程并?行行运?行行，这种局部?无锁化的串串?行行线程设计相?比 ?一个队列列- 多个?工作线程模型性能更更优。 7、 ?高效的并发编程： Netty的 ?高效并发编程主要体现在如下?几点： 1) volatile的 ?大量量、正确使?用; 2

11、) CAS和原 ?子类的?广泛使?用； 3) 线程安全容器?的使 ?用； 4) 通过读写锁提升并发性能。 8、 ?高效的序列列化框架： 9、灵活的 TCP参数配置能?力力：合理理设置TCP参数在某些场景下对于性能的提升可以起到显著的效果，例例如SO_RCVBUF 和 SO_SNDBUF。如果名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 2 页，共 10 页 - - - - - - - - - 设置不不当，对性能的影响是?非常?大的。7.akka 模型1、概念： Akka 是 ?一个

12、构建在JVM 上，基于 Actor 模型的的并发框架，为构建伸缩性强，有弹性的响应式并发应?用提 ?高更更好的平台。2、 Actor 模型： Akka 的核 ?心就是 Actor ，所以不不得不不说Actor ， Actor 模型我通俗的举个例例?子，假定现实中的两个?人，他们只知道对?方的地址，他们想要交流，给对?方传递信息，但是 ?又没有 ?手机，电话， ?网络之类的其他途径，所以他们之间只能?用信件传递消息，很像现实中的的邮政系统，你要寄?一封信，只需根据地址把信投寄到相应的信箱中，具体它是如何帮你处理理送达的，你就不不需要了了解了了，你也有可能收到收信 ?人的回复，这相当于消息反馈。上

13、述例例?子中的信件就相当于Actor 中的消息， Actor 与Actor 之间只能通过消息通信。8.java arraylist,linkedlist区分及实现原理理， hashmap和 concurrenthashmap区分及实现原理理， concurrenthashmap 1.7和 1.8 区分，实现细节， linkedhashmap排序原理理，应 ?用如何保证数据幂等1、 java arraylist ,linkedlist 区分及实现原理理：1. ArrayList 是实现了了基于动态数组的数据结构，?而LinkedList 是基于链表的数据结构； 2. 对于随机访问get 和 se

14、t ， ArrayList 要优于 LinkedList ，因为 LinkedList 要移动指针； 3. 对于添加和删除操作add 和remove ， ?一般 ?大家都会说 LinkedList要 ?比 ArrayList 快，因为 ArrayList 要移动数据。2、 concurrenthashmap 1.7和 1.8区分：去除 Segment + HashEntry + Unsafe的实现，改为 Synchronized + CAS + Node + Unsafe的实现其实 Node 和 HashEntry 的内容 ?一样，但是 HashEntry 是?一个内部类。?用 Synchro

15、nized + CAS 代替 Segment ，这样锁的粒度更更 ?小了了，并且不不是每次都要加锁了了，CAS尝试失败了了在加锁。put ()? 方法中 初始化数组?大 ?小时，1.8不不 ?用加锁，因为?用了了个 sizeCtl 变量量，将这个变量量置为 -1 ，就表明 table 正在初始化。3 、linkedhashmap排序原理理：1publicLinkedHashMap()2/ 调?用 HashMap 的构造 ?方法，其实就是初始化 Entry table3super();4/ 这?里里是指是否基于访问排序，默认为 false5 accessOrder =false;6名师资料总结

16、- - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 3 页，共 10 页 - - - - - - - - - 1、 LinkedHashMap存储数据是有序的，?而且分为两种：插?入顺序和访问顺序。默认为插?入顺序。2、 LinkedHashMap有 ?自 ?己的静态内部类Entry ，它继承了了HashMap.Entry，定义如下 :1/*2* LinkedHashMap entry.3*/4privatestaticclassEntryextendsHashMap . Entry 5/ These

17、 fields comprise the doubly linked list used for iteration.6 Entry before, after;78Entry( int hash,K key ,V value, HashMap. Entry next)9super( hash , key , value, next);10113 、所以 LinkedHashMap构造函数，主要就是调?用HashMap 构造函数初始化了了?一个Entry table ，然后调?用 ?自身的init 初始化了了?一个只有头结点的双向链表。9.web.xml listener， filter，se

18、rvlet加载顺序。如何不不再 web ， xml 中配置来加载 filter1、 web.xml listener， filter ， servlet 加载顺序： context-param - listener - filter - servlet2、10. ?无穷数就top K 问题，提供多个?方案1、最简单且最容易易想到的算法是对数组进?行行排序（快速排序），然后取最?大或最 ?小的K个元素。总的时间复杂度为O(N*logN )+O(K)=O(N*logN ) 。该算法存在以下问题：1. 快速排序的平均复杂度为O(N*logN ) ，但最坏时间复杂度为O(n2) ，不不能始终保证较好的

19、复杂度2. 只需要前 k?大或 k?小的数, ，实际对其余不不需要的数也进?行行了了排序，浪费了了?大量量排序时间总结：通常不不会采取该?方案。2、虽然我们不不会采?用快速排序的算法来实现TOP-K 问题，但我们可以利利?用快速排序的思想，在数组中随机找?一个元素key ，将数组分成两部分 Sa和 Sb，其中 Sa的元素 =key ，Sb的元素 delta，因此时间复杂度跟数据分布有关。整个算法的时间复杂度为O(N * log （ Vmax-Vmin ） /delta )，在数据分布平均的情况下，时间复杂度为O(N * logN )。4 、上 ?面 ?几种解法都会对数据访问多次，那么就有?一个

20、问题，当数组中元素个数?非常 ?大时，如：100 亿，这时候数据不不能全部加载到内存，就要求我们尽可能少的遍历所有数据。针对这种情况，下?面我们介绍 ?一种针对海 ?量量数据的解决 ?方案。在学习堆排序的过程中，我们知道了了堆这种数据结构。为了了查找Top k ?大的数，我们可以使 ?用?大根堆来存储最 ?大的 K个元素。?大根堆的堆顶元素就是最 ?大 K个数中最 ?小的?一个。每次考虑下 ?一个数 x时，如果 x?比堆顶元素 ?小，则不不需要改变原来的堆。如果想 x ?比堆顶元素 ?大，那么?用x替换堆顶元素，同时，在替换之后，x可能破坏最 ?小堆的结构，需要调整堆来维持堆的性质。总结：该算

21、法只需要扫描所有的数据?一次，且不不会占 ?用太多内存空间（只需要容纳K个元素的空间），尤其适合处理理海?量量数据的场景。算法的时间复杂度为O(N * logk )，这实际上相当于执 ?行行了了部分堆排序。5、 TOP-K 问题是 ?一个经典的问题，这个问题是存在线性算法的，只不不过算法的使?用范围有?一定的限制。如果所有N个数都是正整数，且他们的取值范围并不不?大，可以考虑申请空间，记录每个整数出现的次数，然后再从?大到?小取最?大的K个。实际就是利利 ?用计数排序的思想。 假设所有整数都在（0， maxN ）区间，利利 ?用?一个数组count maxN 来记录每个整数出现的次数。coun

22、t i 表示整数 i在N个数中出现的次数。只需要扫描 ?一遍就可以得到count 数组，然后寻找第K?大的元素。这是?一个典型的以空间换取时间的做法。当数组中取值范围?比较?大时，是及其浪费空间的。如3,1.9999 ，为了了求出最 ?大的K个元素，需要额外申请 ?一个?长度为 10000 的数组。极端情况下，如果 N 个整数各不不相同，我们甚?至只需要 ?一个 bit 来存储这个整数是否存在，这样可节省很?大的内存空间。11.a,b,c三张表，做关联查询，如何优化，可做外键，只在c表加 a表外键即可。1. 对于要求全?面的结果时，我们需要使?用连接操作（LEFT JOIN / RIGHT J

23、OIN / FULL JOIN）；2. 不不要以为使?用MySQL 的 ?一些连接操作对查询有多么?大的改善，核?心是索引；3. 对被驱动表的join 字段添加索引；12.CourrentHashMap JDK1.7和 JDK1.8 有什什么区别？名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 4 页，共 10 页 - - - - - - - - - 1. Java 7 为实现并?行行访问，引?入了了Segment 这 ?一结构，实现了了分段锁，理理论上最?大并发度与Segment

24、个数相等。2. Java 8 为进 ?一步提?高并发性，摒弃了了分段锁的?方案，?而是直接使?用 ?一个 ?大的数组。同时为了了提?高哈希碰撞下的寻址性能，Java 8 在链表?长度超过?一定阈值（ 8 ）时将链表（寻址时间复杂度为O(N)）转换为红 ?黑树（寻址时间复杂度为O(long (N) ）。其数据结构如下图所示13. 线程 a,b ,c,d运 ?行行任务，怎么保证当 a,b,c线程执?行行完再执?行行d 线程 ?1、 CountDownLatch类?一个同步辅助类，常 ?用于某个条件发 ?生后才能执 ?行行后续进程。给定计数初始化CountDownLatch，调?用 countDow

25、n(）?方法，在计数到达零之前，await ?方法?一直受阻塞。重要?方法为countdown() 与await () ；2、 join ?方法将线程 B加?入到线程 A的尾部，当 A执?行行完后B才执?行行。1publicstaticvoidmain ( String args) throws Exception 2 Th t = newTh( t1);3 Th t2 = newTh ( t2);4 t. start();5 t. join();6 t2. start();783 、notify 、 wait ?方法，Java 中的唤醒与等待?方法，关键为 synchronized代码块，参

26、数线程间应相同，也常?用Object 作为参数。14. 分布式系统中如何保证数据的?一致性？15. 拆分微服务应该注意哪些地?方，如何拆分？1、业务 ?方 ?面拆分：所有技术?方 ?面的考虑，包括架构设计和解耦拆分都要考虑业务的需要。在服务拆分时，先从业务?角度确定拆分的?方案。拆分的边界要充分考虑业务的独?立性和专业性， ?比如搜索类服务、 ?支付类服务、购物 ?车类服务，按服务的业务功能合理理地划出拆分边界。2、减少维护成本：拆分前的维护成本 - 拆分后的维护成本 03 、服务独?立：确保拆分后的服务由相对独?立的团队负责维护，尽量量不不要出现在不不同服务之间的交叉调?用。4 、系统扩展：

27、拆分的?一个重要理理由也是最有价值的结果是提?高了了系统的扩展性。?用户对不不同的服务有不不同的并发和性能?方 ?面的要求，因此服务具有不不同的扩展性。把具有不不同扩展性要求的服务拆分出来分别进?行行部署，可以降低成本，提?高效率。16.SpringCloud全家桶包含哪些组件？1. Ribbon ，客户端负载均衡，特性有区域亲和、重试机制。2. Hystrix ，客户端容错保护，特性有服务降级、服务熔断、请求缓存、请求合并、依赖隔离。3. Feign ，声明式服务调?用，本质上就是 Ribbon+Hystrix4. Stream ，消息驱动，有Sink 、 Source 、Processor

28、 三种通道，特性有订阅发布、消费组、消息分区。5. Bus ，消息总线，配合Config 仓库修改的?一种 Stream 实现，6. Sleuth ，分布式服务追踪，需要搞清楚TraceID 和 SpanID 以及抽样，如何与ELK整合。7. Eureka ，服务注册中?心，特性有失效剔除、服务保护。8. Dashboard， Hystrix 仪表盘，监控集群模式和单点模式，其中集群模式需要收集器?Turbine 配合。9. Zuul ，API服务 ?网关，功能有路路由分发和过滤。名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - -

29、名师精心整理 - - - - - - - 第 5 页，共 10 页 - - - - - - - - - 10. Config ，分布式配置中?心， ?支持本地仓库、SVN、 Git 、Jar 包内配置等模式，17.有没了了解 Docker，Docker 和虚拟机有什什么区别？1、虚拟机：我们传统的虚拟机需要模拟整台机器?包括硬件，每台虚拟机都需要有?自 ?己的操作系统，虚拟机?一旦被开启，预分配给他的资源将全部被占 ?用。，每 ?一个虚拟机包括应 ?用，必要的 ?二进制和库，以及 ?一个完整的 ?用户操作系统。2、 Docker ：容器?技术是和我们的宿主机共享硬件资源及操作系统可以实现资源的

30、动态分配。容器?包含应?用和其所有的依赖包，但是与其他容器?共享内核。容器 ?在宿主机操作系统中，在 ?用户空间以分离的进程运 ?行行。3 、对 ?比：1. docker启动快速属于秒级别。虚拟机通常需要?几分钟去启动。2. docker需要的资源更更少，docker 在操作系统级别进?行行虚拟化，docker 容器 ?和内核交互，?几乎没有性能损耗，性能优于通过Hypervisor层与内核层的虚拟化。；3. docker更更轻量量，docker 的架构可以共?用 ?一个内核与共享应?用程序库，所占内存极?小。同样的硬件环境，Docker运 ?行行的镜像数远多于虚拟机数量量。对系统的利利?用率

31、?非常?高4. 与虚拟机相?比，docker 隔离性更更弱，docker 属于进程之间的隔离，虚拟机可实现系统级别隔离；5. 安全性： docker的安全性也更更弱。Docker的租户 root 和宿主机 root 等同， ?一旦容器?内的 ?用户从普通?用户权限提升为root 权限，它就直接具备了了宿主机的 root 权限，进?而可进?行行?无限制的操作。虚拟机租户root 权限和宿主机的root 虚拟机权限是分离的，并且虚拟机利利?用如Intel 的 VT-d 和VT-x 的ring-1硬件隔离技术，这种隔离技术可以防?止虚拟机突破和彼此交互，?而容器? 至今还没有任何形式的硬件隔离，这使

32、得容器?容易易受到攻击。6. 可管理理性： docker 的集中化管理理?工具还不不算成熟。各种虚拟化技术都有成熟的管理理?工具，例例如VMware vCenter提供完备的虚拟机管理理能?力力。7. ?高可 ?用和可恢复性： docker 对业务的?高可 ?用 ?支持是通过快速重新部署实现的。虚拟化具备负载均衡，?高可 ?用，容错，迁移和数据保护等经过?生产实践检验的成熟保障机制，VMware 可承诺虚拟机99.999%?高可?用，保证业务连续性。8. 快速创建、删除：虚拟化创建是分钟级别的，Docker容器 ?创建是秒级别的，Docker 的快速迭代性，决定了了?无论是开发、测试、部署都可

33、以节约?大量量时间。9. 交付、部署：虚拟机可以通过镜像实现环境交付的?一致性，但镜像分发?无法体系化；Docker在Dockerfile中记录了了容器?构建过程，可在集群中实现快速分发和快速部署;18. 同 ?一个宿主机中多个 Docker容器 ?之间如何通信？多个宿主机中Docker 容器 ?之间如何通信？1、这 ?里里同主机不不同容器?之间通信主要使?用Docker 桥接（ Bridge ）模式。2、不不同主机的容器?之间的通信可以借助于 pipework 这个 ?工具。19. ?高并发系统如何做性能优化？如何防?止库存超卖？1、 ?高并发系统性能优化：优化程序，优化服务配置，优化系统配

34、置1.尽量量使?用缓存，包括?用户缓存，信息缓存等，多花点内存来做缓存，可以?大量量减少与数据库的交互，提?高性能。2.?用 jprofiler 等 ?工具找出性能瓶颈，减少额外的开销。3.优化数据库查询语句句，减少直接使?用hibernate等 ?工具的直接?生成语句句（仅耗时较?长的查询做优化）。4.优化数据库结构，多做索引，提?高查询效率。5.统计的功能尽量量做缓存，或按每天?一统计或定时统计相关报表，避免需要时进?行行统计的功能。6.能使 ?用静态?页 ?面的地?方尽量量使?用，减少容器?的解析（尽量量将动态内容?生成静态html 来显示）。7.解决以上问题后，使?用服务器?集群来解决

35、单台的瓶颈问题。2 、防 ?止库存超卖：1、悲观锁：在更更新库存期间加锁，不不允许其它线程修改；1、数据库锁：select xxx for update；2、分布式锁；2、乐观锁：使?用带版本号的更更新。每个线程都可以并发修改，但在并发时，只有?一个线程会修改成功，其它会返回失败。1、 redis watch：监视键值对，作?用时如果事务提交 exec 时发现监视的监视对发?生变化，事务将被取消。3 、消息队列列：通过 FIFO 队列列，使修改库存的操作串串?行行化。4 、总结：总的来说，不不能把压?力力放在数据库上，所以使?用 select xxx for update 的 ?方式在 ?高并

36、发的场景下是不不可?行行的。FIFO 同步队列列的 ?方式，可以结合库存限制队列列?长，但是在库存较多的场景下，?又不不太适 ?用。所以相对来说，我会倾向于选择：乐观锁 / 缓存锁/ 分布式锁的?方式。20. 如何保证服务幂等性？1、概念：接?口的幂等性实际上就是接?口可重复调?用，在调?用 ?方多次调?用的情况下，接?口最终得到的结果是?一致的。有些接?口可以天然的实现幂等性， ?比如查询接 ?口，对于查询来说，你查询?一次和两次，对于系统来说，没有任何影响，查出的结果也是?一样。2、 GET幂等：值得注意，幂等性指的是作?用于结果?而 ?非资源本身。怎么理理解呢？例例如，这个HTTP GE

37、T ?方法可能会每次得到不不同的返回内容，但并不不影响资源。3 、POST ?非幂等：因为它会对资源本身产?生影响，每次调?用都会有新的资源产?生，因此不不满?足幂等性。4 、如何保证幂等性：名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 6 页，共 10 页 - - - - - - - - - 1、全局唯?一id：如果使?用全局唯?一ID，就是根据业务的操作和内容?生成 ?一个全局ID，在执 ?行行操作前先根据这个全局唯?一ID是否存在，来判断这个操作是否已经执?行行。如果不不存在

38、则把全局 ID，存储到存储系统中， ?比如数据库、redis 等。如果存在则表示该 ?方法已经执?行行。从?工程的 ?角度来说，使 ?用全局ID做幂等可以作为 ?一个业务的基础的微服务存在，在很多的微服务中都会?用到这样的服务，在每个微服务中都完成这样的功能，会存在?工作量量重复。另外打造?一个?高可靠的幂等服务还需要考虑很多问题，?比如?一台机器?虽然把全局 ID先写?入了了存储，但是在写 ?入之后挂了了，这就需要引?入全局ID的超时机制。使?用全局唯 ?一 ID是?一个通 ?用?方案，可以 ?支持插 ?入、更更新、删除业务操作。但是这个?方案看起来很美但是实现起来?比较麻烦，下?面的?方案

39、适?用于特定的场景，但是实现起来?比较简单。2、去重表：这种?方法适?用于在业务中有唯?一标的插?入场景中，?比如在以上的?支付场景中，如果?一个订单只会?支付 ?一次，所以订单 ID可以作为唯 ?一标识。这时，我们就可以建?一张去重表，并且把唯 ?一标识作为唯 ?一索引，在我们实现时，把创建?支付单据和写 ?入去去重表，放在 ?一个事务中，如果重复创建，数据库会抛出唯?一约束异常，操作就会回滚。3 、插 ?入或更更新：这种?方法插?入并且有唯?一索引的情况，?比如我们要关联商品品类，其中商品的ID和品类的 ID可以构成唯?一索引，并且在数据表中也增加了了唯?一索引。这时就可以使 ?用Inse

40、rtOrUpdate操作。在 mysql 数据库中如下：1insert into goods_category( goods_id, category_id, create_time, update_time)2values( # goodsId, # categoryId, now(),now()3 on DUPLICATEKEY UPDATE4 update_time=now()4 、多版本控制：这种?方法适合在更更新的场景中，?比如我们要更更新商品的名字，这时我们就可以在更更新的接?口中增加?一个版本号，来做幂等1boolean updateGoodsName( int id, Stri

41、ng newName, int version);在实现时可以如下1update goods set name =# newName , version= # version where id=# id and version$ version5 、状态机控制：这种?方法适合在有状态机流转的情况下，?比如就会订单的创建和付款，订单的付款肯定是在之前，这时我们可以通过在设计状态字段时，使?用 int 类型，并且通过值类型的?大?小来做幂等， ?比如订单的创建为0，付款成功为100。付款失败为99在做状态机更更新时，我们就这可以这样控制1update orderset status=# statu

42、s where id=# id and status# status商汤-03011. springcloud有哪些核?心组件，以及 springcloud服务调?用的详细?工作流程？i. 名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 7 页，共 10 页 - - - - - - - - - springcloud由以下?几个核?心组件构成：Eureka ：各个服务启动时，Eureka Client 都会将服务注册到Eureka Server，并且 Eureka Client 还可

43、以反过来从Eureka Server拉取注册表，从 ?而知道其他服务在哪 ?里里Ribbon：服务间发起请求的时候，基于Ribbon 做负载均衡，从?一个服务的多台机器?中选择 ?一台Feign ：基于 Feign 的动态代理理机制，根据注解和选择的机器?，拼接请求URL 地址，发起请求Hystrix：发起请求是通过Hystrix 的线程池来?走的，不不同的服务?走不不同的线程池，实现了了不不同服务调?用的隔离，避免了了服务雪崩的问题Zuul ：如果前端、移动端要调?用后端系统，统?一从Zuul ?网关进?入，由Zuul ?网关转发请求给对应的服务2. 熔断的原理理，以及如何恢复？熔断器?模式

44、定义了了熔断器 ?开关相互转换的逻辑 :服务的健康状况 = 请求失败数 / 请求总数 . 熔断器?开关由关闭到打开的状态转换是通过当前服务健康状况和设定阈值?比较决定的.1. 当熔断器?开关关闭时, 请求被允许通过熔断器?. 如果当前健康状况?高于设定阈值, 开关继续保持关闭. 如果当前健康状况低于设定阈值, 开关则切换为打开状态.2. 当熔断器?开关打开时, 请求被禁?止通过 .3. 当熔断器?开关处于打开状态,经过 ?一段时间后,熔断器?会 ?自动进?入半开状态,这时熔断器?只允许 ?一个请求通过. 当该请求调?用成功时, 熔断器?恢复到关闭状态. 若该请求失败,熔断器 ?继续保持打开状态

45、,接下来的请求被禁 ?止通过 .熔断器?的开关能保证服务调 ?用者在调 ?用异常服务时,快速返回结果,避免?大量量的同步等待 . 并且熔断器 ?能在?一段时间后继续侦测请求执?行行结果,提供恢复服务调 ?用的可能 .3. 假如 A服务可以调?用B服务， A服务也可以调?用C服务，如果 B服务挂了了，?大量量的A-B 请求过来， Hystrix 如何防 ?止服务雪崩（Hystrix的隔离流程）？在?一个?高度服务化的系统中 , 我们实现的 ?一个业务逻辑通常会依赖多个服务,?比如 : 商品详情展示服务会依赖商品服务,价格服务, 商品评论服务. 如图所示 :名师资料总结 - - -精品资料欢迎下载

46、 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 8 页，共 10 页 - - - - - - - - - 调?用三个依赖服务会共享商品详情服务的线程池. 如果其中的商品评论服务不不可?用, 就会出现线程池 ?里里所有线程都因等待响应 ?而被阻塞, 从?而造成服务雪崩 . 如图所示 :Hystrix 通过将每个依赖服务分配独?立的线程池进?行行资源隔离,从 ?而避免服务雪崩 . 如下图所示, 当商品评论服务不不可 ?用时, 即使商品服务独 ?立分配的20个线程全部处于同步等待状态, 也不不会影响其他依赖服务的调?用 .4.

47、mysql 有哪些搜索引擎，以及他们之间的区别？a. InnoDB ：1. ?支持事务处理理2. ?支持外键3. ?支持 ?行行锁4. 不不 ?支持FULLTEXT 类型的索引（在Mysql5.6 已引 ?入）5. 不不保存表的具体?行行数，扫描表来计算有多少?行行6. 对于 AUTO_INCREMENT 类型的字段，必须包含只有该字段的索引7. DELETE 表时，是?一 ?行行 ?一 ?行行的删除8. InnoDB 把数据和索引存放在表空间?里里 ?面9. 跨平台可直接拷?贝使 ?用10. 表格很难被压缩b. MyISAM ：1. 不不 ?支持事务，回滚将造成不不完全回滚，不不具有原?子性

48、2. 不不 ?支持外键3. ?支持全 ?文搜索4. 保存表的具体?行行数, 不不带where 时，直接返回保存的?行行数5. DELETE 表时，先 drop 表，然后重建表名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 9 页，共 10 页 - - - - - - - - - 6. MyISAM 表被存放在三个?文件。frm ?文件存放表格定义。数据 ?文件是 MYD (MYData ) 。 索引 ?文件是 MYI (MYIndex ) 引伸7. 跨平台很难直接拷?贝8. AUTO

49、_INCREMENT类型字段可以和其他字段?一起建?立联合索引9. 表格可以被压缩c. 选择：因为MyISAM 相对简单所以在效率上要优于InnoDB. 如果系统读多，写少。对原?子性要求低。那么MyISAM 最好的选择。且 MyISAM 恢复速度快。可直接 ?用备份覆盖恢复。如果系统读少，写多的时候，尤其是并发写?入?高的时候。InnoDB 就是?首选了了。两种类型都有 ?自?己优缺点，选择那个完全要看?自?己的实际类弄弄。5. 请介绍 ?一下 mysql 索引 B+tree 。1. B-tree ：B-tree 利利 ?用了了磁盘块的特性进?行行构建的树。每个磁盘块?一个节点，每个节点包含

50、了了很关键字。把树的节点关键字增多后树的层级?比原来的 ?二叉树少了了，减少数据查找的次数和复杂度。B-tree 巧妙利利?用了了磁盘预读原理理，将?一个节点的?大 ?小设为等于?一个 ?页（每 ?页为4K），这样每个节点只需要?一次I/O就可以完全载?入。B-tree 的数据可以存在任何节点中。2. B+tree ：B+tree 是 B-tree 的变种， B+tree 数据只存储在叶?子节点中。这样在 B树的基础上每个节点存储的关键字数更更多，树的层级更更少所以查询数据更更快，所有指关键字指针都存在叶?子节点，所以每次查找的次数都相同所以查询速度更更稳定;6. kafka 的 ?工作流程？