iMile 后端一面:幂等、缓存一致性、分布式 ID 与 ES 连环追问
- 时间
- 2026-11
- 来源
- 牛客网
《面试题目》
幂等与并发
- 你写的中台可靠性保障、MQ 发送失败同步回滚、Redis 查重幂等,幂等性怎么保证?
- 加锁会有什么问题?高并发抢票场景下同一时间成千上万请求过来,加锁不会有什么问题吗?
- 举例同一个用户两笔订单可能是重复订单,你怎么加锁、怎么设计唯一索引?你是针对用户 id 加活动 id 做唯一索引对吧?
- 如果一个用户对同一个票下两单,购买人一样但入场人不一样,有没有其他幂等方式?用数量能解决吗?如果允许下两单、下三单怎么控制?
缓存与一致性
- 最终一致什么情况下会出现数据库和缓存不一致?并发场景两个线程同时先写数据库后更新缓存,什么情况下会出现不一致?描述一下流程。
- 先更新数据库后删缓存能完全解决数据库和缓存一致性问题吗?
- 如果并发量很大比如抢单场景,你怎么保证一致性?
- 活动可能持续 1 个小时,缓存要保证 1 个小时,活动结束可能很长时间怎么办?
- 如果就要求落库有没有别的方案?MQ 异步落库保证的是最终一致性还是强一致性?金融场景对强一致性要求高怎么解决?
- 分布式事务解决什么问题?只要是异步场景就必须引入分布式事务解决吗?你这个单服务场景需要用分布式事务吗?
Redis 与并发原语
- Lua 能解决什么问题?Redis 只有 Lua 这一种方式能解决原子性问题吗?
- 你了解 Redis 事务吗?Redis 事务和 Lua 脚本都能保证原子性,为什么选 Lua 不选 Redis 事务?它们各有什么优劣?
对象转换与 MySQL
- 你做 MapStruct 类型转换、扩展字段属性,了解 Java 深拷贝和浅拷贝吗?日常开发中怎么实现深拷贝和浅拷贝?
- MapStruct 方式是深拷贝还是浅拷贝?MapStruct 主要是做什么功能的?
@Mapping注解有什么作用、原理是什么? - 字段不同名时怎么让它映射成功、原理了解过吗?项目启动时会编译 class 文件,你看过 MapStruct 生成的 class 文件吗?BeanUtils 有了解过吗?
- 你平常优化过 MySQL 吗?
user_id是varchar(256)类型且已建索引,查询where user_id = 123传的是 int 类型,会走索引吗?反过来字段是 int 类型、传的是 varchar 类型,会走索引吗?你了解 MySQL 的隐式类型转换吗?
ES 与分布式 ID
- ES 支持哪些数据类型?它和 MySQL 的映射关系是什么?你了解 ES 中的 keyword 类型吗?你了解倒排索引吗?倒排索引的优点在哪里?
- 主键冲突问题:你了解分布式 ID 的生成方案吗?主键生成方案都有哪几种?你说的发号器是指号段模式吗?能单独介绍一下号段模式吗?分布式 ID 是怎么做的?号段模式是不是有一个中心服务生成 ID 区间并有固定步长?
- 你听说过 UUID 吗?它的优点和缺点是什么?
- 你了解雪花算法吗?详细介绍一下什么是雪花算法。雪花算法有什么问题?怎么解决时钟回拨问题?如果时钟回拨时间较长、人工介入不现实,还有没有别的方式?能不能用空间换时间,提前生成一批 ID 存到 Redis,出现时钟回拨时从 Redis 取?
AI 编程
- Agent 方面你平常只是了解过对吧?AI coding 平常做过吗?
- 使用 AI coding 的过程中,如何用 Harness 思想辅助你进行 AI 编程?怎么建立 Harness 思想?
- 从需求承接到交付上线阶段,有哪些常见开源高效的 skill 可以辅助 AI 编程?
- 你实习公司当时还没有系统化的 agent,那你自己有了解过吗?你自己了解的话,会怎么用 AI 构建?具体怎么做?
《参考解析》
幂等的分层设计:最可靠的是数据库唯一约束——它不依赖应用层逻辑,天然能扛并发与重试。做法是把「业务唯一键」建唯一索引(用户 id + 活动 id + 场次 id),插入冲突时捕获 DuplicateKeyException 返回已有结果。第二层是状态机:订单从「待支付」到「已支付」只能流转一次,重复回调直接返回成功。第三层是请求级去重:客户端带幂等 token,服务端用 Redis SETNX 或去重表记录,注意「setnx + 设置过期」必须原子(Lua 或 SET key val NX EX)。第四层是消息消费的幂等:消息 ID 落库,消费前查是否处理过。
抢票场景加锁的问题:单机 synchronized 在集群下无效;Redis 分布式锁要处理锁超时、续期、误删(value 存持有者标识,解锁用 Lua 比对)、主从切换丢锁;数据库行锁在热点行上会把所有请求排成一队,QPS 直接掉到几百;更根本的是「为一个用户加锁」不能解决「一万个用户抢同一批库存」——那是库存扣减问题,应该用 Redis 预扣(Lua 原子减库存)+ 异步落库,或者消息队列串行化。
同一用户重复下单的唯一索引:unique key (user_id, activity_id) 能挡住「一次活动只能下一单」,但挡不住「同一用户买两张票」。后者的业务唯一键应该是「票/座位」而不是「用户 + 活动」:如果每张票有唯一编号,就对 (activity_id, seat_id) 建唯一索引;如果允许一个用户买 N 张,就用「用户 + 活动 + 序号」或在订单表加 buy_seq,并对 (user_id, activity_id, buy_seq) 建唯一索引,同时在库存侧用 Redis 计数控制总量。用「数量」做幂等只能校验「没超上限」,无法区分「重试」和「真的想买第二张」,所以不能只靠数量。
缓存与数据库不一致:典型流程是「线程 A 写库成功 → 线程 B 读缓存未命中 → B 读库拿到旧值(A 还没提交或读到旧快照)→ B 把旧值写回缓存 → A 提交」,缓存里就留下了旧数据。还有「先删缓存再写库」的经典竞态:A 删缓存 → B 读库旧值 → B 写缓存 → A 写库,缓存仍是旧值。先更新库再删缓存能大幅降低概率(删除比更新安全,且下一次读会重建),但不能完全消除——删除失败、主从延迟、并发读回填都会导致不一致。
怎么保证强一致:没有银弹。可行手段:延迟双删(更新后删一次,隔几百毫秒再删一次)、订阅 binlog(Canal)异步删缓存、把「读缓存」和「写库」放在同一个分布式锁里(性能差)、对强一致要求高的数据干脆不缓存、或者用「缓存只存不可变快照 + 版本号」,读时校验版本。抢单场景更常见的是「Redis 预扣 + 异步落库 + 对账补偿」,接受最终一致,用对账把差异收敛。
活动缓存一小时、活动结束后怎么办:给缓存设 TTL 略大于活动时长(比如活动 1 小时、TTL 设 70 分钟),活动结束后由定时任务或活动状态变更事件主动删除;同时用「活动状态 + 版本号」做逻辑过期,避免 TTL 到期瞬间大量请求打穿到数据库(加互斥锁只放一个请求回源,其余等待或返回兜底值)。活动数据本身应该是「读多写少」的,真正的库存扣减走 Redis 计数,不走缓存。
MQ 异步落库是最终一致:消息发出即返回,库可能还没写,中间有延迟窗口,所以是最终一致。金融场景要强一致,通常不用「MQ 异步落库」做主路径,而是:本地事务 + 事务消息(RocketMQ)+ 消费端幂等 + 对账;或者直接同步写库,用 TCC / Saga 处理跨服务。核心是「钱的操作不能只依赖消息到达」。
分布式事务解决什么:解决「跨多个数据库/服务的一组操作要么全成功要么全回滚」。单服务单库用本地事务就够了,不需要引入——很多候选人会把「用了 MQ」和「需要分布式事务」划等号,这是错的。异步本身不等于分布式事务:如果业务能接受中间状态并用对账兜底,就不必上 Seata/TCC,那会把复杂度抬高一个量级。
Lua 与 Redis 事务的取舍:Redis 的 MULTI/EXEC 只保证「命令打包按顺序执行、不被其他命令插入」,但不支持回滚——中间某条命令失败,其余命令照样执行;而且事务里没法根据前一条命令的结果做判断。Lua 脚本在服务端原子执行,可以在脚本里读值、判断、写值,实现「检查并设置」这类逻辑,是分布式锁、限流、库存扣减的常用手段。代价是脚本要短(阻塞单线程)、集群下 key 要在同一 slot、调试不便。Redis 7 的 Function 是 Lua 的演进形态,能力类似。所以「需要条件判断的原子操作」选 Lua,「单纯打包多条写命令」可以用事务。
深拷贝与浅拷贝:浅拷贝只复制对象本身和其中的基本类型字段,引用类型字段仍指向同一个对象;深拷贝递归复制所有引用对象。实现方式:手写 clone、序列化反序列化(JSON、Kryo、Java 原生序列化)、BeanUtils.copyProperties(浅拷贝)、MapStruct(默认浅拷贝,引用字段直接赋值)。判断标准是「改副本会不会影响原对象」。
MapStruct 原理:编译期注解处理器(APT)读取 @Mapper 接口,为每个方法生成实现类(XxxMapperImpl),在里面逐字段赋值,字段同名同类型直接赋值,不同名用 @Mapping(source, target) 指定,复杂转换可以挂 @Named 的自定义方法或 expression。因为它生成的是普通 Java 代码,运行时没有反射开销,比 BeanUtils(反射 + 内省)快得多,且编译期就能发现类型不匹配。生成的 class 在 target/generated-sources/annotations 下,可以直接打开看。
MySQL 隐式类型转换:字符串列和数字比较时,MySQL 会把字符串转成数字再比,索引列上发生转换就用不上索引(因为要对每一行做转换)。所以 varchar 的 user_id 传 123(int)会全表扫描,必须传字符串 '123'。反过来,int 列传字符串 '123' 时,是把常量转成数字,索引仍然可用。规则记一句:转换发生在列上就失效,发生在常量上不影响。
ES 与 MySQL 的映射:ES 的 text 会分词、用于全文检索,对应 MySQL 里需要模糊匹配的字段;keyword 不分词、用于精确匹配、排序、聚合,对应 MySQL 的索引列;long/integer/date/boolean 对应数值、日期、布尔;nested 对应关联表(但查询方式不同);object 是内嵌对象。倒排索引是「词 → 文档列表」的映射,写入时分词建立词典,查询时直接按词拿到文档集合,避免全表扫描;优点是全文检索快、支持相关性打分,代价是写入放大、存储占用高、更新是「标记删除 + 重建段」。
分布式 ID 方案:UUID(本地生成、无网络开销,但 128 位太长、无序导致 B+ 树随机插入、可读性差);数据库自增(简单但单点、分库分表难);号段模式(中心服务一次发一批 ID 区间给应用,应用本地递增,用完再取,DB 压力小、性能高,缺点是服务重启会浪费一段、号段服务本身要高可用);雪花算法(64 位:1 位符号 + 41 位时间戳 + 10 位机器 ID + 12 位序列,趋势递增、本地生成、高并发);Redis INCR(简单,但要考虑持久化与单点)。业务上常用「雪花 + 号段」组合,或直接用美团 Leaf、百度 UidGenerator。
雪花算法的时钟回拨:回拨会让新生成的 ID 小于已发出的 ID,导致主键冲突或乱序。解决办法:检测到回拨时直接抛异常拒绝服务(等时钟追上);回拨幅度小(几十毫秒)时短暂等待;用「上次时间戳」做单调校验,回拨时把序列号继续递增或借用未来时间;更彻底的是不依赖系统时钟——用号段模式、或「逻辑时钟 + 持久化的 lastTimestamp」。帖主提到的「提前生成一批存 Redis,回拨时从 Redis 取」是空间换时间的思路,可行但要把「预生成池」的消费与补充做成原子操作,且池子耗尽时仍要回到拒绝或等待。
Harness 思想辅助 AI 编程:把 AI 当成「需要被约束的执行者」,围绕它搭一套外部骨架:明确的任务描述与验收标准(spec)、可读的代码库与文档(上下文)、工具(读写文件、跑测试、查日志)、反馈回路(编译错误、测试结果回灌给模型)、边界(权限、沙箱、必须人工确认的操作)。落地时先做「小步提交 + 每步验证」,再逐步放开自主性;用固定的评测任务衡量改动前后的效果。开源工具可以提 Claude Code、Codex CLI、Aider、OpenHands 这类,但重点讲你怎么用,而不是列名字。