面灵AI→

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

  1. 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?
  2. 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?
  3. 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?
  4. 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

  1. 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。
  2. 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?
  3. 如果并发量很大比如抢单场景,你怎么保证一致性?
  4. 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?
  5. 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?
  6. 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

  1. 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?
  2. 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

  1. 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?
  2. 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?
  3. 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?
  4. 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

  1. 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?
  2. 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?
  3. 你听说过 UUID 吗?它的优点和缺点是什么?
  4. 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

  1. Agent 方面你平常只是了解过对吧?AI coding 平常做过吗?
  2. 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?
  3. 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?
  4. 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。