阿里控股一面：RPC 链路、内核收包与 Go 协程

《面试题目》

1. 请做一下自我介绍。
2. Java 的熟悉程度如何？主要使用过哪些 JDK 版本？
3. 了解 JDK 17 的哪些新特性？
4. 字节实习了多长时间？为什么没有留用？
5. 期望的工作地点是哪里？可以接受杭州吗？老家是哪里的？
6. 选择一个实习项目详细介绍一下。
7. 这个项目有多少人参与？涉及哪些上下游团队？
8. 你在项目中具体负责哪一部分？
9. 介绍一下底层 RPC 调用链路，以及 Kitex、Consul 和 Mesh 在其中的作用。
10. 开发过程中是否使用 AI Coding？如何验证和 Review AI 生成的代码？
11. 这个项目持续了多长时间？从人工 SOP 到自动化治理经历了哪些阶段？
12. 项目中遇到的最大挑战是什么？分别从技术和非技术角度说明。
13. 论文是否已经发表？主要研究方向是什么？
14. 实习结束后为什么没有继续科研？这段时间在做什么？
15. 介绍一下你的个人开源项目，项目创意、技术调研和前后端开发是否都是独立完成的？
16. 为什么开发这个项目？项目的用户和 Star 是如何增长的？后续是否计划维护？
17. 一个网络数据包从网卡到达用户态应用，需要经过哪些步骤？
18. DMA 在网卡收包过程中起什么作用？Netfilter 处理流程是怎么样的？DPDK 了解吗？
19. mmap 的原理是什么？为什么能够减少内核态到用户态的数据拷贝？
20. Go 协程相比线程有什么优势？为什么创建、销毁和切换开销更低？
21. 目前还有哪些公司或岗位正在推进？Offer 情况如何？

《参考解析》

网卡到用户态的收包路径：硬件收到帧后，用 DMA 把数据写进驱动预先分配好的 RX ring（描述符数组），写完回写描述符并触发中断；驱动在中断上半部只做最少的事（记录状态、屏蔽该队列中断），把真正的收包交给 NAPI 的 poll 在下半部批量处理（软中断 NET_RX_SOFTIRQ）。之后 sk_buff 向上走：二层补齐与校验、VLAN 处理后进入协议栈，途经 Netfilter 的各 hook 点（PREROUTING → 路由决策 → INPUT/FORWARD），再到传输层按四元组找到对应的 socket，把 sk_buff 挂进该 socket 的接收队列并唤醒等待的进程；应用 recv 时数据从内核缓冲区拷贝到用户缓冲区。所以延迟与开销主要来自三处：中断频率、协议栈逐层处理、以及最后那次内核到用户的拷贝。DPDK 正是针对这三点：用 PMD 轮询替代中断、用户态直接操作网卡队列、大页加无锁 ring 省掉拷贝，代价是独占 CPU 核、要自己实现协议栈，通常只用在专用转发/网关机器上。

DMA 与 mmap：DMA 让外设不经过 CPU 直接把数据写进内存，驱动只需把缓冲区地址填进描述符、收完后回收，CPU 因此不参与搬运——这是零拷贝的前提，但要注意 DMA 缓冲区需要物理连续或经 IOMMU 映射，且存在 cache 一致性问题（收包前可能需要 invalidate，或直接使用一致性映射）。mmap 则是把内核里的物理页帧映射进用户进程的页表，用户态和内核态访问同一块内存，从而省掉「内核缓冲区→用户缓冲区」这一次拷贝。典型应用是 AF_PACKET 的 PACKET_MMAP 收包环、mmap 读文件、以及进程间共享内存。要主动讲清边界：mmap 省的是数据拷贝，不是系统调用与页表建立的开销；缺页、映射维护、以及写回时机（可用 msync 控制）仍要付出代价，所以它并不是「所有 IO 都快」，只有大块、频繁的数据传输才划算。

Netfilter 的处理流程：Netfilter 在内核协议栈里埋了五个 hook 点——PREROUTING（进路由决策之前，DNAT 在这里做）、INPUT（送往本机）、FORWARD（转发）、OUTPUT（本机发出）、POSTROUTING（出网卡前，SNAT 在这里做）。iptables/nftables 的规则按表挂在 hook 上，遍历顺序基本是 raw → mangle → nat → filter，每条链内按顺序匹配，命中后执行 target（ACCEPT、DROP、REJECT、JUMP 到自定义链等）。连接跟踪（conntrack）在 PREROUTING 建立流状态，后续包命中已建立连接走快速路径。排查时用 iptables -t nat -L -n -v 看每条规则的包计数，就能判断请求走到了哪一条以及被谁丢掉——这比看日志快得多；容器环境里还要注意规则分别落在宿主机的哪个 netns 上，否则会「明明配了却不生效」。

Go 协程为什么比线程轻：三点叠加。第一，初始栈只有 2KB 且可动态伸缩（不够时分配更大的栈并搬迁），线程栈通常是固定的 MB 级。第二，调度完全在用户态完成——GMP 模型里 G 挂到 P 上由 M 执行，切换只保存少量寄存器，不陷入内核、不切特权级、也不刷 TLB。第三，运行时配套：工作窃取让空闲 P 去偷别人的 G，netpoller 把网络 IO 变成可运行的 G，避免为等待 IO 而阻塞 M。所以创建百万级 goroutine 的代价远小于同量级线程。代价也要讲清：阻塞式系统调用会占住 M（运行时会 handoff 出新的 M）、调度是带抢占点的协作式调度，长循环或纯计算代码可能延迟调度、跨 goroutine 的数据竞争该加锁还是得加锁——协程不是并发安全的替代品。

AI Coding 的验证与 Review：把 AI 生成的代码当成外部贡献者提的 PR 来审。流程上：先让它复述需求和约束确认理解一致，再让它小步产出；生成后本地跑单测、lint、typecheck，重点审边界——空值、并发、错误分支、资源释放、异常吞掉、依赖是否真实存在（模型最容易编造 API），还要检查它有没有为了让测试通过而改动测试本身。涉及事务、权限、SQL、金额的地方默认不信模型，自己写或自己逐行核对。落到习惯上：每步可回滚，代码自己必须能讲清每一行；样板、单测、脚本、正则这类重复劳动收益最高，核心逻辑仍归自己。另外留一份 prompt 与 diff 的对应记录，能复盘出哪类任务适合交给模型、哪类交给它反而要花更多时间返工。