面灵AI→

百度日常实习一面:过滤规则重构验证、MVCC 与分布式锁 27 问

轮次
一面
时间
2026-11
来源
牛客网

《面试题目》

  1. 介绍一个实习中最有挑战的功能,你具体做了哪些工作?
  2. 过滤规则为什么需要重构?新旧框架有什么区别?
  3. 如何通过空跑、灰度和 diff 对比验证重构的正确性?
  4. 前置过滤结果为什么会干扰 diff 统计?如何处理?
  5. 为什么字段迁移遗漏在空跑时没有发现,上线后才暴露?
  6. synchronized 和 Lock 有什么区别?
  7. 线程池的核心参数有哪些?
  8. 任务提交到线程池后的执行流程是什么?
  9. 什么是数据库事务?ACID 分别是什么?
  10. MVCC 的工作原理是什么?
  11. 读已提交和可重复读的 ReadView 生成时机有什么区别?
  12. MySQL 索引为什么使用 B+ 树,而不是 B 树或红黑树?
  13. 常见的索引失效场景有哪些?
  14. 联合索引 (A, B, C),查询条件只有 A = ? AND B = ?,能否使用索引?
  15. Redis 有哪些持久化方式?AOF 和 RDB 有什么区别及优缺点?
  16. 缓存穿透、缓存击穿、缓存雪崩有什么区别?分别如何解决?
  17. 如何避免大量 Key 同时过期引发缓存雪崩?
  18. 如何保证缓存与数据库的一致性?
  19. 更新数据时,先删除缓存还是先更新数据库?有哪些并发问题?
  20. 分布式事务与普通事务有什么区别?
  21. 分布式事务和分布式锁有什么关系?实现事务是否必须使用锁?
  22. 分布式锁能提供什么能力?能否保证跨服务的数据一致性?如何用 MySQL 实现一个分布式锁?
  23. 事务是否只有在并发场景下才有意义?
  24. 如何使用 Redis 实现分布式锁?SETNX 的原理是什么?
  25. 如何使用 MySQL 实现分布式锁?
  26. 什么是接口幂等?业务中如何实现?
  27. 新增订单时,如何保证幂等、避免重复插入?

手撕:用 Java 实现一个死锁(忘记 API 时自己写 lock,面试官追问为什么不用 Java 自带的 API)。

《参考解析》

重构的正确性验证:把验证拆成三段递进。空跑(shadow run)是让新旧两套规则同时吃历史流量或离线样本,只记录不生效,逐条比对判定结果;灰度是按用户或流量比例切一小部分真实请求到新框架,观察业务指标与错误率;diff 对比是把同一批输入的两套输出做结构化比对,按「结论不同」「同类但字段不同」「新框架报错」分类统计。空跑阶段的关键是样本要覆盖边界——历史流量里长期不出现的规则与字段,空跑永远发现不了问题,因此要额外构造规则覆盖率报告,把未命中的分支单独补样本。

前置过滤为什么干扰 diff:如果前置过滤在新旧链路里执行时机或顺序不同,被过滤掉的请求会进入不同的分支,两边的样本集合就不再一致,diff 出来的差异里混着「样本不同」而不是「规则不同」。处理办法是把前置过滤的结果作为固定输入喂给两边,或者先对齐过滤逻辑再比对后续步骤,并对被过滤的样本单独统计数量与原因。

字段迁移遗漏为什么上线才暴露:空跑通常只覆盖了读路径或部分写路径,迁移遗漏的字段在读取时被默认值兜住,看起来一切正常;一旦新链路承担真实写入与下游消费,缺失字段才在序列化、对账或下游解析时炸出来。根治办法是把「字段清单」做成契约测试:按 schema 逐一生成用例,比对新旧两套输出的完整字段集合,而不是只比业务结论。

MVCC 与 ReadView:InnoDB 在每行记录上维护 DB_TRX_ID(最后修改它的事务 id)与 DB_ROLL_PTR(指向 undo log 的版本链)。快照读时用 ReadView 判断某个版本是否可见,ReadView 里有当前活跃事务 id 列表、最小活跃 id、下一个待分配 id 与创建者事务 id。读已提交(RC)在每条 SELECT 前都新建 ReadView,所以能看到别人已提交的最新数据;可重复读(RR)在事务的第一条快照读时建一次 ReadView 并复用,因此整个事务看到同一份快照。RR 下当前读(SELECT ... FOR UPDATE、UPDATE、DELETE)仍读最新版本,这解释了「快照读与当前读结果不一致」的现象。

B+ 树为什么胜出:B+ 树非叶子节点只存键、不存数据,同样大小的页能容纳更多键,树高更低,一次查询的磁盘 IO 更少;叶子节点用双向链表串起来,范围查询与排序只需顺着链表扫,不用回到上层;数据都在叶子层,查询路径长度稳定。B 树每个节点都带数据,扇出小、树更高;红黑树是二叉结构,百万级数据树高约 20 层,每层一次随机 IO,磁盘场景不可接受。

缓存与数据库一致性:主流做法是「先更新数据库,再删除缓存」(Cache Aside),并给删除失败加重试或走 binlog 订阅(如 Canal)异步删除,用最终一致兜底。先删缓存再更新数据库的窗口更大:删完到更新完成之间,读请求会把旧值重新写回缓存,之后长期是脏数据。并发下的经典问题是最先读到旧值的那次回填晚于删除,解决办法是延迟双删(更新后延迟几百毫秒再删一次)、给缓存加版本号,或对强一致要求高的数据直接读主库并加分布式锁。

Redis 分布式锁:SET key value NX PX 30000 一条命令完成「不存在才设置 + 过期时间」,避免 SETNX 与 EXPIRE 两步之间进程挂掉造成死锁;value 用唯一标识,释放时用 Lua 脚本比对后再删,防止误删别人的锁。单机 Redis 在故障切换时可能丢锁,强一致场景用 Redlock 或改用 etcd / ZooKeeper。锁只解决互斥,续期(watchdog)与可重入要按业务补。

MySQL 实现分布式锁:建一张锁表,lock_key 加唯一索引,抢锁即 INSERT,成功者持有;释放即删除该行。为了防持有者崩溃,表里带 owner、expire_at,抢锁失败时用 UPDATE ... WHERE lock_key = ? AND expire_at < NOW() 抢占过期锁。优点是简单、与业务数据同库可放进同一事务;缺点是数据库成为热点、锁等待要靠轮询、长事务会拖住连接,只适合低频场景。

幂等与订单防重:幂等是同一个请求执行多次与执行一次的结果一致。实现分四类:唯一索引(最可靠,订单号或「业务键 + 用户」建唯一键,重复插入直接报冲突)、状态机(只允许从待支付流转到已支付,重复回调命中状态不符即返回成功)、去重表 / 分布式锁(按请求 id 加锁或落去重记录)、令牌机制(下单前先领 token,提交时校验并删除)。订单场景通常组合使用:客户端带幂等号,服务端唯一索引兜底,支付回调再按订单状态判重,三层里任意一层生效都不会重复扣款。

手写死锁:两个线程以相反顺序获取两把锁即可稳定复现——线程 A 先锁 lock1 再请求 lock2,线程 B 先锁 lock2 再请求 lock1,中间各睡一小会儿放大交错窗口。用 synchronized 嵌套或 ReentrantLock.lock() 都能写;面试官追问「为什么不用 JDK 的 API」,答 ReentrantLock 提供 tryLock(timeout)、可中断、公平锁与条件队列,能在拿不到锁时放弃,从设计上避免死锁,而 synchronized 只能阻塞等待。实际排查用 jstack 看 Found one Java-level deadlock。