字节中国交易与广告一面:缓存 Key 设计、异步日志与 MVCC
- 轮次
- 一面
- 时间
- 2026-11
- 来源
- 牛客网
《面试题目》
- Redis 缓存的具体内容是什么:模型分数还是候选集?
- 缓存 Key 如何设计?如何区分司机、订单和司机订单组合?
- 为什么选择 String,而不是 Hash?如何避免大 Key?
- Key 中的模型版本号有什么作用?
- 不同模型版本如何通过配置中心切换、同时放量?
- 版本切换导致新版本缓存未命中时,如何避免大量请求直接回源?
- 除了模型版本更新,还有哪些缓存更新时机?
- TTL 如何设置?不同模型为什么使用不同 TTL?
- 如何评估和调整 TTL,使其达到较优效果?
- 命中旧缓存会不会影响模型效果?如何评估这种影响?
- 缓存命中率是多少?不同模型的命中率为什么有差异?
- 缓存命中率低的原因有哪些?
- 如何定位服务耗时高的瓶颈?
- 同步日志如何改造成异步日志?
- context 如何复用?日志打印与 context 回收如何配合?
- 如何衡量优化收益?关注平均耗时还是 P99?
- 异步日志打印失败或日志丢失,如何兜底?
- 模型过滤前置是什么意思?
- 哪些过滤逻辑可以前置?如何判断是否依赖打分结果?
- 过滤前置为什么能够降低耗时和资源开销?
- 实习中做过哪些慢 SQL 优化?
- 什么是 N+1 查询问题?如何优化?
- 项目中的索引失效是如何引入的?
- 对关联字段使用 CAST 为什么可能影响索引使用?
- 还有哪些情况会导致无法有效利用索引?
- 除了索引问题,还有哪些原因会导致慢查询?
- 从页面响应慢到定位问题 SQL,完整排查流程是什么?
- 业务表的索引如何设计?
- 什么是覆盖索引?如何减少回表?
- MySQL 使用的存储引擎是什么?
- InnoDB 如何保证已提交事务的数据不丢失?
- 什么是 MVCC?它依赖哪些机制?
- ReadView、undo log 和行记录隐藏字段分别有什么作用?
- 四种事务隔离级别下,快照的使用方式有什么区别?
- 读已提交与可重复读的 ReadView 分别在什么时候生成?
- 不同的快照生成时机起到什么作用?
- 如何理解读未提交和串行化?
- 线上使用哪个事务隔离级别?
- HashMap 的底层数据结构是什么?
- HashMap 如何处理哈希冲突?
- HashMap 的链表在什么条件下会转为红黑树?
- HashMap 如何扩容?
- 是否了解 Spring 的 @Transactional 事务注解?
- 常见限流算法有哪些?
- 项目中的「双层并发限流」具体如何实现?
- 信号量和线程池分别如何限制并发?
- 算法:两数相加。
《参考解析》
缓存 Key 与版本号:Key 要能唯一表达「哪个实体、哪种请求、哪个模型版本」,例如 score:{modelVer}:{driverId}:{orderId};把版本号放进 Key 是为了让新旧版本的缓存天然隔离,切换时可灰度放量、出问题能立刻切回。用 String 存序列化后的结果而不是 Hash,是因为一次读取整体返回、避免多次 field 读取的往返,也便于设置统一 TTL;但要注意单 Key 体积,控制候选集大小、必要时拆分或只缓存 ID 列表。
版本切换的回源保护:新版本上线初期缓存全空,流量会直接打到模型服务。做法是预热(离线跑热点集合写入新 Key)、分批放量(按流量比例或白名单切换)、回源限流与单飞(同一 Key 并发只放一个请求回源)、旧版本缓存保留一段时间兜底。灰度期间同时观察命中率与模型指标,异常即回滚版本号。
TTL 与命中率:TTL 取决于数据变化频率与业务可接受的陈旧度——实时性强的特征短 TTL,稳定的画像类可以长。评估方式是看「TTL 延长带来的命中率提升」与「陈旧数据导致的指标损失」的平衡点,用小流量实验对比。命中率低的常见原因:Key 设计过细(含时间戳、随机数)、TTL 过短、缓存穿透(不存在的 Key 反复查)、写入与读取的版本不一致、热点集中导致被淘汰。
异步日志与 context:同步打日志会在 IO 上阻塞业务线程。改造为有界队列 + 后台消费线程,业务线程只做入队,队列满时按策略丢弃或降级(打点计数、采样)。context 复用(sync.Pool)要注意:日志异步化后,如果 context 在打印前就被回收复用,日志内容会串,所以入队时要深拷贝需要的字段,或者引用计数等消费完成再归还。收益看 P99 而不是平均值,尾部延迟才是用户体感。日志丢失要能感知:队列积压、丢弃计数、关键日志落本地文件兜底。
过滤前置:把不依赖模型打分的硬性条件(黑名单、地理围栏、服务类型不匹配、库存为零)提前到调用模型之前,减少无效计算与下游请求。判断标准是「这个条件是否依赖打分结果」——依赖就不能前置。收益是双向的:省掉模型调用与特征读取,同时缩短链路。
N+1 与索引:N+1 是先查一批主记录,再对每条记录单独查关联表,1 次查询变 N+1 次。优化是用 IN 批量查、JOIN、或应用层做 Map 聚合。对关联字段做 CAST 会让索引列参与函数运算,无法使用索引;同类问题还有隐式类型转换、函数包裹、前导模糊匹配、联合索引不满足最左前缀。除索引外,慢查询还可能来自数据量过大、锁等待、返回列过多、排序与临时表、网络传输。
排查流程:页面慢 → 看接口耗时分布(网关、应用、DB)→ 应用侧看慢调用与线程栈 → 开启慢查询日志定位 SQL → EXPLAIN 看执行计划 → 结合 rows、filtered、Extra 与真实耗时决定加索引、改 SQL 还是改数据模型。索引设计按查询模式来:区分度高的列在前、覆盖高频查询列、控制索引数量避免写放大。
MVCC:InnoDB 通过 undo log、行记录的隐藏字段(DB_TRX_ID、DB_ROLL_PTR)与 ReadView 实现多版本读。ReadView 记录活跃事务列表,判断行版本对当前事务是否可见;不可见就沿 undo log 找上一个版本。RC 每次查询生成新 ReadView,所以能看到别的事务已提交的变更;RR 在事务首次快照读时生成并复用,保证同一事务内多次读一致。读未提交直接读最新版本;串行化加锁读,牺牲并发换一致。
InnoDB 持久性:靠 redo log 的 WAL——事务提交时先顺序写 redo 并刷盘(innodb_flush_log_at_trx_commit=1),数据页异步刷;崩溃后用 redo 重放已提交事务,用 undo 回滚未提交事务。binlog 与 redo 的两阶段提交保证主从一致。
HashMap:JDK8 是数组 + 链表 + 红黑树。哈希冲突用链地址法;链表长度达到 8 且数组容量不小于 64 时转红黑树,退化到 6 转回链表。扩容是容量翻倍,元素按 hash & (newCap-1) 重新分配,JDK8 用高低位拆分避免重新计算哈希。
限流与并发控制:常见算法有固定窗口(简单但有临界突刺)、滑动窗口(平滑、需存储)、漏桶(恒定速率)、令牌桶(允许突发)。双层限流通常是「入口按用户/接口限流 + 下游按资源(线程池、连接池)限流」。信号量限制同时执行的请求数,不排队、拿不到直接失败或等待;线程池限制并发并管理队列,能隔离故障但参数不当会积压。选择取决于要不要排队、以及失败时如何反馈。
@Transactional:Spring 声明式事务基于 AOP 代理,同类内部调用、非 public 方法、异常被吞、抛受检异常未配 rollbackFor、多线程执行都会让事务失效。