面灵AI→

浩鲸科技一面:ES 深分页、缓存三兄弟与高并发系统评估

轮次
一面
时间
2026-11
来源
牛客网

《面试题目》

  1. 自我介绍。
  2. AI 工具怎么使用的?
  3. AI 怎么工作的?AI 拆分任务不准怎么评估处理?
  4. 你的 ES 优化是怎么做的?给一下实际效果。ES 深分页怎么优化?
  5. 说一下日常性能变慢的排查方案。
  6. 说一下 Redis 三个场景(击穿、雪崩、穿透)的解决方案。
  7. 怎么保证事务一致性?
  8. 说一下 Java 的设计模式。
  9. 说一下对线程池的理解。
  10. 说一下 JVM 怎么优化的。
  11. 说一下 Flink 怎么保证实时性。
  12. 说一下你怎么去评估、设计一个高并发系统。

《参考解析》

AI 工具怎么用:按场景分层说——写代码用 IDE 内的补全与对话,读陌生代码库用能检索全仓的 Agent,写文档与总结用长上下文模型,查资料用带联网检索的工具。讲一个具体流程比列工具名更有说服力:先让模型读相关文件、产出计划,人审计划,再分步实现、每步跑测试。

AI 拆分任务不准怎么处理:任务拆错通常有三个原因:上下文不足(模型不知道代码结构)、目标模糊(验收标准没写)、任务粒度太大。处理办法是把「评估」前置——先让模型输出计划与它需要的上下文,人工补齐缺失信息;再把任务切成「一次改动能在十分钟内验证」的大小;执行中用编译、单测、lint 做即时反馈,失败就把错误原文回灌给它重试;最后用固定的一组任务做回归,比较改动前后的成功率与返工次数。

ES 深分页:from + size 深翻页时每个分片都要取出 from + size 条再全局排序,越翻越慢且有 max_result_window(默认 10000)限制。方案:search_after(用上一页最后一条的排序值做游标,适合顺序翻页、不支持随机跳页);scroll(快照式遍历,适合导出,会占资源、不能实时);point in time + search_after(PIT 保持索引视图一致,官方推荐);业务上限制最大页数、或改成「按时间/ID 范围过滤」而不是纯 offset。讲优化效果要带数字:P99 从多少降到多少、命中多少 QPS、集群负载变化。

性能变慢怎么排查:先分层定位——入口看监控(RT、QPS、错误率、超时),应用看线程栈(jstack)、GC 日志、慢 SQL、外部依赖耗时,系统看 CPU、内存、IO、网络(top、vmstat、iostat、ss),中间件看 Redis 慢查询、MQ 积压、ES 慢日志。方法上先做「时间线对齐」:变慢从几点开始、之前有没有发布/配置变更/流量变化;再做「单请求拆解」:把一次请求的各段耗时打点,找出占比最大的那一段。避免一上来就调参数。

缓存三兄弟:穿透是查一个不存在的 key,每次都打到数据库——缓存空值(短 TTL)或布隆过滤器前置拦截。击穿是热点 key 过期瞬间大量请求同时回源——加互斥锁只放一个请求重建,或用逻辑过期 + 异步刷新,热点 key 也可以预热、永不过期。雪崩是大量 key 同时过期或缓存集群挂掉——过期时间加随机抖动、多级缓存、缓存集群高可用、限流降级兜底。

事务一致性:单库靠本地事务(@Transactional,注意传播行为、自调用失效、异常回滚规则)。跨服务靠分布式事务(2PC/Seata AT、TCC、Saga、本地消息表 + MQ)。缓存与数据库之间没有事务,只能靠「先写库再删缓存 + 延迟双删 + binlog 订阅 + 对账」把不一致窗口压小。帖主答的「分布式锁 + 数据库乐观锁」是并发控制手段,能防并发写冲突,但不等于事务一致性,回答时要把两者分开。

设计模式:不要背 23 种。挑项目里真用过的讲:策略模式(多种计费/风控规则)、工厂 + 注册表(按类型创建处理器)、模板方法(流程固定的业务骨架)、责任链(审批/过滤链)、观察者(事件解耦)、单例(Spring 默认单例,注意无状态)。每个都说清楚「解决了什么、代价是什么」。

线程池:七个核心参数——核心线程数、最大线程数、空闲存活时间、时间单位、工作队列、线程工厂、拒绝策略。执行顺序是「核心线程 → 队列 → 扩展到最大线程 → 拒绝」。参数怎么定:CPU 密集型接近核数,IO 密集型按「核数 × (1 + 等待时间/计算时间)」估算,但最终要靠压测。必须用有界队列 + 自定义线程工厂(带业务名,方便排查)+ 明确的拒绝策略(CallerRuns 或降级),并且监控活跃线程数、队列长度、拒绝次数。

JVM 优化:先有指标再谈优化。常见动作:根据堆大小与对象存活特征选收集器(低延迟场景 G1/ZGC),设置 -Xms=-Xmx 避免动态扩缩,合理设置新生代比例与晋升阈值,用 -XX:+HeapDumpOnOutOfMemoryError 保留现场,用 MAT 分析 dominator tree 找大对象。真正的优化往往在代码层:减少临时对象、避免大对象直接进老年代、控制缓存大小。调参前先看 GC 日志的停顿分布。

Flink 实时性:Flink 是事件驱动的流处理,靠「事件时间 + 水位线(watermark)」处理乱序,靠 checkpoint 做 exactly-once(barrier 对齐 + 状态后端),靠反压机制(信用制/背压)自适应下游速度。「保证实时性」落到工程上是:端到端延迟监控(source 到 sink 的时间差)、并行度与 slot 配置、状态大小控制(用 RocksDB 增量 checkpoint)、水位线延迟容忍度设置、以及算子链与网络缓冲调优。

高并发系统怎么评估与设计:先量化目标——QPS、并发连接数、P99 延迟、数据量、读写比、可用性要求。然后分层设计:接入层 CDN + 负载均衡(DNS/GSLB、Nginx/LVS)、静态资源就近分发;应用层无状态 + 水平扩容 + 限流熔断降级;缓存层多级(本地 Caffeine + Redis 集群),热点隔离;数据层读写分离、分库分表、索引优化、冷热分离;异步层 MQ 削峰、任务队列;最后是容量评估(按峰值 × 冗余系数)、压测验证、故障演练与降级预案。帖主复盘说「应该从 CDN 说起、多重缓存设计」,方向是对的——高并发面试要按请求链路从外到内讲,而不是从线程池讲起。