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》
- 自我介绍。
- AI 工具怎么使用的?
- AI 怎么工作的?AI 拆分任务不准怎么评估处理?
- 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?
- 说一下日常性能变慢的排查方案。
- 说一下 Redis 三个场景(击穿、雪崩、穿透)的解决方案。
- 怎么保证事务一致性?
- 说一下 Java 的设计模式。
- 说一下对线程池的理解。
- 说一下 JVM 怎么优化的。
- 说一下 Flink 怎么保证实时性。
- 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。