是一个Bug头像

灰豚科技 · 面试回顾技术文档

灰豚科技 · 面试回顾技术文档

面试时间:16:30–17:20 | 方向:Java 后端(AI 应用 / 数据分析)
背景:3 年智慧交通后端,Spring 全家桶 + MySQL/Redis/Kafka,后期参与 RAG + Agent 工程落地。
文档结构:每题含 原题 → 个人回答(口述原意整理)→ 整体分析(亮点/短板)→ 官方参考答案建议。个人回答中口语重复处已做梳理,原意和不足之处均保留。


〇、开场:自我介绍

原题

请先简单介绍一下自己。

个人回答

  • 硕士毕业于浙江工业大学,毕业后进入中控信息,做了 3 年多后端开发,主语言 Java,业务场景为智慧交通;
  • 技术栈:Spring Boot、Spring Cloud,AI 应用侧用 Spring AI;数据层 MyBatis-Plus,Redis 做热点数据缓存,Kafka 作为数据通道接入多源感知数据,做异步解耦和削峰;
  • 业务内容:路网、隧道、高速的交通态势感知,做车流量、车速等车流统计;参与大模型 RAG、Agent 应用落地,实现知识库问答和客服类功能;
  • 沉淀:4 篇专利,2 篇已授权并作为第一技术负责人;取得高级信息系统项目管理师证书;
  • 求职意向:后端开发与数据处理相关工作。

整体分析

  • 亮点:结构完整,技术栈、业务、成果、意向都覆盖到了;专利和高项证书是加分项。
  • 短板:表达偏口语、有重复(“同时”“我们这边”较多);没有用一句话点出最有代表性的项目和角色;RAG/Agent 描述偏笼统(“客服类功能”),没有讲清解决了什么业务问题。
  • 建议口径:压缩到 1.5 分钟,先给定位一句话,再讲一个代表项目,最后讲成果和意向。

官方参考答案建议(优化版口述)

面试官好,我叫张宏森,硕士毕业于浙江工业大学,有 3 年多 Java 后端经验,一直在智慧交通行业。技术上以 Spring Boot、Spring Cloud 为主,数据层用 MyBatis-Plus、MySQL、Redis,Kafka 接入多源感知数据做异步解耦和削峰。我主要负责交通态势统计(车流量、车速、占有率等),后期参与 AI 应用落地,用 Spring AI 做了 RAG 知识问答和 Agent 事件处置辅助,把模型能力封装成可运维、有限流兜底的后端服务。期间产出 4 篇专利、2 篇授权,也拿到了高项证书。希望继续从事后端开发和数据处理相关工作。


一、Redis 相关

1.1 Redis 可以用来做什么?有哪些数据结构?

原题

你觉得 Redis 可以用来干什么?

个人回答
  • 主要做缓存。预测类数据、交通流预测如果每次调接口产生预测结果不可靠,就把热点数据提前放进 Redis;
  • Redis 是 KV 键值模型,有 ZSet、Hash、String 等数据类型,根据数据格式选择合适结构存放;
  • Redis 常结合 Kafka 使用;缓存要和持久化(MySQL)分开,存在数据一致性问题;
  • 要防止请求打穿缓存直接命中 MySQL,造成延迟升高甚至后端宕机;
  • 缓存有三类经典问题:雪崩、击穿、穿透,要按不同场景设防御手段;比如请求未命中缓存直接进后端时,提前对 Key 做路由/限制;穿透场景可提前用过滤器过滤异常请求(举例提到 SQL 注入过滤)。
整体分析
  • 亮点:定位(缓存)、数据结构选型、与 MySQL 一致性、三大缓存问题都覆盖到了,且绑定了交通预测数据场景。
  • 短板/风险:
    • 三大问题的对应解决方案讲混了:把“过滤器防注入”归到了穿透;SQL 注入不属于缓存穿透的典型防御手段;
    • 没说清三种问题的区别和各自方案;
    • 只讲了缓存,没提 Redis 其他常见用途(分布式锁、计数器、排行榜、会话、限流)。
官方参考答案建议

Redis 最核心定位是内存 KV 缓存,常用结构:String(缓存/计数)、Hash(对象/指标)、List(队列)、Set(去重/交集)、ZSet(排行榜/有序)、Bitmap(状态位)、HyperLogLog(基数估算)。在我们项目里,热点交通流预测结果、设备实时状态、聚合统计指标都放 Redis,挡住高频读。

三类缓存问题要区分:

  • 穿透:查不存在的数据,缓存和 DB 都没有 → 布隆过滤器 / 缓存空值;
  • 击穿:热点 key 过期瞬间大量请求打 DB → 互斥锁重建 / 热点 key 不过期;
  • 雪崩:大量 key 同时过期或 Redis 宕机 → 过期时间加随机偏移错峰、缓存预热、DB 限流兜底。

一致性上采用「先更新 DB,再删缓存」,短 TTL 兜底。

1.2 Redis 大 Key 问题了解吗?

原题

Redis 里面的大 Key 问题你了解吗?

个人回答
  • 表示没专门遇到过大 Key;反问是否指 K 值开头或存储空间占用过大;
  • 设计之初对 Key 有明确规范:业务编号 + 唯一 ID(设备 ID / UUID)保证唯一,并设置过期时间,因此没怎么遇到这类问题。
整体分析
  • 短板(明显知识缺口):没答出大 Key 的定义、危害和治理手段,属于被追问后暴露的盲区。
  • 风险:大 Key 是 Redis 高频考点,面试官大概率继续追问删除、拆分、监控。
官方参考答案建议

大 Key 指单个 Key 对应的 Value 体积过大(如 Hash/List/Set 存了几十万元素、单 value 超几十 KB)。
危害:阻塞 Redis 单线程(读写、删除都慢)、挤占内存、集群数据倾斜、过期删除时卡顿。
发现:redis-cli --bigkeys、监控内存和元素数、业务侧控制单 key 粒度。
治理:拆分大 Key(按业务/时间分片成多个小 Key);压缩 value;异步删除(UNLINK);避免把全集列表塞进一个 Key;设置合理 TTL。

结合项目:设备状态按 device:status:{deviceId} 单设备一个 Key,而不是把全部设备塞进一个 Hash,本身就是在避免大 Key。

1.3 消费者幂等可以用 Redis 做吗?

原题

数据幂等可以用 Redis 去做吗?怎么设计?

个人回答
  • 消息上下游都会设唯一 ID 做幂等;消费方拿到重复消息时按唯一标识判重,重复的直接过滤;
  • 判重可在后端程序内做,也可借助 Redis 记录已处理 ID;第一种在内存维护窗口判断,第二种提到 Flink 自带 API 做判重。
整体分析
  • 亮点:明确了“唯一 ID + 判重”的幂等思路,知道内存和外部存储两种方向。
  • 短板:没有讲清 Redis 幂等的具体实现和过期策略;把内存判重和 Redis 判重混在一起;没提数据库唯一键兜底。
官方参考答案建议

可以用 Redis 做幂等,典型做法:

  • 处理前 SETNX idempotent:{msgId} 1 EX 窗口时长,设置成功才执行,已存在则判定重复直接丢弃;
  • 业务落库再用唯一键约束兜底(消息 ID/业务唯一键),防止 Redis 失效或过期后重复写入;
  • 注意:Redis 判重 Key 要设 TTL(覆盖业务最大重复窗口),避免无限堆积;幂等粒度要和业务一致(按消息 ID 还是按业务单号)。

内存判重只适用于单实例、短窗口;多实例部署时必须依赖 Redis/DB 这类共享存储,否则各实例本地状态不互通(见 2.3)。


二、Kafka 相关

2.1 消费消息怎么做幂等?

原题

从 Kafka 消费消息时怎么做幂等?

个人回答
  • 上下游设置唯一 ID;作为消费方,收到两条重复消息时做判重,重复的直接过滤,只保留第一条;
  • offset 手动提交:判定 ID 相等就过滤掉,只处理有效消息,处理完再提交 offset;
  • 判重依据消息自带的唯一 ID 做业务层判断。
整体分析
  • 亮点:抓住了“唯一标识 + 判重 + 手动提交 offset”的核心链路。
  • 短板:
    • 把 offset 提交 和 业务幂等混为一谈:offset 解决的是“消费位点”,幂等解决的是“同一消息不重复生效”,两者配套但不是一回事;
    • 没提生产端、Broker 侧的不丢保障;
    • 判重存储没说清(内存 / Redis / DB 唯一键)。
官方参考答案建议

Kafka 是至少一次投递,重复消费是常态,幂等要在业务侧做:

  1. 每条消息带全局唯一 ID(或业务唯一键);
  2. 消费时先查是否已处理(Redis SETNX 或 DB 唯一键),已处理直接跳过并提交 offset;
  3. 业务处理成功后再提交 offset,避免“先提交后处理”导致消息丢失;
  4. 落库靠唯一键兜底,防止判重存储失效后的重复写入。

补充不丢:生产端合理 acks + 重试;Broker 配副本;消费端处理完再提交位点。

2.2 两条重复消息怎么去除?

原题

如果有两条重复消息,怎么去除?

个人回答
  • 消息体里有唯一 ID,先发过来的判定有效并处理,后发的直接过滤掉,然后再提交 offset。
整体分析
  • 思路正确,但只讲了“内存判断”一种;没说判重记录存哪、过期多久、多实例怎么一致。
官方参考答案建议

按唯一 ID 判重:

  • 内存 Map/窗口:仅单实例、短窗口适用;
  • Redis SETNX + TTL:多实例共享判重状态;
  • DB 唯一键:最终兜底,重复插入报错即视为重复;
  • 顺序上:先判重 → 未处理则执行业务 → 记录已处理 → 提交 offset。

2.3 多消费者之间,本地内存窗口怎么保持一致?

原题

消费者是多端部署的,窗口维护在本地内存,不同消费者之间需要通信吗?

个人回答
  • 窗口维护在本地内存;车流场景窗口约 5 分钟,设备每分钟上报,5 分钟一批汇总处理;
  • 不同 Topic、不同消费者组消费不同 Topic 的消息,用分组方式隔离场景;
  • 另一个手段是在 Flink 里和 Kafka 连通,用 Flink 自带 API 做判重。
整体分析
  • 短板(关键追问点):没有正面回答“多实例本地内存不互通”的问题。本地内存窗口在多消费者下,同一条消息/同一设备数据可能被不同实例各自处理,出现重复或聚合错误;靠分 Topic/分组只能隔离场景,不能解决同一消费组内的状态共享。
  • Flink 方向是对的,但被问的是当前应用内方案,需先讲清内存方案的局限。
官方参考答案建议

本地内存状态不跨实例共享,多消费者下存在状态不一致问题,解决方式:

  1. 按 key 分区保证亲和:同一设备/路段的消息固定落到同一分区,由固定消费者处理,本地窗口才成立;
  2. 共享存储存状态:聚合中间结果和判重记录放 Redis/DB,多实例读写同一份状态;
  3. 流式计算托管状态:引入 Flink,用 Keyed State + Checkpoint 管理窗口和去重,状态由框架保证一致性;
  4. 落库阶段再用唯一键/幂等兜底。

2.4 Kafka 消息堆积怎么处理?

原题

Kafka 消息堆积怎么排查和处理?

个人回答
  • 先拆分判断是哪一方问题:是生产推送太多,还是消费太慢;
  • 生产太多:对 Kafka 分区扩容,多层并行消费;
  • 消费太慢:查业务接口处理是否有问题、是否报错,针对性优化。
整体分析
  • 亮点:先分“生产侧 / 消费侧”定位,方向正确。
  • 短板:扩容受分区数限制这一点没提;消费侧排查手段不具体;没提积压监控、批量消费、临时跳过非关键消息。
官方参考答案建议

排查顺序:

  1. 看监控:消费滞后量(consumer lag)、分区分布、生产速率 vs 消费速率;
  2. 生产侧突增:评估是否业务高峰;扩容分区和消费者实例(消费者数不能超过分区数);
  3. 消费侧变慢:查单条处理耗时、是否慢 SQL、外部调用阻塞、线程池满、报错重试;
  4. 处理手段:批量拉取/批量落库、异步化非关键逻辑、限流保护下游、临时降级非核心消息;
  5. 恢复后复盘根因,避免反复积压。

2.5 消费端慢,怎么定位到底哪里有问题?

原题

怎么确定是消费端哪里导致整条消费链路慢?

个人回答
  • 数据转化、持久化过程慢:来一条存一条比较慢,可以批量保存,攒一批后 batchSave 一次性入库;
  • 单条错误时,正常数据先入库,错误消息单独放一个队列处理,不阻塞提交;当前业务上游已做过滤,阻塞较少,也采用过全部回滚重拉的方式。
整体分析
  • 亮点:点出“逐条入库慢 → 批量入库”这个高频优化点;错误消息隔离处理的思路正确。
  • 短板:定位手段不系统(没提耗时拆分、慢 SQL、外部调用、线程池);“全部回滚重拉”在有脏数据时代价高,应优先死信队列隔离。
官方参考答案建议

消费端慢按链路拆分定位:

  • 反序列化 / 业务转换耗时;
  • DB 写入:逐条插入 vs 批量、慢 SQL、锁等待;
  • 外部调用:HTTP/RPC 阻塞、超时配置;
  • 线程池/队列:消费线程是否打满、GC 停顿;

优化:批量落库、异步非关键逻辑、合并写请求;错误消息进死信队列单独重试/人工处理,不阻塞主流程;避免整批回滚重放。


三、MySQL 与慢查询

3.1 同一个 SQL 有时快有时慢,可能是什么原因?

原题

同一个 SQL,不同时间执行快慢不一样,可能是什么原因?

个人回答
  • 数据库服务器资源被其他服务占用:大批量写入、存储占用大量内存/IO,资源争抢导致查询变慢;
  • 统计信息过期,优化器选错执行计划,驱动表变化;
  • 缓存问题:缓存失效第一次走 DB,后面命中缓存就快。
整体分析
  • 亮点:抓住资源争抢、优化器、缓存三大方向,贴合交通大表场景。
  • 短板:缺锁等待、MySQL Buffer Pool 冷热、临时表溢盘、并发压力等细节。
官方参考答案建议

常见四类根因:

  1. 资源争抢:CPU/IO/内存被批量写入、归档、导出抢占;行锁/表锁等待;
  2. 优化器抖动:统计信息过期、数据分布变化,选错索引或驱动表;
  3. 缓存差异:Buffer Pool 冷读 vs 热读;业务 Redis 缓存失效后穿透到 DB;
  4. 其他:冷热分区切换、临时表溢盘、直方图缺失、并发波动。

3.2 执行计划里驱动表为什么会变?

原题

不同时间看执行计划,这次 T 做驱动表、下次 T1 做驱动表,什么原因?

个人回答
  • 主要是统计信息过期:车流、卡口表每天新增大量数据,分布变化后统计信息没更新,优化器评估行数不准,就切换驱动表;
  • 可定期 ANALYZE 更新统计,核心 SQL 用 STRAIGHT_JOIN 固定关联顺序。
整体分析
  • 亮点:根因准确,落地手段有提到。
  • 短板:缺直方图、SQL Outline 绑定执行计划等加分手段。
官方参考答案建议

MySQL 按统计信息估算各表扫描行数和成本选驱动表。数据持续增长、分布偏移而统计信息未及时更新时,优化器误判表大小,就会切换驱动表。
解决:定时 ANALYZE TABLE;开启列直方图;核心稳定 SQL 用 STRAIGHT_JOIN 固定关联顺序,或用 SQL Outline / 执行计划绑定规避优化器自主选择。

3.3 缓存失效带来的快慢波动怎么理解?

原题

缓存失效导致的快慢波动怎么理解?

个人回答
  • 缓存失效时请求直接打 DB,DB 查询远慢于 Redis 内存读取,单次变慢;后续命中缓存就快;
  • 大量热点 key 同时失效会引发雪崩,可错峰设置过期时间。
整体分析
  • 理解了穿透到 DB 的现象和雪崩;缺击穿、互斥锁、后台异步更新等方案。
官方参考答案建议

缓存未命中时请求落到数据库,DB 查询耗时远高于内存读取,表现为单次慢、后续命中变快。风险与方案:

  • 雪崩:过期时间加随机偏移、缓存预热;
  • 击穿:互斥锁重建、热点 key 逻辑不过期 + 后台异步刷新;
  • 穿透:布隆过滤器 / 缓存空值。

3.4 数据量大时,冷热数据和分区怎么考虑?

原题

数据量过大怎么处理?冷热数据、分区怎么设计?

个人回答
  • 卡口、GPS、车流数据日增很大,按时间分区;近期热数据放 MySQL 分区支撑实时查询,更早的冷数据归档到另一张表/单独存放;
  • 查询只扫热分区,减少扫描量,配合缓存稳定耗时;可做横向、纵向切分,只保留近一两个月热数据。
整体分析
  • 亮点:业务结合紧密,理解分区裁剪价值。
  • 短板:冷数据只说到“分表”,没提下沉数仓/数据湖做离线分析;没讲分区键选择和分区裁剪条件。
官方参考答案建议

时序类车流/卡口数据天然适合冷热分离:

  • 热数据:MySQL 按时间分区,配索引 + Redis 缓存,支撑在线实时查询;查询带时间条件做分区裁剪;
  • 冷数据:归档下沉到 HDFS/Hive/Iceberg 等冷存储,不占在线库资源,离线统计、溯源直接读冷存储;
  • 超大规模再考虑分库分表;分区键选高频查询的时间/路段字段。

3.5 除了 MySQL,还了解哪些数据库和存储组件?

原题

除了 MySQL,还了解哪些数据库、存储组件?

个人回答
  • 主力 MySQL,Redis 常用;接触过 MongoDB、PostgreSQL;海量历史数据存储用到 HDFS、数据湖、数仓,存归档历史数据做离线统计。
整体分析
  • 短板(易被追问扣分):把 HDFS 当成数据库表述;组件分类不清。HDFS 是分布式文件存储,不是数据库。
官方参考答案建议

按类别说清:

  • 在线关系库:MySQL、PostgreSQL;
  • KV 缓存:Redis;
  • 文档库:MongoDB;
  • 分布式文件存储:HDFS(底层存文件,不是数据库);
  • 数仓/OLAP:Hive、ClickHouse、Doris;
  • 数据湖:Iceberg、Hudi;
  • 时序库:InfluxDB、TDengine(适合车流、GPS 时序采集)。
    HDFS 提供存储,Hive 提供 SQL 查询能力做离线分析,两者配合使用。

3.6 索引失效、回表、联合索引怎么理解?

原题

函数设计可能导致索引失效;如果产生回表,多字段能否用联合索引避免回表?

个人回答
  • 对索引列使用函数/时间函数会导致索引失效;
  • 多字段查询可以建联合索引防止回表;
  • 数据量过大时做冷热分库/切分,热点数据只保留近一两个月。
整体分析
  • 亮点:知道函数导致失效、联合索引、冷热分离。
  • 短板:没讲清“覆盖索引”才是避免回表的关键;联合索引不一定能消除回表,要看查询字段是否都在索引里。
官方参考答案建议
  • 索引失效常见场景:索引列上用函数/运算、隐式类型转换、前导模糊 %xx、不满足最左前缀、OR 含无索引列;
  • 回表:二级索引查到主键后再回聚簇索引取整行数据;
  • 避免回表:建覆盖索引(查询字段都包含在联合索引中),用 explain 的 Extra 看 Using index;
  • 联合索引遵循最左前缀,先按高频过滤字段排序设计。

3.7 避不开回表时,减少回表次数有用吗?怎么判断是不是回表导致的慢?

原题

如果 SQL 避不开回表,减少回表次数有用吗?怎么判断是不是回表过多导致查询慢?

个人回答
  • 大部分场景避不开回表,看业务场景;可以把查询结果提前缓存到 Redis,第一次查完放入缓存做提前量优化。
整体分析
  • 短板:没回答“怎么判断回表导致慢”;缓存是兜底手段,不能替代索引层面的判断。
官方参考答案建议

判断方法:explain 看 type、key、rows、Extra;若 Extra 出现 Using filesort/Using temporary、扫描行数大、回表次数高,结合慢查询日志和实际耗时定位。
优化顺序:先评估能否覆盖索引消除回表 → 减少返回字段/行数 → 联合索引调整 → 最后才用 Redis 缓存结果兜底。缓存解决的是重复查询的响应速度,不改变单次 DB 查询本身的执行计划。


四、排查思路与监控工具

4.1 线上接口响应慢,怎么定位?

原题

线上接口响应慢,该怎么排查?

个人回答
  • 分层判断:网关层、服务层还是 DB 层卡住;先看 Redis 是否命中,没命中再看 MySQL 慢查询、索引和执行计划;DB 没问题再看业务代码:循环查库、重复创建对象、GC 频繁等。
整体分析
  • 亮点:分层排查顺序标准,是规范的后端思路,回答质量高。
  • 短板:没提 APM 全链路耗时拆分、线程池/锁等待等中间层。
官方参考答案建议

自上而下分层:

  1. 网关层:超时、限流、网络、负载均衡;
  2. APM 全链路:看各阶段耗时占比;
  3. 缓存层:Redis 命中情况;
  4. DB 层:慢查询日志、explain、锁、IO、连接数;
  5. 应用层:GC、线程池满、阻塞、循环查库、序列化耗时;
  6. 业务代码:重复计算、不合理循环。
    先排除基础设施,再定位业务代码。

4.2 怎么判断是不是 DB 返回慢?

原题

怎么判断是不是数据库返回慢?

个人回答
  • 对比:第一次缓存未命中落 MySQL,第二次能快速返回,大概率是 DB 慢;
  • 查慢查询日志,explain 看是否走索引、是否回表、扫描行数,再看服务器 CPU、IO。
整体分析
  • 亮点:用缓存命中前后对比验证,思路巧妙、落地性强。
  • 补充:还可看 APM 链路中 DB 段耗时占比,以及锁等待、Buffer Pool 状态。
官方参考答案建议

两种验证:① 对比缓存命中/未命中请求耗时;② APM 链路看 DB 调用段耗时占比。再结合慢查询日志、explain(索引、回表、扫描行数),观测 DB 服务器 CPU、磁盘 IO、锁等待、Buffer Pool 命中率。

4.3 服务层慢(重复对象、GC 问题)线上怎么定位?

原题

排查到服务层慢,比如重复创建对象、GC 问题,线上怎么定位?

个人回答
  • 借助线上检测工具、链路追踪和日志,看各环节耗时,判断哪段代码耗时长。
整体分析
  • 短板(明显):方向正确但缺少具体工具和命令,是本场面试的薄弱项。
官方参考答案建议
  • APM 链路定位耗时方法;
  • Arthas:trace 看方法调用耗时,heapdump 导对象快照;
  • jstat 观察 GC 频率和耗时,看 GC 日志判断 Minor GC 频繁还是 Full GC;
  • 分析是否循环内创建大量短生命周期对象、大对象分配;
  • 优化:对象复用、池化、检查内存泄漏。

4.4 用过哪些链路监控 / APM 工具?

原题

你用过哪些链路监控、APM 排查工具?

个人回答
  • 公司自研 APM,也用过 SkyWalking(口述时名字记混),看全链路耗时拆分,定位接口每一步耗时。
整体分析
  • 短板:工具栈不全,产品名偶尔混淆;只讲链路追踪,没提监控告警和在线诊断工具。
官方参考答案建议
  • 链路追踪:SkyWalking、Pinpoint、Jaeger;
  • 监控告警:Prometheus + Grafana;
  • 在线诊断:Arthas;
  • 日志:ELK(Elasticsearch + Logstash + Kibana)。
    SkyWalking 可查看调用链、每个 Span 耗时、SQL 耗时和异常,适合定位慢接口和跨服务调用问题。

五、业务适配与软技能

5.1 ToB 数据分析方向,你的经验怎么迁移?

原题

我们是 ToB、按项目划分,产品方向不一,主要做数据分析,后续业务由业务方对接,你怎么看?

个人回答
  • 之前智慧交通的海量感知数据接入、缓存、数据库调优、RAG+Agent 落地,底层能力可迁移;不管后续什么数据分析业务,数据接入、性能优化、高并发查询思路通用。
整体分析
  • 亮点:表达了能力可迁移,态度稳妥。
  • 短板:没有主动把 RAG/Agent 和数据分析业务结合,少了差异化加分点。
官方参考答案建议

ToB 数据分析的核心是数据接入、存储分层、查询性能和报表接口稳定。我之前在智慧交通做时序感知数据接入、冷热分离、慢查询优化;AI 应用经验也能赋能数据分析场景,比如智能数据问答、报表辅助分析。底层的后端、缓存、DB 优化能力可以平滑迁移到不同项目,业务规则可以快速补齐。

5.2 反问环节

原题

你还有什么想问我的?

个人回答
  • 无额外问题,进入收尾。
整体分析
  • 不提问不会扣分,但主动提问能体现积极性和思考深度。
官方参考答案建议(可选提问)
  1. 数据分析项目里,实时查询和离线分析的技术栈是怎么拆分的?
  2. 团队目前有没有 AI + 数据分析结合的落地场景?
  3. 这个岗位前 3 个月主要负责哪类模块,团队对后端的期望是什么?

六、整体小结

6.1 优势

  • 分层排查思维成熟:接口慢、消费慢都能按链路拆分定位;
  • 数据库调优理解深入:索引、回表、统计信息、冷热分离、缓存策略都能结合交通大表讲;
  • 技术点绑定真实项目:不是死背理论,有卡口/车流/预测缓存等业务场景支撑;
  • 有专利、高项证书,工程规范意识较好。

6.2 短板与风险

短板涉及题目改进方向
Redis 大 Key 概念缺失1.2补定义、危害、发现与拆分治理
多实例状态一致性没想清2.3分区亲和 + 共享存储 + Flink State
GC/线上诊断工具不具体4.3掌握 Arthas、jstat、jmap、GC 日志分析
组件分类混淆(HDFS 不是数据库)3.5按关系库/缓存/文档/文件/OLAP/时序分类记忆
缓存三问题方案对应混乱1.1穿透/击穿/雪崩的现象与方案逐一对应
RAG/Agent 与新业务结合表达不足5.1准备“AI 赋能数据分析”的迁移话术
工具名记忆不牢4.4巩固 SkyWalking、Pinpoint、Jaeger、ELK 等名称

6.3 面试前优先补强清单

  1. Redis:大 Key、分布式锁细节、三大缓存问题对照表;
  2. Kafka:幂等三层(内存/Redis/DB 唯一键)、多消费者状态一致性、死信队列;
  3. MySQL:explain 字段含义、覆盖索引、回表判断、统计信息与执行计划绑定;
  4. 排查工具:Arthas 常用命令、jstat/jmap、APM 链路各段耗时;
  5. 存储组件分类与各自定位,避免把文件存储说成数据库。

转载自 CSDN-专业IT技术社区

原文链接:https://blog.csdn.net/futurn_hero/article/details/170926468

文章来源转载

评论

评论列表

微信小程序
QQ小程序

关于作者

点赞数:0
关注数:0
粉丝:0
文章:0
关注标签:0
加入于:--