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》
- 介绍一个实习中最有挑战的功能,你具体做了哪些工作?
- 过滤规则为什么需要重构?新旧框架有什么区别?
- 如何通过空跑、灰度和 diff 对比验证重构的正确性?
- 前置过滤结果为什么会干扰 diff 统计?如何处理?
- 为什么字段迁移遗漏在空跑时没有发现,上线后才暴露?
synchronized和Lock有什么区别?- 线程池的核心参数有哪些?
- 任务提交到线程池后的执行流程是什么?
- 什么是数据库事务?ACID 分别是什么?
- MVCC 的工作原理是什么?
- 读已提交和可重复读的 ReadView 生成时机有什么区别?
- MySQL 索引为什么使用 B+ 树,而不是 B 树或红黑树?
- 常见的索引失效场景有哪些?
- 联合索引
(A, B, C),查询条件只有A = ? AND B = ?,能否使用索引? - Redis 有哪些持久化方式?AOF 和 RDB 有什么区别及优缺点?
- 缓存穿透、缓存击穿、缓存雪崩有什么区别?分别如何解决?
- 如何避免大量 Key 同时过期引发缓存雪崩?
- 如何保证缓存与数据库的一致性?
- 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?
- 分布式事务与普通事务有什么区别?
- 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?
- 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?
- 事务是否只有在并发场景下才有意义?
- 如何使用 Redis 实现分布式锁?
SETNX的原理是什么? - 如何使用 MySQL 实现分布式锁?
- 什么是接口幂等?业务中如何实现?
- 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。