面灵AI→

同程旅行 Java 后端一面:从 HashMap 负载因子问到 Redis 三兄弟、GC Root 与 ES 同步延迟

轮次
一面
时间
2026-11
来源
牛客网

《面试题目》

  1. 自我介绍并介绍项目。
  2. 介绍上一段实习做的项目整体内容,以及你担任的角色。
  3. 项目里最有难度的功能是哪个,遇到了什么问题?
  4. 介绍 HashMap 的底层实现逻辑。
  5. HashMap 的负载因子为什么是 0.75?调成 1 会怎样?
  6. 介绍 Redis 常用的数据结构及适用场景。
  7. Redis 的缓存穿透、击穿、雪崩分别是什么,如何预防?
  8. 布隆过滤器有误判风险吗?
  9. 如何降低布隆过滤器的误判概率?
  10. 介绍 JVM 的垃圾回收机制、如何判断对象可回收,以及常见的垃圾回收算法。
  11. 对象在什么情况下进入老年代?
  12. 详细说明可达性分析中哪些对象可以作为 GC Root。
  13. 项目用的哪种数据库?
  14. 有没有遇到需要优化 MySQL 或接口变慢的情况,如何排查?
  15. 查询条件复杂的 SQL 如何优化?
  16. 项目中如何使用 ES?
  17. ES 实时性要求高吗?用 binlog 同步的数据延迟问题如何考虑?
  18. 介绍线程池的核心参数,以及提交任务后的执行流程。
  19. HTTP 和 HTTPS 的区别。
  20. 平时会用 AI 编码吗?用什么工具?
  21. 用 AI 开发时有没有写出 bug 的情况?
  22. 出现线上问题的排查思路。

《参考解析》

HashMap 的底层与 0.75:JDK 8 是数组 + 链表 + 红黑树,put 时按 hash(key) 扰动后与 (n-1) 做与运算定位桶,冲突时尾插链表,链表长度到 8 且数组长度到 64 时转红黑树,扩容时按 2 倍扩容并把节点拆成高低位两条链。负载因子 0.75 是空间与时间的折中:太小则频繁扩容、浪费内存,太大则冲突概率上升、查询退化。调到 1 意味着表快满了才扩容,哈希冲突显著增加(泊松分布下链表变长),查询从 O(1) 退化,且扩容前那段区间性能最差;同时 resize 更晚发生,单次扩容搬移的数据更多。0.75 配合容量为 2 的幂,能让 (n-1) & hash 分布较均匀。

Redis 结构与场景:String(缓存对象、计数器、分布式锁的 SETNX)、Hash(对象字段局部更新,如用户属性)、List(消息队列、时间线)、Set(去重、交并集、抽奖)、ZSet(排行榜、延迟队列、带权重的范围查询)、Bitmap(签到、布尔统计)、HyperLogLog(UV 估算)、Stream(消息流)。回答时把「结构 + 一条命令 + 一个业务场景」绑在一起说。

穿透、击穿、雪崩:穿透是查不存在的数据,请求全部打到数据库——缓存空值(短 TTL)、布隆过滤器前置拦截、参数校验;击穿是热点 key 过期瞬间大量请求打库——互斥锁/单飞(只让一个请求回源)、逻辑过期(异步刷新)、热点永不过期;雪崩是大量 key 同时过期或 Redis 整体故障——过期时间加随机抖动、多级缓存、集群与哨兵、限流降级。三者常被混淆,回答时先给一句定义再给方案。

布隆过滤器与误判:布隆过滤器用多个哈希函数把元素映射到位数组,判断「可能存在 / 一定不存在」,因此有假阳性、没有假阴性。误判率约为 (1 - e^(-kn/m))^k,降低误判的手段是增大位数组(m)、选择合适数量的哈希函数(k ≈ 0.69·m/n)、以及用计数布隆或分片布隆。它不能删除元素(除非计数版),也不适合元素集合频繁变动的场景。

JVM 回收与 GC Root:判断对象可回收用可达性分析,从 GC Root 出发不可达即可回收;引用计数因循环引用被弃用。GC Root 包括虚拟机栈中局部变量表引用的对象、方法区静态属性引用的对象、常量引用的对象、本地方法栈 JNI 引用的对象、活跃线程、以及同步锁持有的对象等。回收算法有标记-清除(碎片)、复制(新生代,浪费一半空间)、标记-整理(老年代)、分代收集。收集器从 Serial、Parallel 到 CMS、G1、ZGC,按停顿目标选。

对象何时进老年代:大对象直接进(超过 PretenureSizeThreshold)、长期存活的对象年龄达到阈值(默认 15,MaxTenuringThreshold)、动态年龄判定(Survivor 中同龄对象总和超过一半则直接晋升)、Survivor 空间不足时的分配担保。G1/ZGC 没有严格的新老年代分区语义,按 region 回收。

MySQL 慢查询排查:先 explain 看执行计划(type、key、rows、Extra 里的 filesort/temporary),再看慢查询日志与 performance_schema;确认是否有索引缺失、索引失效(函数、隐式类型转换、前导模糊、联合索引最左前缀断裂)、回表过多(考虑覆盖索引)、数据量过大(分页深翻、分区、归档)。接口变慢则先分层定位:网关、应用(线程池满、GC、锁等待)、DB(慢 SQL、连接池)、下游依赖,用链路追踪与耗时打点确定瓶颈,别一上来就改 SQL。

复杂 SQL 优化:把查询拆成「过滤—关联—排序—分页」四段分别看。过滤条件尽量走索引、把选择性高的放前面;关联用小结果集驱动大表、确保关联字段有索引且类型一致;排序尽量用索引顺序避免 filesort;深分页用游标(where id > last_id)或延迟关联;必要时用物化视图/汇总表/缓存换实时性。改完用真实数据量压测对比,别只看 explain 的估算。

ES 与 binlog 同步延迟:ES 适合全文检索、聚合与多条件筛选,不适合当主存储。同步链路常见是业务写库后发消息,或 canal 订阅 binlog 投递 MQ 再写 ES。ES 本身近实时(refresh 默认 1 秒),加上 MQ 与消费耗时,端到端延迟通常在秒级。对实时性要求高的场景(下单后立刻按状态查)不能只依赖 ES,要回源数据库或用「写库后同步双写 + 版本号」;对账与补偿(定时比对、失败重放、幂等写入)是必备的。回答时说明业务对延迟的容忍度,再决定同步还是异步。

线程池参数与流程:核心参数是 corePoolSize、maximumPoolSize、keepAliveTime、workQueue、threadFactory、handler。提交任务时:当前线程数小于核心数就新建线程;否则入队;队列满且线程数小于最大数就新建非核心线程;再满则执行拒绝策略。关键点是「先入队再加线程」,所以用无界队列时 maximumPoolSize 形同虚设,容易 OOM。参数要按任务类型(CPU 密集 / IO 密集)与下游承载定,并配监控(活跃线程、队列长度、拒绝次数)。

HTTP 与 HTTPS:HTTPS 是 HTTP over TLS,默认 443。TLS 握手用非对称加密协商出对称密钥,之后用对称加密传数据,兼顾安全与性能;证书由 CA 签发,用来验证服务端身份、防中间人。HTTP 明文传输、可被窃听篡改;HTTPS 提供机密性、完整性、身份认证,代价是握手延迟与证书管理(可用会话复用、TLS 1.3 的 1-RTT/0-RTT 缓解)。HTTP/2、HTTP/3 都要求 HTTPS。

AI 编码与线上排查:AI 编码要能说出具体用法与边界——用它写样板、补测试、读陌生代码、生成 SQL 初稿,但涉及金额、权限、并发、事务的代码必须人工确认,且要看它有没有偷偷吞异常、加业务上不存在的兜底。线上问题排查按「止损—定位—修复—复盘」:先看监控与告警确认影响面,必要时降级/回滚/切流量;再用日志、链路追踪、指标三层定位到具体服务与方法;复现后小流量验证修复;最后补监控与用例防止复发。