百度后端高频面试题及实战详细答案(无模板、纯实战)_第1页
百度后端高频面试题及实战详细答案(无模板、纯实战)_第2页
百度后端高频面试题及实战详细答案(无模板、纯实战)_第3页
百度后端高频面试题及实战详细答案(无模板、纯实战)_第4页
百度后端高频面试题及实战详细答案(无模板、纯实战)_第5页
已阅读5页,还剩2页未读, 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

百度后端高频面试题及实战详细答案(无模板、纯实战)本次整理题目均来自百度近年校招、社招真实面试场景,包含一面基础、二面进阶、场景实操题型,答案摒弃书面套话,采用职场实战表述,贴合面试官打分标准,覆盖Java基础、并发编程、Redis、MySQL、消息队列、算法、线上问题排查、项目场景八大核心模块。一、Java基础与集合高频题1、HashMap并发场景下,线程ID作为key前缀,还会有线程安全问题吗?标准答案:依然存在并发安全问题很多人误以为只要key不冲突,HashMap就安全,其实核心问题不在于key冲突,而在于HashMap底层结构的并发修改风险。即便每个线程的key完全唯一、无碰撞,多线程同时put数据时,会同时触发哈希表的扩容、链表节点插入、红黑树转换操作。多线程并发修改底层数组、链表结构,会导致节点丢失、链表成环、数据覆盖等问题,极端情况下会出现CPU死循环。总结:HashMap的线程不安全,是底层结构并发修改导致,和key是否重复无关。生产环境并发场景必须使用ConcurrentHashMap。2、ConcurrentHashMap1.7和1.8核心区别1.7版本:采用分段锁机制,将哈希表分为16个Segment分段,每个分段独立加锁。优点是并发度高,缺点是底层依然是数组+链表,链表过长时查询效率极低。1.8版本:彻底废弃分段锁,改用数组+链表+红黑树结构,采用CAS+synchronized实现加锁。锁粒度细化到数组单个桶位,并发性能大幅提升。当链表长度超过8且数组容量大于64时,链表转为红黑树,将查询时间复杂度从O(n)优化为O(logn)。补充:1.8中synchronized只锁定当前桶位的头节点,竞争概率极低,性能远优于1.7的分段锁,也是目前生产环境的主流版本。3、Java常用锁分类及适用场景1、synchronized:JVM原生锁,无需手动加解锁,可修饰方法、代码块。底层依赖对象监视器,自动适配偏向锁、轻量级锁、重量级锁。适合并发竞争不激烈、简单同步场景,稳定性高。2、ReentrantLock:可重入显式锁,需要手动lock、unlock。支持公平锁、可中断锁、超时锁,可绑定多个条件变量。适合高并发、需要精细控制锁竞争的场景,比如限流、批量任务同步。3、读写锁ReentrantReadWriteLock:读锁共享、写锁互斥。适合读多写少场景,比如缓存查询、配置读取,大幅提升并发读性能。4、CAS乐观锁:无锁机制,基于自旋比较更新。适合竞争极小、短耗时操作,比如计数器、状态更新,无锁开销。二、Redis核心高频面试题(百度必考)1、详细说下缓存穿透、缓存击穿、缓存雪崩,以及各自最优解决方案(1)缓存穿透场景:查询数据库和缓存都不存在的数据,比如恶意请求随机ID、空参数,请求直接穿透到数据库,压垮DB。解决方案:①布隆过滤器拦截无效key,提前过滤不存在的请求;②缓存空值+设置短期过期时间,避免重复穿透;③接口层做参数校验、限流拦截恶意请求。(2)缓存击穿场景:热点key过期瞬间,大量并发请求同时打向数据库,瞬间压垮DB。只针对单个热点key失效。解决方案:①热点key永不过期;②加分布式锁,同一时间只允许一个请求更新缓存;③缓存预热,提前更新热点数据。(3)缓存雪崩场景:大量缓存key同时过期,或Redis集群宕机,导致所有请求全部访问数据库,引发数据库雪崩。针对大批量key失效。解决方案:①过期时间加随机偏移量,避免批量过期;②Redis集群高可用部署,主从+哨兵/集群模式,避免单点故障;③服务层加熔断、降级、限流,兜底保护DB;④搭建多级缓存。2、Redis热Key问题怎么解决?热key指访问量极高的单个key,会导致Redis单节点压力过载,出现性能瓶颈。解决思路:1、key拆分:将一个热点key拆分为多个分片key,比如hot_key_1、hot_key_2,请求随机访问分片,分摊节点压力;2、本地缓存兜底:服务端增加Caffeine本地缓存,优先读取本地缓存,减少Redis访问频次;3、流量隔离:对热key请求单独限流、队列隔离,避免影响正常业务;4、集群迁移:将热key所在槽位迁移至专属高性能节点,单独承载流量。三、MySQL高频面试题1、MySQL四大事务隔离级别及实际业务使用场景1、读未提交:最低级别,可读到未提交事务的数据,存在脏读、不可重复读、幻读,业务基本不用。2、读已提交(RC):只能读到已提交数据,解决脏读,存在不可重复读、幻读。互联网业务常用,比如订单查询、用户信息查询,隔离性和性能平衡。3、可重复读(RR):MySQLInnoDB默认级别,解决脏读、不可重复读,存在幻读。适合金融、支付、对账等一致性要求较高的业务。4、串行化:最高级别,完全串行执行,解决所有并发问题,但性能极差,仅用于极小众核心对账场景。2、MySQL慢查询如何排查和优化?完整排查优化流程:1、开启慢查询日志,设置阈值(通常1秒),捕获超时SQL;2、通过explain分析SQL执行计划,重点查看type、key、rows、Extra字段,定位是否未走索引、索引失效、全表扫描;3、优化索引:针对where、orderby、groupby字段建立联合索引,遵循最左匹配原则,避免索引失效场景(like%前缀、函数运算、隐式转换);4、优化SQL语句:避免select*、避免大事务、避免批量in查询、拆分复杂关联查询;5、架构优化:大表分库分表、冷热数据分离、引入缓存减轻DB压力。3、InnoDB和MyISAM核心区别1、事务:InnoDB支持事务、ACID特性,MyISAM不支持;2、锁机制:InnoDB支持行级锁、表级锁,并发性能高;MyISAM只有表级锁,读写互斥;3、崩溃恢复:InnoDB支持故障自动恢复,MyISAM崩溃易丢失数据;4、外键:InnoDB支持外键,MyISAM不支持;5、场景:InnoDB适用于读写均衡、事务型业务;MyISAM适用于静态、只读、高频查询场景,目前基本淘汰。四、消息队列与分布式场景题1、Kafka和RocketMQ核心区别,业务如何选型?核心区别:1、存储结构:Kafka基于分区+offset顺序存储,吞吐极高;RocketMQ基于消息队列+索引文件,可靠性更强;2、可靠性:RocketMQ支持严格的消息重试、死信队列、事务消息,可靠性优于Kafka;Kafka重试机制较弱,丢失消息概率略高;3、功能特性:RocketMQ支持延时消息、批量消息、消息回溯,适配业务场景更丰富;Kafka主打高吞吐,流式计算场景适配更好;4、运维成本:Kafka集群部署简单,适合大数据、日志采集;RocketMQ运维稍复杂,业务适配性更强。选型原则:日志收集、大数据流式计算选Kafka;订单、支付、业务异步解耦、需要高可靠消息的场景选RocketMQ。2、如何实现30秒内最多5次请求的限流功能?最优方案:令牌桶算法具体实现:设置令牌桶容量为5,每6秒匀速生成1个令牌,30秒刚好生成5个令牌。每个请求必须获取令牌才能执行,无令牌则直接限流拒绝。优势:支持突发流量,短时间内最多允许5次请求,长时间匀速限流,完美匹配该场景,相比计数器限流可避免临界时间点的流量突刺问题。补充:简单场景也可使用滑动窗口限流,精准统计30秒内请求次数,无临界漏洞,适合接口精准限流场景。五、线上故障排查场景题(百度二面高频)1、线上CPU100%,你的排查流程是什么?按照线上真实排查流程,分步执行:1、top命令定位占用CPU最高的Java进程PID;2、通过top-H-pPID查看该进程下占用CPU最高的线程TID;3、将TID转为16进制,通过jstack进程PID|grep十六进制TID定位卡死线程的代码位置;4、结合代码分析原因:常见问题有死循环、频繁GC、锁竞争、复杂逻辑耗时过长、正则回溯;5、临时止血:重启服务、熔断降级、限流止损;6、根因修复:优化死循环代码、修复内存泄漏、优化锁逻辑、拆分耗时任务。2、线上接口响应突然变慢,无报错,如何排查?1、查看监控:确认是单机问题还是集群问题,排查CPU、内存、磁盘IO、网络带宽指标;2、查看日志:搜索慢接口日志、GC日志、数据库慢查询日志、Redis超时日志;3、链路追踪:通过SkyWalking、Pinpoint查看接口各阶段耗时,定位瓶颈在网关、业务代码、DB、缓存还是第三方调用;4、针对性排查:DB慢查询、Redis热点key/大key、线程池耗尽、外部接口超时、FullGC频繁。六、算法手写高频题(百度一面必考)1、不使用临时变量,交换两个整数a、b两种可行方案,生产常用异或方式(无溢出风险)://异或法(推荐)a=a^b;b=a^b;a=a^b;//加减法(存在数值溢出风险,不推荐)a=a+b;b=a-b;a=a-b;2、二维有序数组查找目标数(剑指Offer原题)题目:二维数组每行从左到右升序,每列从上到下升序,判断目标数是否存在。解题思路:从右上角元素开始遍历,右上角是当前行最大值、当前列最小值。1、当前值等于目标值,直接返回true;2、当前值大于目标值,左移一列(当前列所有数都更大);3、当前值小于目标值,下移一行(当前行所有数都更小);时间复杂度O(m+n),最优解法。3、亿级日志中统计登录次数最多的10个用户实战解题思路:1、分片处理:将亿级日志拆分多个分片文件,单机分批读取,避免内存溢出;2、局部统计:用HashMap统计每个分片内用户登录次数,得到局部Top10;3、全局汇总:将所有分片的Top10结果汇总,再次排序,得到全局Top10;4、优化:利用小顶堆维护Top10,遍历过程中始终保留最大的10个数据,降低排序开销。七、项目面试高频问答(百度三面核心)1、讲一个你最有亮点的项目,以及你解决的核心难点通用高分回答模板(实战版):首先介绍项目核心业务场景,说明项目承载的流量规模、核心作用;然后说明自己独立负责的模块,重点讲2-3个技术难点,以及自己的解决方案、优化效果,最后说明落地后的业务收益。举例:我之前负责过XX业务的高并发接口优化,项目日常承载万级QPS,高峰期流量翻倍。核心难点是接口响应慢、数据库压力大、缓存命中率低。我主要做了三点优化:

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论