JAVA面试题

JAVA基础

JDK和JRE

JDK 是开发环境，JRE 是运行环境。

JDK（Java Development Kit） = JRE + 开发工具（如 javac 编译器、调试器等）； JRE（Java Runtime Environment） = JVM + 核心类库，只负责运行 Java 程序。 开发用 JDK，运行用 JRE。

Java 面向对象的四大特性

1. 封装（Encapsulation）
   • 含义：把数据和操作数据的方法封装在对象内部，对外只暴露必要的接口，隐藏实现细节。
   • 好处：降低耦合、提高安全性、便于维护。
2. 继承（Inheritance）
   • 含义：子类继承父类，复用代码，同时可以扩展或重写父类功能。
   • 好处：提高代码复用性，建立层次结构。
3. 多态（Polymorphism）
   • 含义：同一方法调用在不同对象上表现出不同的行为（编译时多态/运行时多态）。
   • 好处：增强灵活性、可扩展性。

在框架层面的应用

封装：Spring 的 Bean的字段通常 private，通过 setter/getter 控制访问。

继承：模板方法模式提供了执行流程的骨架,子类必须继承才能扩展步骤。

而策略模式继承只是辅助，真正的精髓是组合和可替换性。

// 伪代码示例：JdbcTemplate的execute骨架
public abstract class JdbcTemplate {
    public final void execute() { // final防止子类重写算法骨架
        getConnection();      // 固定步骤1
        doStatement();        // 抽象方法，由子类实现
        releaseConnection();  // 固定步骤2
    }
    protected abstract void doStatement(); // 可变部分，子类实现
}

多态：多态的前提之一是继承/实现。Spring 的依赖注入（DI）注入接口类型，运行时由容器选择具体实现（Servcie）。多态强调的是运行时动态分派。

编译期用的是 接口引用，运行期执行的是 实现类方法，这就是多态。

JAVA创建对象的方法

1.运用反射 Class 类的 newInstance() 方法

MyClass obj = (MyClass) Class.forName("MyClass").newInstance();

依赖无参构造方法；

2.运用反射 Constructor 类的 newInstance() 方法

Constructor<MyClass> cons = MyClass.class.getConstructor();
MyClass obj = cons.newInstance();

这是 反射创建对象 的推荐方式；

可调用有参或无参构造函数；

3.调用对象的 clone() 方法

MyClass obj1 = new MyClass();
MyClass obj2 = (MyClass) obj1.clone();

clone() 创建的是一个新的对象（地址不同），但复制了字段值。

是一种基于已有对象复制的创建方式。

实现类必须实现 Cloneable 接口：

class MyClass implements Cloneable {
    int x = 10;
    @Override
    protected Object clone() throws CloneNotSupportedException {
        return super.clone();  // 调用 Object 的 clone()
    }
}

4.使用 new 关键字创建

MyClass obj = new MyClass();

说说 Java 中 HashMap 的原理？

HashMap 允许 1 个 null key、多条 null value，因为单线程场景下没歧义。

为什么引入红黑树: 当hash冲突较多的时候，链表中的元素会增多，插入、删除、查询的效率会变低，退化成O(n)使用红黑树可以优化插入、删除、查询的效率，logN级别。

转换时机: 链表上的元素个数大于等于8 且 数组长度大于等于64； 链表上的元素个数小于等于6的时候，红黑树退化成链表。

JDK8为什么从"头插法"改为"尾插法"

• 头插法特点：

  • 插入时不需要遍历链表
  • 直接替换头结点
  • 扩容时会导致链表逆序
  • 多线程环境下可能产生死循环

• 尾插法改进：

  • 避免扩容时的链表逆序
  • 解决多线程环境下的潜在死循环问题

死循环产生场景

旧桶链表：

A -> B -> C -> null

线程1 迁移时：

• 先拿到 A，放到新桶头部。
• 此时新桶是 A -> null。

线程 2 也在迁移，刚好也拿到 B，打算放到新桶头：

• 修改 B.next = A，新桶成了 B -> A -> null。

线程 1 继续迁移 B（因为它也在遍历旧链表）：

• 此时它的 B.next 已经被线程2 改过了！
• 它会把 B 再放到新桶头，把指针一改，可能出现：

A.next = B
B.next = A

扩容

假设某个key的hash = ...10010b，旧容量n = 16：

oldIndex = hash & 01111b = 2

扩容后 2n = 32：

newIndex = hash & 11111b
         = (hash & 01111b) + (hash & 10000b)
         = oldIndex + 16(如果第 5 位是 1)

于是只需要 检查 hash 的第 5 位（10000b）：

• 如果为 0 → newIndex = 2
• 如果为 1 → newIndex = 2 + 16 = 18

JAVA8及之后，扩容时只需要看 hash 的新高位，而不用重新计算哈希！！！这个 hash 会存进 Node 对象里，而不是每次都重新算。

扩容的时机：HashMap 的总元素个数，包括桶+链表+红黑树中的，而不只是看桶被占用了多少。

Java 中 ConcurrentHashMap 1.7 和 1.8 的区别？

ConcurrentHashMap不允许null的key和value

在并发环境中，返回 null 可能同时表示两种情况：

1.key 不存在 2.key 对应的 value 是 null。无法区分这两种情况，会导致线程安全逻辑混乱。

HashMap 是非线程安全的，通常在单线程环境中使用，containsKey(key)可以区分“key 不存在”还是“value 为 null”。ConcurrentHashMap 在多线程环境下，即便先判断了 containsKey(key) 为 true，在你下一行 get(key) 时，另一个线程可能已经删除了这个 key，导致返回 null，从而产生逻辑混乱。

不同JDK版本的实现对比

1.数据结构

• JDK1.7：

  • 使用 Segment（分段锁） + HashEntry数组 + 链表 的数据结构

• JDK1.8及之后：

  • 使用 数组 + 链表/红黑树 的数据结构（与HashMap类似）

2.锁的类型与宽度

• JDK1.7：

  • 分段锁(Segment)继承了 ReentrantLock
  • Segment容量默认16，不会扩容 → 默认支持16个线程并发访问

• JDK1.8：

  • 使用 synchronized + CAS 保证线程安全
  • 空节点：通过CAS添加（put操作，多个线程可能同时想要将一个新的键值对插入到同一个桶中，这时它们会使用 CAS 来比较当前桶中的元素（或节点）是否已经被修改过。）
  • 非空节点：通过synchronized加锁，只锁住该桶，其他桶可以并行访问。

3.渐进式扩容（JDK1.8+）

• 触发条件：元素数量 ≥ 数组容量 × 负载因子(默认0.75)
• 扩容过程：
  1. 创建2倍大小的新数组
  2. 线程操作数据时，逐步迁移旧数组数据到新数组
  3. 使用 transferIndex 标记迁移进度
  4. 直到旧数组数据完全迁移完成

== 和 equals 的区别是什么？

基本数据类型

• ==：比较的是 值。
• equals：基本数据类型（int、double、char 等）不是对象，没有 equals 方法，所以只能用 == 比较。

引用数据类型（对象）以及集合类

• ==：比较的是 引用是否相同，即两个变量是否指向同一个对象。
• equals：默认继承自 Object.equals，比较地址；但很多类（如 String、Integer、List）都 重写了 equals 方法，用于比较对象的 值。

List<String> list1 = Arrays.asList("A", "B");
List<String> list2 = Arrays.asList("A", "B");

System.out.println(list1 == list2);      // false：不同对象
System.out.println(list1.equals(list2)); // true ：元素顺序和值完全一致

HashSet<Point> 大坑

在 Java 中，有一个 HashSet<Point> points，Point 是自定义类，里面有两个成员 x 和 y。 如果我往里面 add 了一些 Point，之后想通过新构造一个同样 x、y 的 Point 来调用 points.remove(point)，能否成功删除？

HashSet和HashMap两者底层都用 哈希表（JDK8 之后是数组 + 链表 + 红黑树）：

• 数组：用 hashCode() 定位桶（数组下标）。
• 链表/红黑树：解决哈希冲突。
• 扩容机制：负载因子超过阈值时，数组扩容并重新计算 hash。

HashSet.remove(Object o) 的底层流程：

计算哈希值 调用传入对象（o）的 hashCode() 方法，得到哈希值。

定位桶 根据哈希值取模，找到可能存放该对象的 桶。

如果 hashCode 不一样，元素直接定位到不同的桶，根本不会去比较 equals。

遍历桶中链表/红黑树 在对应的桶里，依次拿已有元素跟传入对象比较：

• 先比 hashCode（已经定位桶了，这里一般相同）。
• 再比 equals，确认是否是逻辑相等的对象。

删除成功 如果找到了 equals 为 true 的对象，就把它移除。否则返回 false。

contains也是类似的流程。

回答

默认情况下不能删除

• 自定义类 Point 没有重写 equals 和 hashCode，继承的是 Object 的实现。
• 这样比较时：
  • equals 比较的是 引用地址，不是内容；
  • hashCode 也是基于对象地址生成。
• 即使 x、y 相同，new Point(1,2) 和之前插入的对象也被视为 不同对象，所以 remove 会失败。

正确做法

• 必须同时重写 equals 和 hashCode，让两个 Point 在 x 和 y 相同的情况下被认为相等。

class Point {
    int x, y;

    Point(int x, int y) { this.x = x; this.y = y; }

    @Override
    public boolean equals(Object o) {
        if (this == o) return true;
        if (!(o instanceof Point)) return false;
        Point p = (Point) o;
        return x == p.x && y == p.y;
    }
    
	//只要两个 Point 的 x 和 y 相同，它们的 hashCode 就相同。
    @Override
    public int hashCode() {
        return Objects.hash(x, y);  // Objects.hash() 是可变参数方法 Objects.hash(a, b, c);
    }
}

这样，下面的代码才会返回 true：

points.remove(new Point(1, 2)); // 成功删除

扩展

List<Point> 在使用contains和remove的时候，必须重写Point中的equals方法，但不用重写HashCode，因为用不上。

限流算法

1.固定窗口算法

将时间划分为固定的窗口（如1分钟），在每个窗口内对请求进行计数。

• 如果计数超过阈值，则后续请求被拒绝。
• 时间窗口重置时，计数器归零。

缺点：

在窗口切换的临界点附近，可能会遭遇两倍的流量冲击。

2.滑动窗口

滑动窗口将一个大窗口划分为多个更小的时间片（Slice）。每个时间片独立计数，窗口随着时间向前滑动，计算的是最近N个时间片内的总和。

3.漏桶算法

请求来是加++++

想象一个底部有固定开口的桶：

• 请求像水一样以任意速率流入桶中。
• 如果水超过桶的容量，则溢出（拒绝请求）。
• 处理请求像水从桶底以恒定速率漏出。

// 伪代码概念
long capacity; // 桶的容量
long outflowRate; // 漏出的速率（如：100ms/个）
long waterLevel; // 当前水位
long lastLeakTime; // 上次漏水的时间

synchronized boolean tryAcquire() {
    long now = System.currentTimeMillis();
    // 1. 先计算上次到现在漏掉了多少水
    long waterToLeak = (now - lastLeakTime) / outflowRate;
    waterLevel = Math.max(0, waterLevel - waterToLeak);
    lastLeakTime = now;

    // 2. 判断加水后是否会溢出
    if (waterLevel < capacity) {
        waterLevel++;
        return true;
    }
    return false;
}

4.令牌桶

请求来是减-------

想象一个以恒定速率生成令牌的桶：

• 令牌以固定速率放入桶中，直到桶满为止。
• 每个请求需要从桶中获取一个令牌才能被处理。
• 如果桶中有令牌，请求立即被处理（允许突发流量）。
• 如果桶中无令牌，则请求被拒绝或等待。

// 伪代码概念
long capacity; // 桶的容量
long refillRate; // 添加令牌的速率（如：每秒10个）
long tokens; // 当前令牌数量
long lastRefillTime; // 上次添加令牌的时间

synchronized boolean tryAcquire() {
    long now = System.currentTimeMillis();
    // 1. 计算上次到现在应该添加多少令牌
    long tokensToAdd = (now - lastRefillTime) * refillRate / 1000;
    tokens = Math.min(capacity, tokens + tokensToAdd); // 桶不能超过容量
    lastRefillTime = now;

    // 2. 取一个令牌
    if (tokens > 0) {
        tokens--;
        return true;
    }
    return false;
}

全局变量和局部变量

public class Person {
    // 实例变量（对象的属性，每个对象一份）
    String name;  
    int age;      

    // 静态变量（类变量，所有对象共享一份）
    static String species = "Human";

    public void introduce() {
        // 局部变量（方法里的变量，每次调用方法时创建）
        String greeting = "Hello, my name is ";
        System.out.println(greeting + name + ", age " + age + ", species " + species);
    }
}

① 实例变量（name, age）

• 定义位置：类中、方法外，且没有 static 修饰。
• 归属：属于对象，每个对象都有自己独立的副本。
• 存储位置：堆内存（Heap），随对象存活。
• 默认值：如果没赋值，自动有默认值（null、0 等）。

Person p1 = new Person();
p1.name = "Alice";
p1.age = 20;

Person p2 = new Person();
p2.name = "Bob";
p2.age = 25;

// p1 和 p2 的实例变量互不影响
System.out.println(p1.name); // Alice
System.out.println(p2.name); // Bob

p1、p2都是 局部变量（引用变量），存储在栈里。

p1 指向一个堆内存中新建的 Person 对象，这个对象有自己的实例变量 name = "Alice", age = 20。

② 静态变量（species）

• 定义位置：用 static 修饰，写在类中。
• 归属：属于类本身，不属于某个对象。所有对象共享一份。
• 存储位置：方法区（JDK 8 以后在堆里的元空间）。
• 默认值：和实例变量一样，有默认值。

③ 局部变量（greeting）

• 定义位置：在方法、构造方法、代码块里。
• 归属：只在当前方法或代码块有效。
• 存储位置：栈内存（Stack），随方法调用创建，方法结束销毁。
• 默认值：必须手动赋值，否则不能使用。

500. 什么是 Java 的 CAS（Compare-And-Swap）操作？

CAS操作包含三个基本操作数：

1. 内存位置(V)：要更新的变量
2. 预期原值(A)：认为变量当前应该具有的值
3. 新值(B)：想要更新为的值

CAS 工作原理：

1. 读取内存位置V的当前值为A
2. 计算新值B
3. 当且仅当V的值等于A时，将V的值设置为B
4. 如果不等于A，则操作失败(通常重试)

伪代码表示：
if (V == A) {
    V = B;
    return true;
} else {
    return false;
}

ABA问题

假设一个共享变量 V = A，线程 T1 和 T2 同时操作：

1. T1 读取 V 的值，得到 A，准备把它改成 C
2. T2抢先执行：
   • 把 V 改成 B
   • 又把 V 改回 A
3. T1继续执行 CAS：
   • 发现 V 还是 A
   • CAS 成功，把 V 改成 C
   • 但实际上 V 已经被 T2 改过一次（A→B→A），T1 却完全察觉不到

解决方案：比较值 + 版本号，避免被 A→B→A 误导

class AtomicStampedValue {
    volatile int value;
    volatile int version;

    boolean compareAndSwap(int expectedValue, int expectedVersion, int newValue) {
        synchronized (this) {
            // 同时比较 value 和 version
            if (value == expectedValue && version == expectedVersion) {
                value = newValue;
                version++;  // 每次修改版本号 +1
                return true;
            } else {
                return false;
            }
        }
    }
}

JAVA异常体系

两大核心子类：Error 和 Exception

Error (错误)指程序无法处理的严重问题，通常与代码编写无关，而是JVM运行时本身出现的错误。应用程序不应该尝试捕获（catch） 这些错误，因为通常无法恢复。

Exception(异常)指程序本身可以处理的问题，是开发者需要关心的异常。

Checked Exception:这些异常都继承自 Exception（但不是 RuntimeException），编译期必须显式处理：要么 try…catch 捕获，要么 throws 向上抛出。

捕获：

try {
    methodA();
} catch (IOException e) {
    ...
}

向上抛出：

public void methodB() throws IOException {
    methodA();
}

// Thread.sleep 静态方法
Thread.sleep(1000); // 任何地方都能用，暂停当前线程 1 秒

// Object.wait 实例方法
synchronized(lock) {
    lock.wait();   // 必须先获得 lock 的监视器锁
}

补充：Compilation Error

Compilation Error（编译错误） 是指 在程序编译阶段由编译器发现的问题。

补充：异常捕获顺序很重要

public class Test {
    public int div(int a, int b) {
        try {
            return a / b;
        } catch (Exception e) {
            System.out.println("Exception");
        } catch (NullPointerException e) {
            System.out.println("NullPointerException");
        } catch (ArithmeticException e) {
            System.out.println("ArithmeticException");
        } finally {
            System.out.println("finally");
        }
        return 0;
    }

    public static void main(String[] args) {
        Test demo = new Test();
        System.out.println("商是：" + demo.div(9, 0));
    }
}

编译无法通过，因为catch 顺序要从小到大（子类 → 父类）

Stream流

流的基本使用

Java 8 引入的 Stream API 是函数式编程风格的集合操作工具，能让你用声明式写法来处理数据。

1.创建流

List<String> list = List.of("a","b","c");    // 创建固定大小的列表，不能增删
//List<String> list = Arrays.asList("a","b","c");  //效果同上
Stream<String> s = list.stream();

2.中间操作

• filter：过滤

  list.stream().filter(x -> x.startsWith("a"))
  

• map：转换

  list.stream().map(s -> s.toUpperCase())
  

• sorted：排序

  list.stream().sorted()
  

• distinct：去重

  list.stream().distinct()
  

• limit / skip：截取

  list.stream().skip(1).limit(2)
  

函数的参数基本上都是函数式接口，可以用lambda表达式实现。

3.终止操作（常用的）

• forEach：遍历

  list.stream().forEach(System.out::println);
  

• collect：收集

  List<String> res = list.stream().collect(Collectors.toList());
  

• count：计数

  long c = list.stream().count();
  

示例：

import java.util.*;
import java.util.stream.*;

public class StreamDemo {
    public static void main(String[] args) {
        List<String> names = Arrays.asList("Tom", "Jerry", "Alice", "Tom", "Bob");

        // 示例：取长度大于 3 的名字，去重，按字母逆序，转成大写，收集到 List
        List<String> result = names.stream()
            .filter(name -> name.length() > 3)   // 筛选
            .distinct()                          // 去重
            .sorted((a, b) -> b.compareTo(a))                            // 排序
            .map(s -> s.toUpperCase())            // 转换
            .collect(Collectors.toList());       // 收集

        System.out.println(result); // [ALICE, JERRY]
    }
}

使用注意点:

流只能用一次

Stream<String> s = names.stream();
s.forEach(System.out::println);
s.forEach(System.out::println); // ❌ 报错：stream has already been operated upon or closed

补充：方法引用

引用现有方法作为 lambda 的实现，语法格式为：

类名或对象名::方法名

示例1：任意对象实例方法引用

class Person {
    private String name;
    public String getName() { return name; }
}

我们想提取所有人的名字：

List<String> names = people.stream()
    .map(Person::getName)
    .collect(Collectors.toList());

等价于：

.map(p -> p.getName())

示例2：特定对象的实例方法引用

list.forEach(s -> System.out.println(s));
//等价于
list.forEach(System.out::println);

示例3：静态方法引用

Stream.of("1", "2", "3")
    .map(Integer::parseInt)
    .forEach(System.out::println);

JAVA序列化

二进制序列化和 JSON 序列化

序列化和反序列化在哪一层？

属于 应用层，解决应用数据的跨网络传输或持久化问题，例如：

将 Java 对象转为 JSON/二进制，通过 HTTP（REST API）或 TCP（Dubbo RPC）发送。

将 Redis 中的字符串反序列化为程序中的对象。

四种引用类型

Integer

为什么Java需要 Integer 这种封装类？

1）Java 是纯面向对象语言，很多集合类（如 ArrayList、HashMap）泛型只能存对象，不能存基本类型。

2）封装类提供了很多实用方法（如 Integer.parseInt、Integer.valueOf、进制转换、比较）；继承自 java.lang.Object，可以使用 Object 的通用方法（如 equals()、hashCode()、toString()）

3）基本类型没有 null 值，封装类可以用 null 表示“缺失/未知”。

4）自动装箱/拆箱，int ↔ Integer 自动转换，提升了开发便利性。

Integer.valueOf()缓存机制

Integer.valueOf(int i) 在内部会先判断 i 是否在 [-128, 127] 之间。

如果在这个区间，会直接返回缓存池里的对象；否则才会 new 一个新的 Integer。

因为小整数是最常用的，比如循环下标、常量、集合大小等，可节省内存

Integer a = Integer.valueOf(100);
Integer b = Integer.valueOf(100);
System.out.println(a == b); // true（因为在缓存范围）

Integer x = Integer.valueOf(200);
Integer y = Integer.valueOf(200);
System.out.println(x == y); // false（超出缓存范围，new 出来的对象）

补充1：

new Integer(127) == new Integer(127) -》false，new Integer(...) 每次都会新建对象，不会走缓存机制

Long.valueOf(127L) == Long.valueOf(127L) -》true，和 Integer.valueOf() 类似，Long.valueOf() 也有缓存机制，默认缓存范围同样是 [-128, 127]。

补充2：

Integer 的缓存池cache[]在 类加载时 就会被创建，缓存的对象存在 堆（Heap）中，默认范围是 [-128, 127]。之后所有 Integer.valueOf() 调用只是在 堆中的缓存数组中取引用，而不是重新 new。

String vs StringBuilder vs StringBuffer

String：不可变，底层是 final char[]，一旦创建内容不可改。

StringBuilder / StringBuffer：可变字符串，底层是一个可变数组，内容可以增删改。

区别：

• StringBuffer：线程安全，方法上加了 synchronized。
• StringBuilder：非线程安全，但性能更快。

StringBuffer

JDK 8 及以前:StringBuffer 内部维护一个 char[] 数组来存储字符。

JDK 9 及以后:Java 对 String、StringBuilder、StringBuffer 做了优化，引入了 byte[] + coder（编码标识） 的实现，称为 Compact Strings。

• byte[] 用来存储字符内容。
• coder 表示编码方式（0 = Latin1，1 = UTF-16）。
• 这样在大多数只包含拉丁字符的字符串里可以节省一半的内存。

面试官：“StringBuffer 会不会直接引用常量池里的字符串？”

你： “不会。字面量 "abc" 会进入常量池，但 StringBuffer 在构造时会把 "abc" 的字符复制到自己内部的数组里。这样它就可以在堆里维护一个可变的副本，而不会破坏常量池的不变性。如果它直接用常量池对象，那修改 sb 的时候就会污染常量池，导致整个 JVM 中所有引用 "abc" 的地方都被影响，这是设计上不允许的。”

StringBuffer sb = new StringBuffer("abc");
sb.append("d");   // 现在变成 "abcd"

"abc" 作为字面量，一定在字符串常量池里。

sb.append("d") 的过程是：

• 取出字面量 "d"（常量池已有）。
• 把 'd' 加到 sb 的内部数组中（堆内存）。
• 最终结果 "abcd" 只存在于 sb 的堆内数组里，不会自动放入常量池。

字符串常量池

String a = "1";
String b = "1";

变量 a和变量 b会指向同一个内存中的 String对象。

原理：常量池中有，就直接返回其引用；没有，就创建一个放进去再返回。

存放位置：

1. Java 7 之前：字符串常量池逻辑上属于方法区（Method Area） 的运行时常量池（Runtime Constant Pool） 的一部分。而方法区的具体实现是 永久代（PermGen）。
   • 问题：永久代大小有限且难以调整，容易发生 OutOfMemoryError: PermGen space。
2. Java 7 开始：字符串常量池被从永久代移动到了 Java 堆（Heap） 中。
3. Java 8 及以后：永久代被彻底移除，取而代之的是元空间（Metaspace）（用于存类元信息、方法码等）。而字符串常量池依然留在堆中。

注意：逻辑上一直属于方法区（运行时常量池的一部分）

常见操作：intern() 方法

String s1 = new String("abc"); 
String s2 = s1.intern();	
String s3 = "abc";

System.out.println(s1 == s2); // false
System.out.println(s2 == s3); // true

String s1 = new String("abc"); 创建了 两个对象（常量池 + 堆各一个）：

• "abc" 常量在类加载时进入字符串常量池；

• s1 是一个新建的堆中对象；

String s2 = s1.intern();

• 如果池中已有 "abc"，则返回池中的引用；

• 如果没有，就把这个堆中的对象引用放进常量池，以后重用。

LeetCode 中常见操作类型与推荐结构

算法中直接用LinkedList比较少。

JUC多线程并发

线程的生命周期

新建状态（New）：调用 new Thread() 时 ，线程对象被创建，但尚未调用 start() 方法。

就绪状态（Runnable）：调用了 start() 方法后，线程进入就绪状态，等待被 JVM 的线程调度程序分配 CPU 时间片。 （注意，start后不一定马上运行！！要等时间片）

运行状态（Running）：线程获得 CPU 时间片后开始执行 run() 方法中的代码。

阻塞状态（Blocked）：线程因某些原因（如等待资源）进入阻塞状态，暂时停止执行。

• Blocked：等待锁（如同步块）
• Waiting：无限期等待（如 wait()、join()）
• Timed Waiting：有限期等待（如 sleep(ms)、wait(ms)）

终止状态（Terminated）：线程执行完毕或被notifyAll()强制终止。

wait、notify、notifyall

wait() —— 线程主动让出锁并等待

让当前线程主动释放对象锁，进入等待状态（Waiting）。

等待其他线程调用该对象的 notify() 或 notifyAll() 来唤醒。

notify() —— 唤醒一个等待线程

唤醒一个正在 wait() 的线程，使其从等待队列转入锁的争用队列。

被唤醒的线程还需要重新获取锁才能继续执行。

notifyAll() —— 唤醒所有等待线程

唤醒所有在该对象上等待的线程；

所有线程都会从等待队列移动到争用队列；

只有拿到锁的线程能继续执行，其他会重新进入等待。

场景：消费者和生产者模型中，如果用 notify() 可能只唤醒了同类线程（比如生产者唤醒另一个生产者），造成假死。

线程池

线程池创建与原理

1.通过 Executors 工具类

ExecutorService pool = Executors.newFixedThreadPool(5);

固定线程数，任务多时放在无界队列里排队。适合 任务量大但稳定 的场景。

2.通过 ThreadPoolExecutor 创建（推荐）

import org.springframework.context.annotation.Bean;
import org.springframework.context.annotation.Configuration;

import java.util.concurrent.*;

@Configuration
public class ThreadPoolConfig {

    @Bean
    public ThreadPoolExecutor threadPoolExecutor() {
        return new ThreadPoolExecutor(
            2,               // corePoolSize 核心线程数
            5,               // maximumPoolSize 最大线程数
            60,              // keepAliveTime 空闲线程存活时间
            TimeUnit.SECONDS,// 时间单位
            new ArrayBlockingQueue<>(10),   // 队列
            Executors.defaultThreadFactory(), // 线程工厂
            new ThreadPoolExecutor.AbortPolicy() // 拒绝策略
        );
    }
}

创建线程池推荐项目里全局复用这一个线程池

使用

import org.springframework.stereotype.Service;
import java.util.concurrent.ThreadPoolExecutor;

@Service
public class MyService {
    private final ThreadPoolExecutor threadPoolExecutor;

    public MyService(ThreadPoolExecutor threadPoolExecutor) { //构造器注入
        this.threadPoolExecutor = threadPoolExecutor;
    }

    public void doSomething() {
        threadPoolExecutor.execute(() -> {
            System.out.println("任务执行中：" + Thread.currentThread().getName());
        });
    }
}

为什么阿里巴巴 Java 开发手册里禁止直接用 Executors？ 答：因为 Executors 创建的线程池容易导致 任务队列无限膨胀（OOM），比如 newFixedThreadPool 用的是无界队列。用 ThreadPoolExecutor 可以自己设定队列大小，更安全

3.ForkJoinPool

JAVA线程池工作原理

当调用 execute(Runnable task) 提交任务时，逻辑大致是这样的：

1. 如果当前线程数 < corePoolSize
   • 直接新建一个线程来处理任务。
2. 否则（线程数 ≥ corePoolSize）
   • 尝试把任务放进工作队列（workQueue）。
   • 如果队列没满 → 入队成功，等候线程来取。
3. 如果队列已满
   • 判断当前线程数是否 < maximumPoolSize：
     • 如果是 → 新建一个非核心线程处理任务。
     • 如果不是 → 执行拒绝策略。

核心线程的默认行为：不会因为空闲就被回收，即使没有任务，也会一直存在。非核心线程空闲时间超过 keepAliveTime 才会被回收。

拒绝策略

如果用无界队列，会怎样？

workQueue.offer(task) 永远返回 true（队列永远不满）；

因此永远不会进入创建非核心线程的分支；

所以线程数固定在 corePoolSize。

如果生产速度 > 消费速度，队列会持续增长

无界队列不断堆积任务对象，最终撑爆内存

等待队列过长，任务响应越来越慢

如何知道线程池中线程运行状态

由于任务的执行是在另一个线程中异步进行的，所以我们在提交任务的线程（主线程）中尝试用 try-catch 是捕捉不到的。我们需要使用一些回调机制或定制化手段来捕获和处理异常。

try {
    threadPoolExecutor.execute(() -> {
        // 任务代码
        int i = 1 / 0; // 故意制造异常
    });
} catch (Exception e) {
    System.out.println("捕获异常: " + e);
}

这样是无法捕捉异常的！！！

**方案 A：**通过 Future捕获异常（推荐）

ThreadPoolExecutor executor = new ThreadPoolExecutor(
    2, 4, 60, TimeUnit.SECONDS, new LinkedBlockingQueue<>()
);

Future<?> future = executor.submit(() -> {
    int a = 1 / 0; // 抛出 ArithmeticException
});

try {
    future.get(); // 这里会抛出 ExecutionException，其 cause 是真正的异常
} catch (ExecutionException e) {
    Throwable realException = e.getCause();
    System.out.println("捕获到异常: " + realException.getMessage());
} catch (InterruptedException e) {
    Thread.currentThread().interrupt(); // 恢复中断状态
}

**方案 B：**重写 afterExecute，全局捕获

自定义 ThreadPoolExecutor，重写 afterExecute方法捕获异常（包括 submit()提交的任务）。

public class CustomThreadPoolExecutor extends ThreadPoolExecutor {
    // 构造器省略...

    @Override
    protected void afterExecute(Runnable r, Throwable t) {
        super.afterExecute(r, t);
        if (t == null && r instanceof Future<?>) {
            try {
                Future<?> future = (Future<?>) r;
                if (future.isDone()) {
                    future.get(); // 触发 ExecutionException
                }
            } catch (ExecutionException e) {
                t = e.getCause(); // 获取真实异常
            } catch (InterruptedException e) {
                Thread.currentThread().interrupt();
            }
        }
        if (t != null) {
            System.err.println("线程池捕获到异常: " + t.getMessage());
            // 这里可记录日志、告警或重启任务
        }
    }
}

// 使用自定义线程池
ThreadPoolExecutor executor = new CustomThreadPoolExecutor(...);
executor.submit(() -> { int a = 1 / 0; }); // 异常会被 afterExecute 捕获

这里重写了 afterExecute，无论是普通 Runnable 还是 Callable，都能统一捕获异常，并打印是哪一个线程出问题。

方案C：在任务内部 try-catch （但是主线程是无感的，不太符合！！！）

executor.submit(() -> {
    try {
        int a = 1 / 0;
    } catch (Exception e) {
        System.out.println("任务内部处理异常: " + e.getMessage());
        // 可记录日志、重试或补偿
    }
});

虚线程

定义：虚线程是 JDK21 为了解决高并发下线程数量瓶颈而引入的一种 轻量级线程。

虚线程前，主要靠线程池+IO多路复用来实现高并发连接，缺点是编程复杂！！！

区别：传统的线程（称为平台线程）是直接映射到操作系统内核线程；而虚线程则由 JVM 调度，并且不与内核线程一一绑定。

平台线程：笨重 → 每个线程都有 1MB 默认栈内存，数量有限（几千 ~ 几万）,否则会内存溢出

虚线程：轻量 → 几乎没有额外内存开销，可以轻松创建百万级。

作用：

1）当虚线程执行阻塞调用（如 IO）时，JVM 会把它挂起，释放底层内核线程，不会浪费资源。

2）不用像以前那样必须写异步回调（CompletableFuture/Reactive），同步代码就能写高并发逻辑。

public class VirtualThreadDemo {
    public static void main(String[] args) throws InterruptedException {
        try (var executor = Executors.newVirtualThreadPerTaskExecutor()) {
            for (int i = 0; i < 1_000_000; i++) {
                int id = i;
                executor.submit(() -> {
                    Thread.sleep(1000); // 看似阻塞，但虚线程会挂起，不占用内核线程
                    System.out.println("Task " + id + " done");
                    return null;
                });
            }
        }
    }
}

普通线程1000000个线程sleep，系统几乎撑不住（线程数上限、内存爆炸）。

用虚线程JVM 碰到虚线程阻塞调用（如 sleep、IO 等），会把虚线程 挂起，把底层 OS 线程还给调度器，到点后再把虚线程唤醒，继续执行。

虚线程和epoll协同

虚线程和 epoll 并不冲突，而是协同：虚线程在遇到阻塞 IO 时会挂起（unmount），JVM 在底层通过 epoll 等多路复用机制等待 IO 事件，当 IO 就绪后再恢复虚线程执行。

虚线程更高级，epoll是底层。

              用户代码层（同步写法）
┌──────────────────────────────────────┐
│  VirtualThread:                     │
│   out.println();                    │
│   String line = in.readLine();  ← 阻塞调用点
└──────────────────────────────────────┘
              ↓
       JVM 调度器检测阻塞
              ↓
┌──────────────────────────────────────┐
│  JVM IO Poller: 使用 epoll_wait 等待 │
│  - 注册 fd → epoll_ctl               │
│  - 等待事件 → epoll_wait             │
└──────────────────────────────────────┘
              ↓
      IO 就绪（EPOLLIN）
              ↓
┌──────────────────────────────────────┐
│  JVM 调度器唤醒虚线程                │
│  恢复 Continuation → 继续执行        │
└──────────────────────────────────────┘

synchronized

synchronized (obj) {
    // 临界区代码
}

锁升级

偏向→轻量级→重量级是 synchronized 的 JVM 优化路径，锁的升级方向是不可逆的

第一阶段：无锁 -> 偏向锁 (适用于：几乎无竞争)：

场景：假设一个同步代码块或方法，在绝大多数情况下都只有一个线程在访问。

1. 当一个线程第一次访问同步块时，它会通过 CAS 操作，将线程ID 写入对象头的 Mark Word。
2. 对象进入“偏向锁”状态，表示此锁偏向于该线程。
3. 同一线程再次进入时，只比较 Mark Word 中的线程 ID；匹配则直接进入;不匹配则撤销偏向锁,升级为轻量级锁。

**第二阶段：**偏向锁 -> 轻量级锁

触发条件：有另外一个线程来尝试获取这个锁。

1）偏向锁被撤销后，锁对象进入轻量级锁状态。

2）线程在进入同步块时，会在自己栈帧中创建一份 锁记录（Lock Record），并通过 CAS 尝试将对象头的 Mark Word 更新为指向该锁记录的指针。

3）如果 CAS 成功，则该线程成功获取轻量级锁。

4）若 CAS 失败，表示锁已被其他线程持有，此时线程不会立即阻塞，而是**自旋（Spin）**等待

通过多次重试 CAS 操作，期望前一个线程很快释放锁

如果在短时间内获取到锁，可避免线程挂起与唤醒的系统开销

**第三阶段：**轻量级锁 -> 重量级锁

触发条件： 当自旋失败次数超过阈值，或有多个线程同时参与竞争时。

现在抢东西的人太多了，文明排队的方式（自旋）太浪费体力（CPU）且效率低下。于是叫来了管理员（操作系统内核）来维护秩序，没拿到的人先去睡觉（挂起），等有了再被叫醒。

锁消除

含义：JIT 编译器在运行时即时编译优化时，通过逃逸分析发现某段同步代码块里的锁对象 不会被多线程共享，就会把这把锁直接“消除”，不生成加锁字节码。

结果：虽然你写了 synchronized，但实际运行时不会真的加锁。

public String concatString(String s1, String s2) {
    StringBuffer sb = new StringBuffer(); // 局部变量，不会逃逸出方法
    sb.append(s1).append(s2);
    return sb.toString();
}

StringBuffer.append() 本身是 synchronized 方法。

但是这里的 sb 是局部变量，不可能被其他线程访问。

JIT 通过逃逸分析发现 sb 不会“逃逸”出当前方法 → 就会触发 锁消除，把 synchronized 去掉。

实际运行时，这个方法的执行效率就和 StringBuilder 一样。

volatile

在 Java 中，volatile 是一个 轻量级同步机制，主要有两个作用：

保证可见性：当一个线程修改了 volatile 变量的值，其他线程能立即“看到”最新值。

禁止指令重排序：保证对该变量的读写操作不会和前后的指令发生重排序，从而在多线程下避免出现“乱序执行”的问题。（双重检查单例模式中）

原理:

JVM 底层通过 内存屏障（Memory Barrier） 来实现这两个效果：

可见性：

• volatile 写操作 →

  编译器会在写操作 前 插入一个 StoreStore 屏障

  在写操作 后 插入一个 StoreLoad 屏障 这样能保证：写之前的所有操作对其他线程可见，写之后其他线程能立刻读到。

• volatile 读操作 →

  在读操作 前 插入一个 LoadLoad 屏障

  在读操作 后 插入一个 LoadStore 屏障 这样能保证：读之后的所有操作一定拿到的是最新值，不会被重排到读之前。

禁止重排序：

• 内存屏障同时约束了编译器和 CPU 的优化，不允许把 volatile 读写与其前后的操作交换顺序。

happens-before:

volatile 写 → happens-before → 后续对该 volatile 变量的读。也就是说，线程 A 写入一个 volatile 变量，线程 B 之后读取到这个 volatile 变量时，能看到 A 写入之前的所有修改。

normalVar = 1;   // 普通写
flag = true;     // volatile 写

根据 happens-before 规则，其他线程只要看到 flag == true（volatile 读），就一定能看到 normalVar = 1。

volatile 不能保证原子性，比如 count++ 这样的复合操作仍然存在线程安全问题。

ThreadLocal

每个线程内部维护一个私有变量 ThreadLocalMap,每个 ThreadLocal 对象 作为键（Key），存储的值（Value）由 ThreadLocalMap管理。

假设你在代码中定义了两个 ThreadLocal 变量并设置值：

ThreadLocal<String> userContext = new ThreadLocal<>();
ThreadLocal<Integer> requestId = new ThreadLocal<>();

userContext.set("Alice");  // 存储第一个字段
requestId.set(123);        // 存储第二个字段

底层存储结构:

// 伪代码展示当前线程的存储结构
Thread.currentThread().threadLocals = {
    // Entry[] table (ThreadLocalMap 内部数组)
    [0]: Entry(userContext, "Alice"),  // Key 是 ThreadLocal 对象，Value 是存储的值
    [1]: Entry(requestId, 123)
};

Entry的 Key（ThreadLocal 对象）是弱引用，避免内存泄漏（但 Value 是强引用，需手动 remove()）。

void someMethod() {
    ThreadLocal<Long> localVar = new ThreadLocal<>();  // 局部变量（强引用）
    localVar.set(100L);
}  // 方法结束，localVar 被回收（key 变成 null）

这样的话，key会在下一次GC的时候被回收。

try {
    userContext.set("Alice");
    // ...业务逻辑
} finally {
    userContext.remove();  // 必须清理！
}

在 Spring Boot 中，通过 HandlerInterceptor实现 ThreadLocal 的安全清理。

具体做法是：在拦截器的 preHandle方法中设置 ThreadLocal 值，在 afterCompletion方法（无论请求成功或异常都会触发）中调用 remove()彻底清理。这样能确保线程池中的线程被重用时，不会残留脏数据。

不调用 remove()的后果

Key（ThreadLocal 对象）：由于 ThreadLocalMap.Entry的 Key 是弱引用（WeakReference），当 ThreadLocal对象失去强引用时（如置为 null），Key 会在下一次 GC 时被回收。

Value（存储的值）：Value 是强引用，即使 Key 被回收，Value 仍会保留在 ThreadLocalMap中，除非显式调用 remove()或线程终止。

CountDownLatch

字面意思就是 “倒计数锁存器”。

作用：让一个或多个线程 等待，直到一组操作完成。

内部维护一个 计数器（初始值由构造函数指定），每次调用 countDown() 就减 1，当计数器减到 0 时，所有在 await() 上等待的线程都会被唤醒。

使用场景：1)主线程等待子任务完成

CountDownLatch latch = new CountDownLatch(3);

for (int i = 0; i < 3; i++) {
    new Thread(() -> {
        try {
            // 执行任务
        } finally {
            latch.countDown(); // 完成一个任务
        }
    }).start();
}

latch.await(); // 主线程阻塞，直到3个子任务都完成
System.out.println("所有任务完成，主线程继续");

2)多个线程等待统一起点

CountDownLatch latch = new CountDownLatch(1);

for (int i = 0; i < 10; i++) {
    new Thread(() -> {
        try {
            latch.await(); // 等待统一起跑
            System.out.println(Thread.currentThread().getName() + " 开始执行");
        } catch (InterruptedException e) {}
    }).start();
}

Thread.sleep(2000);
System.out.println("主线程发令");
latch.countDown(); // 所有等待的线程同时被唤醒

AtomicLong

在多线程开发中，AtomicLong 是最常见、最实用的原子类之一。它提供高性能的无锁原子操作，非常适合管理计数、金额、库存等需要保证一致性的数值。

对单个变量实现无锁的原子操作

AtomicLong 示例：多线程安全计数器

import java.util.concurrent.atomic.AtomicLong;

public class AtomicLongDemo {
    private static final AtomicLong counter = new AtomicLong(0);

    public static void main(String[] args) throws InterruptedException {
        int threadCount = 10;
        Thread[] threads = new Thread[threadCount];

        for (int i = 0; i < threadCount; i++) {
            threads[i] = new Thread(() -> {
                // 每个线程自增1000次
                for (int j = 0; j < 1000; j++) {
                    counter.incrementAndGet(); // 原子 +1
                }
            }, "线程-" + i);
            threads[i].start();
        }

        // 等所有线程执行完
        for (Thread t : threads) t.join();

        System.out.println("最终计数值：" + counter.get());
    }
}

AtomicLong 常用方法速查表

• getAndXxx() 形式的返回 旧值
• XxxAndGet() 形式的返回 新值
• compareAndSet() 是实现“无锁并发”的核心操作
• getAndAdd() 是存款/累计类操作最常用的方法

如何多线程循环打印1-100数字？

public class AlternatePrint {
    private static int count = 1;
    private static final Object lock = new Object();

    public static void main(String[] args) {
        new Thread(() -> {
            while (count <= 100) {
                synchronized (lock) {
                    if (count % 2 == 1) {
                        System.out.println(Thread.currentThread().getName() + ": " + count++);
                        lock.notify();
                    } else {
                        try {
                            lock.wait();
                        } catch (InterruptedException e) {
                            e.printStackTrace();
                        }
                    }
                }
            }
        }, "Thread-1").start();

        new Thread(() -> {
            while (count <= 100) {
                synchronized (lock) {
                    if (count % 2 == 0) {
                        System.out.println(Thread.currentThread().getName() + ": " + count++);
                        lock.notify();
                    } else {
                        try {
                            lock.wait();
                        } catch (InterruptedException e) {
                            e.printStackTrace();
                        }
                    }
                }
            }
        }, "Thread-2").start();
    }
}

线程间是如何通信的？

共享内存：线程通过共享变量通信，需要同步机制保证可见性和原子性。比如 volatile、synchronized、Lock、wait/notify。

消息传递：线程通过消息队列或管道传递数据，比如 BlockingQueue、PipedStream、并发工具类。

在 Java 里，最常见的做法是用 volatile 做标志位通知，或者用 BlockingQueue 实现生产者-消费者模型。

共享内存方式 —— 用 volatile 做标志位

public class VolatileFlagDemo {
    private static volatile boolean running = true;

    public static void main(String[] args) throws InterruptedException {
        // 工作线程
        Thread worker = new Thread(() -> {
            while (running) {
                System.out.println("Working...");
                try {
                    Thread.sleep(500);
                } catch (InterruptedException e) {
                    Thread.currentThread().interrupt();
                }
            }
            System.out.println("Stopped.");
        });

        worker.start();

        // 主线程 2 秒后修改标志位
        Thread.sleep(2000);
        running = false;
        System.out.println("Main thread set running=false");
    }
}

消息传递方式 —— 用 BlockingQueue 实现生产者-消费者

生产者调用 queue.put(msg) 把消息放入队列：

• 如果队列满了，会阻塞，直到有空间。

消费者调用 queue.take()：

• 如果队列为空，消费者会阻塞，直到有新消息进入。

import java.util.concurrent.*;

public class BlockingQueueDemo {
    private static final BlockingQueue<String> queue = new LinkedBlockingQueue<>();

    public static void main(String[] args) {
        // 生产者线程
        Thread producer = new Thread(() -> {
            try {
                for (int i = 1; i <= 5; i++) {
                    String msg = "Message-" + i;
                    queue.put(msg); // 放入队列
                    System.out.println("Produced: " + msg);
                    Thread.sleep(300);
                }
            } catch (InterruptedException e) {
                Thread.currentThread().interrupt();
            }
        });

        // 消费者线程
        Thread consumer = new Thread(() -> {
            try {
                while (true) {
                    String msg = queue.take(); // 从队列取出
                    System.out.println("Consumed: " + msg);
                }
            } catch (InterruptedException e) {
                Thread.currentThread().interrupt();
            }
        });

        producer.start();
        consumer.start();
    }
}

前面的多线程循环打印1-100，线程之间通过 共享变量 count 来传递状态，同时用 wait/notify 来协调线程的执行顺序，属于共享内存模型 下的通信。

CountDownLatch内部其实也是用 共享内存 + AQS，线程通过 await() 进入阻塞队列，等计数器归零后被唤醒，但从使用者角度，它更像是 消息/信号通知 的抽象。

Reentrant

Reentrant是可重入锁，可重入是指：同一个线程可以重复获取自己已经持有的锁，不会死锁。

import java.util.concurrent.locks.ReentrantLock;

public class Example {
    private final ReentrantLock lock = new ReentrantLock();

    public void methodA() {
        lock.lock();  // 第一次获取锁
        try {
            System.out.println("Method A");
            methodB();  // 调用 methodB，会再次获取锁（可重入）
        } finally {
            lock.unlock();  // 释放锁
        }
    }

    public void methodB() {
        lock.lock();  // 第二次获取锁（可重入）
        try {
            System.out.println("Method B");
        } finally {
            lock.unlock();  // 释放锁
        }
    }

    public static void main(String[] args) {
        Example example = new Example();
        example.methodA();  // 测试调用
    }
}

但它是独占锁，同一时刻只允许一个线程持有锁。

AQS

AQS 是作为构建各种锁/同步器的基础。

基于它实现的有：

• 独占锁：ReentrantLock
• 共享锁：Semaphore、CountDownLatch
• 读写锁：ReentrantReadWriteLock
• 其他同步工具：FutureTask 等

获取资源失败的线程 → 被放入 等待队列（FIFO）。

唤醒机制 → 当资源释放时，队列中的线程按顺序被唤醒，尝试再次获取资源。

公平/非公平

公平/非公平 → AQS 提供了公平/非公平两种获取策略，子类可选择。

公平锁（Fair）： 按照 FIFO 顺序 获取锁，谁先来谁先拿。线程必须排队，避免“插队”。

非公平锁（NonFair）： 允许线程在 CAS 抢占时“插队”。锁释放时，队头线程会被唤醒尝试获取，但与此同时，外部新来的线程也能立刻尝试 CAS 抢占。

独占模式 vs 共享模式

独占模式：同一时刻只能有一个线程获取资源。

代表：ReentrantLock、ReentrantReadWriteLock.WriteLock

共享模式：同一时刻多个线程可以共享资源。

代表：Semaphore、CountDownLatch、ReentrantReadWriteLock.ReadLock

示例1：Semaphore

Semaphore semaphore = new Semaphore(3); // 最多允许 3 个线程同时访问

Runnable task = () -> {
    try {
        semaphore.acquire();  // 请求许可，拿不到就阻塞
        System.out.println(Thread.currentThread().getName() + " 获取许可，执行中");
        Thread.sleep(1000);   // 模拟工作
    } catch (InterruptedException e) {
        e.printStackTrace();
    } finally {
        semaphore.release();  // 释放许可
    }
};

// 启动 10 个线程
for (int i = 0; i < 10; i++) {
    new Thread(task, "线程-" + i).start();
}

最多只能看到3 个线程同时在执行；其他线程会阻塞，直到前面的释放许可。

示例2：ReentrantReadWriteLock

ReentrantReadWriteLock rwLock = new ReentrantReadWriteLock();
ReentrantReadWriteLock.ReadLock readLock = rwLock.readLock();
ReentrantReadWriteLock.WriteLock writeLock = rwLock.writeLock();

Runnable readTask = () -> {
    readLock.lock();
    try {
        System.out.println(Thread.currentThread().getName() + " 读数据中...");
        Thread.sleep(1000);
    } catch (InterruptedException e) {
        e.printStackTrace();
    } finally {
        readLock.unlock();
    }
};

Runnable writeTask = () -> {
    writeLock.lock();
    try {
        System.out.println(Thread.currentThread().getName() + " 写数据中...");
        Thread.sleep(2000);
    } catch (InterruptedException e) {
        e.printStackTrace();
    } finally {
        writeLock.unlock();
    }
};

// 启动多个读线程
for (int i = 0; i < 3; i++) {
    new Thread(readTask, "读线程-" + i).start();
}

Thread.sleep(200); // 稍等一会儿启动写线程
new Thread(writeTask, "写线程").start();

多个读线程可以并行执行；写线程必须等待所有读线程完成；读线程也会在写线程执行时阻塞。

AQS为什么用双向链表

最主要的原因是为了支持高效的节点移除操作。在 AQS 的实现中，线程可能会因为超时、中断等原因需要从队列中移除。

在单向链表中，要删除一个节点，必须从头开始遍历找到它的前驱节点，时间复杂度是 O(n)。而双向链表可以直接通过前驱指针（prev）快速定位前驱节点，实现 O(1) 时间复杂度的节点移除。

手撕限流器

import com.google.common.util.concurrent.RateLimiter;
import java.util.concurrent.ConcurrentHashMap;

public class IpRateLimiterGuava {
    private final ConcurrentHashMap<String, RateLimiter> ipRateLimiters = new ConcurrentHashMap<>();
    private final double permitsPerSecond = 10.0; // 每秒10个许可

    public boolean allowAccess(String ip) {
        // 为每个IP创建独立的RateLimiter（懒加载）
        RateLimiter limiter = ipRateLimiters.computeIfAbsent(ip, k -> RateLimiter.create(permitsPerSecond));
        return limiter.tryAcquire(); // 尝试获取许可
    }

    public static void main(String[] args) {
        IpRateLimiterGuava limiter = new IpRateLimiterGuava();
        String ip = "192.168.1.1";

        for (int i = 0; i < 15; i++) {
            boolean allowed = limiter.allowAccess(ip);
            System.out.println("Access " + i + ": " + (allowed ? "Allowed" : "Denied"));
            try {
                Thread.sleep(50);
            } catch (InterruptedException e) {
                e.printStackTrace();
            }
        }
    }
}

JAVA高级

垃圾回收

垃圾回收算法

1）标记-清除算法

首先标记出所有需要回收的对象。统一回收所有被标记的对象。

缺点：内存碎片化

2）标记-整理算法

与“标记-清除”一样，标记所有需要回收的对象。让所有存活的对象都向内存空间的一端移动，然后直接清理掉边界以外的内存。

避免了内存碎片，但是移动存活对象并更新所有引用地址是一个负重操作。

3）复制算法

将可用内存按容量分为大小相等的两块，每次只使用其中一块。当这一块用完了，就将还存活着的对象复制到另一块上面，然后再把已使用过的内存空间一次清理掉。

没有内存碎片，但是可用内存缩小为原来的一半。

垃圾回收器

1）CMS：并发标记清除器

回收过程（仅针对老年代，与ParNew搭配使用）：

1. 初始标记：
   • 动作：标记与 GC Roots 直接关联 的对象。
   • 特点：速度极快，但需要 “Stop The World”。
2. 并发标记：
   • 动作：从初始标记的对象开始，进行可达性分析，标记所有存活对象。
   • 特点：与用户线程并发执行，耗时较长，但不会暂停应用。
3. 重新标记：
   • 动作：修正并发标记期间，因用户程序继续运行而导致标记产生变动的那部分对象。
   • 特点：需要 “Stop The World”，但采用了优化算法（如增量更新），比初始标记稍长，但远短于并发标记。
4. 并发清除：
   • 动作：清理死亡对象，回收内存空间。
   • 特点：与用户线程并发执行。回收期间，用户线程仍可创建新对象。

特点：CMS主要负责的是 老年代，以并发、低停顿为目标，通过多阶段标记和清除来避免长时间的 Stop-The-World。它需要与一个“新生代收集器”配合使用。

在 CMS 时代，最常见的搭配是： 新生代用：ParNew（并行的新生代收集器），使用复制算法。 老年代用：CMS（并发标记清除收集器）

2）G1：垃圾回收器

回收过程（混合回收）：

1. 初始标记：
   • 同CMS，标记GC Roots直接关联的对象，需要 STW。
   • 优化：这个阶段会借一次 Young GC 的机会完成，所以成本极低。
2. 并发标记：
   • 同CMS，从GC Root开始进行可达性分析，找出存活对象，并发执行。
3. 最终标记：
   • 同CMS的“重新标记”，修正并发标记期间的变动，需要 STW。
   • 优化：G1使用 SATB 算法，通常比CMS的增量更新更快。
4. 筛选回收：
   • 动作：G1的核心阶段。根据用户设定的期望停顿时间，计算出回收哪些Region（垃圾比例高的Region）效益最高。
   • 过程：对这些选中的Region进行回收，采用复制算法，将存活对象复制到空的Region中，同时清空整个旧Region。
   • 特点：需要 STW，但可以多线程并行执行，并且是多个Region一起回收。

算法层面，G1 是一种基于 分区 + 复制 + 标记整理 混合算法的回收器：

• 年轻代回收（Young GC）：使用 复制算法，把存活对象从 Eden 复制到 Survivor 或老年代。
• 老年代或混合回收（Mixed GC）：采用 标记-整理 思想，将存活对象复制到新的 Region 并清空旧的 Region。

双亲委派

双亲委派（Parent Delegation）是 Java 类加载器（ClassLoader）的一种工作模式，加载一个类的流程是：

1. 一个类加载器收到类加载请求。
2. 它不会自己先尝试加载，而是先把请求交给父类加载器。
3. 父类加载器再交给它的父类，层层向上，直到BootstrapClassLoader。
4. 如果父类加载器能成功加载，就直接返回。
5. 如果父类都找不到，再由当前类加载器自己去加载。

常见类加载器层次：

BootstrapClassLoader：加载 JDK 核心类（rt.jar）

ExtClassLoader：加载 JDK 扩展库

AppClassLoader：加载应用 classpath 下的类

为什么？

1）安全性。避免用户自定义类“伪造”JDK 核心类。比如有人自己写了一个 java.lang.String，如果没有双亲委派，可能被应用加载，造成安全问题。

2）避免重复加载。如果每个 ClassLoader 都自己加载一遍 java.util.List，就会有多份不同的 Class 对象。

JVM的组成部分

1）类加载器子系统（ClassLoader）

负责把编译好的 .class 字节码文件加载到 JVM 内存中。

它遵循 双亲委派机制，优先交给父加载器加载，避免重复加载和核心类被篡改。

2）运行时数据区

• 方法区（Method Area）：存放类的结构信息（类元数据、常量、静态变量、JIT 编译后的代码等）。

• 堆（Heap）：存放对象实例，几乎所有对象都在堆中分配。

• 栈（Stack）：每个线程都有一个独立的栈，存放方法调用的局部变量、操作数栈、方法出口信息。

• 程序计数器：记录当前线程执行的字节码指令地址。

• 本地方法栈：为本地代码（例如 C/C++ 函数）运行时提供栈空间。

3） 执行引擎

负责把字节码指令翻译成底层机器指令交给 CPU 执行。

包含 解释器（逐条解释执行）和 JIT 编译器（热点代码编译成本地机器码，提高性能）。

4）本地方法接口

提供调用非 Java 语言（如 C/C++）编写的本地方法的能力。

通过 JNI 连接到本地库（Native Libraries），比如操作系统底层函数等（创建线程、读写文件、网络 IO）。

5）本地库

实际的本地代码实现，JNI 会调用它们来完成底层操作。

怎么理解Java堆是线程共享的？

所有线程都可以访问堆中的对象（只要它们持有该对象的引用）。

注意：虽然堆是共享的，但每个线程的栈是私有的！！！！

public class MethodLocalObjectExample {
    public static void main(String[] args) {
        // 方法内创建对象
        Object obj = new Object();  // obj 是局部变量，但 new Object() 在堆上
        System.out.println(obj);    // 输出对象地址
    }
}

new Object()是在堆上分配的，所有线程都能访问（如果有引用）。

但 obj是局部变量（栈私有），其他线程无法直接访问这个引用，因此这个对象默认不共享。除非这个引用传递给其他线程！！！

JMM内存模型

JMM (Java Memory Model) 是 Java 语言规范里定义的一套内存可见性与有序性规则。

因为底层硬件（CPU、缓存、多核架构）和编译器优化会导致：

• 指令重排（out-of-order execution）
• 缓存不一致（每个线程可能有本地缓存）
• 编译器优化导致的“读旧值”

JMM 主要解决

可见性 一个线程对共享变量的修改，能不能被其他线程及时看到？

• volatile / synchronized / Lock 都能保证可见性。JMM 会在读写时插入 内存屏障，强制刷新到主内存、强制从主内存读取，确保线程之间的修改可见。

  当线程进入 synchronized 块时：

  • JVM 会执行 加锁（monitorenter） 指令，**清空工作内存（私有缓冲区）**中该共享变量的值，从 主内存中重新读取最新的值；

  当线程退出 synchronized 块时：

  • JVM 会执行 释放锁（monitorexit） 指令，把该线程对共享变量的修改 刷新回主内存；
  • 并且会插入 内存屏障，禁止指令重排。

有序性 编译器和 CPU 会对指令做重排序优化，JMM 提供了 happens-before 规则 来约束哪些操作必须有序。

• happens-before 规则定义了哪些操作必须有序。

原子性 单次操作不可分割。

• 复合操作（如 i++）不是原子操作，需要用 锁（synchronized/Lock） 或 原子类（AtomicInteger 等，利用 CAS 实现） 来保证原子性。

happens-before 规则

如果操作 A happens-before 操作 B，那么：

• A 的结果对 B 可见；
• 并且 A 的执行顺序在 B 之前（逻辑顺序，而非物理执行顺序）。

常见的 happens-before 规则：

• 程序顺序规则：允许指令重排（物理顺序可以变），但重排不能改变程序在单线程中的逻辑结果。

  int a = 1;
  int b = 2;
  int c = a + b;
  

  编译器分析后发现 a 和 b 没依赖；它可能重排为：

  b = 2;
  a = 1;
  int c = a + b;
  

  物理顺序变了，但逻辑结果不变

• 锁规则：解锁 happens-before 后续的加锁,即前一个线程在释放锁之前对共享变量的修改， 对随后获得同一锁的线程 可见。

• volatile 规则：对 volatile 变量的写 happens-before 后续的读。

• 线程启动与终止规则：线程 start() happens-before 线程中所有操作；线程中所有操作 happens-before 另一个线程成功从 join() 返回。

​ 即主线程对共享变量的修改，对新启动的线程 可见；子线程结束 → 主线程通过 join() 可见子线程的结果。

元空间

元空间（Metaspace）是 JDK8 之后用来存储类的元信息（class metadata）的内存区域(方法区)，位于本地内存（Native Memory）中。在 JDK 8 之后，它取代了以前的 永久代（PermGen）

什么是类的元数据

用 元空间（Metaspace） 替代永久代

Java 代码的编译过程

1. 编写源代码（.java 文件）

2. 编译阶段（javac 编译器）

   javac HelloWorld.java
   

   (1) 词法分析:将源代码分解为最小语法单元（tokens），例如关键字 public、标识符 main、分号等。

   (2) 语法分析:根据 Java 语法规则生成抽象语法树（AST），判断语法是否正确（例如括号是否匹配、语句是否完整）。

   (3) 语义分析:检查语义上的正确性，例如类型是否匹配、变量是否声明、继承是否合理。

   (4) 字节码生成:编译器最终会生成 .class 文件

3. 类加载

   JVM启动后，会通过 类加载器 加载 .class 文件到内存。

4. 字节码执行

   加载完成后，JVM 会执行字节码：

   • 解释执行：逐条解释执行字节码。
   • JIT 编译：热点代码（频繁执行的部分）会被即时编译为机器码，提高性能。

类加载过程

类加载过程分为 加载（Loading）→ 链接（Linking）→ 初始化（Initialization） 三个阶段。

**加载：**将 .class文件的二进制字节流加载到 JVM 内存，并生成一个 Class<?>对象。

链接：

(1) 验证：检查字节码合法性，确保符合 JVM 规范，防止恶意代码（如篡改字节码）。

(2) 准备：为静态变量分配内存并赋默认值（非初始值！）基本类型：int→ 0，boolean→ false。

(3) 解析：将符号引用转为直接引用

• 符号引用：类/方法/字段的文本描述（如 com.example.User.getName）。
• 直接引用：指向方法区内存地址的指针或句柄。

**初始化：**静态代码块和静态变量赋值

类加载时机：

• new实例化对象。
• 访问类的静态字段或调用静态方法。
• 反射调用（如 Class.forName("com.example.User")）。
• 子类初始化时，父类需先初始化。

静态代理、动态代理

动态代理代理类（如 $Proxy0或 UserService$$EnhancerByCGLIB$$123456）在程序运行时动态生成。代理类的字节码在内存中生成，不会出现在你的源代码或编译后的 .class文件中。

静态代理代理类（如 UserServiceProxy）是你手动编写的，编译前就已经存在。

静态代理

静态代理 是一种在编译期（ Java 源码编译成字节码（.class 文件）的阶段）就已经确定的代理模式，它通过手动编写一个代理类，在不修改原始类代码的情况下，增强或控制目标对象的行为。

示例：

假设我们有一个 UserService接口，它有一个方法 getUser()，我们想在调用这个方法前后 添加日志，但不修改 UserServiceImpl的代码。

1. 定义接口和实现类

// 接口
public interface UserService {
    String getUser(int id);
}

// 真实实现类
public class UserServiceImpl implements UserService {
    @Override
    public String getUser(int id) {
        return "User-" + id;
    }
}

2. 编写静态代理类

// 代理类（手动编写）
public class UserServiceProxy implements UserService {
    private UserService target; // 持有真实对象

    public UserServiceProxy(UserService target) {
        this.target = target;
    }

    @Override
    public String getUser(int id) {
        System.out.println("【日志】开始查询用户，id=" + id); // 增强逻辑（日志）
        String result = target.getUser(id); // 调用真实对象的方法
        System.out.println("【日志】查询结果：" + result); // 增强逻辑（日志）
        return result;
    }
}

3. 使用代理类

public class Main {
    public static void main(String[] args) {
        // 真实对象
        UserService realService = new UserServiceImpl();

        // 代理对象（包装真实对象）
        UserService proxy = new UserServiceProxy(realService);

        // 调用代理对象的方法
        String user = proxy.getUser(100);
        System.out.println("最终结果：" + user);
    }
}

优点：不侵入目标类：无需修改 UserServiceImpl的代码。

缺点：灵活性差：代理关系在编译期固定，无法动态调整。如果要代理多个类，需要为每个类写一个代理类。

JDK Proxy动态代理

JDK 动态代理是 Java 原生提供的、基于接口的代理技术，通过反射动态生成代理类，在运行时拦截目标方法调用，实现增强逻辑（如日志、事务等）。

简单示例

(1) 定义接口和实现类

// 接口
public interface UserService {
    String getUser(int id);
    void deleteUser(int id);
}

// 真实实现类
public class UserServiceImpl implements UserService {
    @Override
    public String getUser(int id) {
        return "User-" + id;
    }

    @Override
    public void deleteUser(int id) {
        System.out.println("删除用户: " + id);
    }
}

(2) 实现 InvocationHandler

import java.lang.reflect.InvocationHandler;
import java.lang.reflect.Method;

public class UserServiceInvocationHandler implements InvocationHandler {
    private final Object target; // 被代理的真实对象

    public UserServiceInvocationHandler(Object target) {
        this.target = target;
    }

    @Override
    public Object invoke(Object proxy, Method method, Object[] args) throws Throwable {
        // 前置增强：日志
        System.out.println("【日志】调用方法: " + method.getName());

        // 调用真实对象的方法
        Object result = method.invoke(target, args);

        // 后置增强：记录结果
        System.out.println("【日志】方法结果: " + result);
        return result;
    }
}

3.使用 Proxy.newProxyInstance生成代理对象

import java.lang.reflect.Proxy;

public class Main {
    public static void main(String[] args) {
        // 1. 创建真实对象
        UserService realService = new UserServiceImpl();

        // 2. 创建 InvocationHandler，传入真实对象
        InvocationHandler handler = new UserServiceInvocationHandler(realService);

        // 3. 动态生成代理对象
        UserService proxy = (UserService) Proxy.newProxyInstance(
            realService.getClass().getClassLoader(), // 使用真实对象的类加载器
            realService.getClass().getInterfaces(),  // 代理的接口（UserService）
            handler                                   // 方法调用处理器
        );

        // 4. 调用代理对象的方法
        String user = proxy.getUser(100); // 会触发 InvocationHandler.invoke()
        proxy.deleteUser(200);
    }
}

生成的代理类结构

// JDK 动态生成的代理类（简化版）
public final class $Proxy0 extends Proxy implements UserService {
    private InvocationHandler handler;

    public $Proxy0(InvocationHandler h) {
        this.handler = h;
    }

    @Override
    public String getUser(int id) {
        return handler.invoke(
            this, 
            UserService.class.getMethod("getUser", int.class), 
            new Object[]{id}
        );
    }

    @Override
    public void deleteUser(int id) {
        handler.invoke(
            this, 
            UserService.class.getMethod("deleteUser", int.class), 
            new Object[]{id}
        );
    }
}

局限性：如果类没有实现接口了，JDK Proxy 无法代理；接口中的 final 方法无法被代理。

应用：

1. Spring AOP
   • 如果目标类实现了接口，Spring 默认使用 JDK Proxy。
   • 示例：@Transactional的事务管理就是通过动态代理实现的。
2. RPC 框架（如 Dubbo）
   • 客户端通过 JDK Proxy 生成远程服务的本地代理，调用时触发网络请求。

CGLIB 动态代理

它通过 继承目标类 的方式在运行时动态生成代理类。与 JDK Proxy 不同，CGLIB 不需要目标类实现接口，可以直接代理普通类。

(1) 定义目标类（无需接口）

// 目标类（没有实现任何接口）
public class UserService {
    public String getUser(int id) {
        return "User-" + id;
    }

    public void deleteUser(int id) {
        System.out.println("删除用户: " + id);
    }
}

(2)实现 MethodInterceptor

import net.sf.cglib.proxy.MethodInterceptor;
import net.sf.cglib.proxy.MethodProxy;
import java.lang.reflect.Method;

public class UserServiceMethodInterceptor implements MethodInterceptor {
    @Override
    public Object intercept(Object obj, Method method, Object[] args, MethodProxy proxy) throws Throwable {
        // 前置增强：日志
        System.out.println("【CGLIB日志】调用方法: " + method.getName());

        // 调用父类（即真实对象）的方法
        Object result = proxy.invokeSuper(obj, args);

        // 后置增强：记录结果
        System.out.println("【CGLIB日志】方法结果: " + result);
        return result;
    }
}

(3) 使用 Enhancer生成代理对象

import net.sf.cglib.proxy.Enhancer;

public class Main {
    public static void main(String[] args) {
        // 1. 创建 Enhancer（CGLIB 的核心类）
        Enhancer enhancer = new Enhancer();
        // 2. 设置父类（即被代理的目标类）
        enhancer.setSuperclass(UserService.class);
        // 3. 设置回调（方法拦截器）
        enhancer.setCallback(new UserServiceMethodInterceptor());
        // 4. 创建代理对象
        UserService proxy = (UserService) enhancer.create();
        // 5. 调用代理对象的方法
        String user = proxy.getUser(100); // 会触发 MethodInterceptor.intercept()
        proxy.deleteUser(200);
    }
}

Enhancer是 CGLIB 的核心工具类，它会在运行时动态生成一个继承目标类（如 UserService）的子类，而这一切对开发者是透明的。

UserService（目标类）
  ↑ 继承
UserService$$EnhancerByCGLIB$$123456（动态生成的代理类）

代理类 只在第一次调用 newProxyInstance()时生成，后续调用复用已生成的类。

Netty核心流程

数据处理流程

1. 注册与监听：

   首先，将所有的Channel注册到Selector上，并告诉Selector关心每个Channel的什么事件（比如“可读”事件）。

2. 事件就绪：

   Selector作为调度员，在一个线程中循环检查。当某个客户端发送数据，对应的Channel连接上有数据可读时，Selector会检测到这个OP_READ事件就绪，并将其汇报出来。

   注意：epoll是它的底层，epoll是事件驱动 + 就绪列表返回，不是轮询。

3. 数据入站：

   系统根据Selector的汇报，找到就绪的Channel，然后从该Channel中将数据读取到缓冲区（ByteBuf）中。至此，网络I/O操作完成。

4. 流水线加工：

   数据到达缓冲区后，就开始在ChannelPipeline这条流水线上流动。ChannelHandler链被依次触发：

   • 首先，解码Handler（如ByteToMessageDecoder）将缓冲区里的原始字节解码成一个有意义的业务请求对象（比如一个HTTP请求对象）。
   • 然后，这个业务请求对象被传递给业务逻辑Handler，在这里执行具体的业务计算（比如查询数据库）。
   • 业务逻辑Handler处理完后，通常会生成一个响应结果。

5. 数据出站（响应）：

   响应结果的发送是反向流程：

   • 业务Handler将响应对象传递给Pipeline中的编码Handler（如MessageToByteEncoder）。
   • 编码Handler将响应对象编码回字节，并写入缓冲区（ByteBuf）。
   • 最后，这些在缓冲区中的字节数据再通过原来的Channel发送回客户端。在此过程中，Selector可能同时也在监听Channel是否“可写”，以高效地完成发送任务。

Channel = 水管（连接）

ByteBuf = 水桶（存放数据）

Pipeline = 加工流水线（加工数据）

零拷贝

传统 I/O 数据拷贝路径（有多次拷贝）

byte[] buf = new byte[4096];  //申请一个缓冲区
int len = fileInputStream.read(buf);    //从文件中读取数据到缓冲区
socketOutputStream.write(buf, 0, len);    //把缓冲区的数据写到网络 socket

底层会发生 4 次数据拷贝 和多次上下文切换：

1. 磁盘 → 内核缓冲区（DMA 拷贝）
2. 内核缓冲区 → 用户态缓冲区（CPU 拷贝）
3. 用户态缓冲区 → socket 内核缓冲区（CPU 拷贝）
4. socket 内核缓冲区 → 网卡（DMA 拷贝）

问题：

读的时候从内核缓冲区拷贝到用户态 buf;写的时候又从用户态 buf 拷贝回 socket 内核缓冲区。有两次内核 ↔ 用户空间的数据搬运和两次系统调用（read + write）

零拷贝优化：减少或消除第 2、3 步的用户态拷贝，让数据在内核态直接完成“文件缓冲区 → socket 缓冲区”的传输。

场景题

设计一个会议室预约系统，多个会议室，每次最少定半小时，最多定两小时，一天一个人最多定两次，问题 1)存储结构怎么设计2)核心预定流程是什么3)抢会议室如何实现

1）

① 用户表（User）

② 会议室表（Room）

③ 预定表（Booking）

2）

1. 用户发起预定请求

   • 输入：会议室ID、开始时间、结束时间。
   • 系统校验：
     • 会议时长是否在 0.5h～2h；
     • 用户当天预定次数 ≤ 2；
     • 时间段是否冲突（会议室是否已被占用）。

2. 时间冲突判断

   • 查询 Booking 表 ：

     SELECT * FROM booking
     WHERE room_id = ? AND status = 'booked'
       AND (start_time < ? AND end_time > ?);
     

     若有记录 → 冲突，拒绝预约。

3. 写入预定记录

   • 使用 事务 + 乐观锁 或 数据库唯一约束 保证并发安全；
   • 成功后写入 Booking 表；
   • 通知用户（可选：发邮件/推送）。

3)抢会议室的实现

当多个用户同时预定同一个会议室、同一时间段时，必须保证：

• 不能重复预定；
• 只有一个用户能成功。

1. 数据库层防重
2. Redis 分布式锁
3. 消息队列串行化请求（高并发优化）

高效判断若干个接口是否可用

有一批远程接口（比如几十个 API），需要检查它们是否可正常访问。

系统中已经有一个方法：

boolean checkApi(String apiName)

该方法会调用远程接口，并返回：

• true：接口可用
• false：接口不可用

请设计一段高效的代码，判断所有接口的可用性，并输出每个接口的检测结果。

思路：

1）不能串行检查，因为每次远程调用都要等待响应（可能几百毫秒甚至几秒），如果一个个调会非常慢。

所以要并发执行检查任务。

2）可以用 线程池（ThreadPoolExecutor） 管理线程，避免创建过多线程浪费资源。

3）每个接口检查都封装成一个任务（Callable），提交到线程池执行。

4）用 Future 或 CompletableFuture 收集每个任务的执行结果。

5）等所有任务完成后输出结果。

示例代码：

import java.util.*;
import java.util.concurrent.*;

public class ApiCheckerSimple {
    public static void main(String[] args) throws Exception {
        // 模拟接口列表
        List<String> apis = List.of("apiA", "apiB", "apiC", "apiD", "apiE");

        // 1️⃣ 创建线程池
        ExecutorService executor = new ThreadPoolExecutor(
            2, 5, 60, TimeUnit.SECONDS,
            new LinkedBlockingQueue<>(apis.size())
        );  //分别是 核心线程数，最大线程数，空闲存活时间，单位（秒），workQueue（任务队列）

        // 2️⃣ 提交任务（每个接口一个检测任务）
        List<Future<Boolean>> futures = new ArrayList<>();
        for (String api : apis) {
            futures.add(executor.submit(() -> checkApi(api)));
        }

        // 3️⃣ 收集结果（顺序与接口列表一致）
        for (int i = 0; i < apis.size(); i++) {
            Boolean ok = futures.get(i).get(); // 阻塞等待执行结果
            System.out.println(apis.get(i) + " => " + (ok ? "可用" : "不可用"));
        }

        // 4️⃣ 关闭线程池
        executor.shutdown();
    }

    // 模拟接口检测
    static boolean checkApi(String name) {
        //省略具体逻辑，概率返回true or false
    }
}

接口变慢的排查思路

1）检查网络是否存在延迟或带宽瓶颈

常见于：带宽满、跨服务 / 跨区域 / 跨 VPC 调用

工具：ping、traceroute、netstat

2）查看接口日志

核心：是否一直慢，还是在某些时间段或特定请求下变慢？

log.info("营销锁单开始执行：拼团交易锁单入参 userId={} req={}", userId, JSON.toJSONString(lockMarketPayOrderRequestDTO));
log.error("拼团交易锁单业务异常 userId={} req={}", ..., e);

接口开始/结束时间戳差值，看这次请求花了多久。

日志里是否有重试、异常堆栈、timeout、fallback、熔断等字眼？

3）观察数据库指标

是否存在慢查询、锁等待、连接池爆满等？

工具：数据库日志、EXPLAIN、慢 SQL 查询工具

-- 1. 开启慢查询日志功能
SET GLOBAL slow_query_log = 'ON';
-- 2. 设置慢查询阈值（单位：秒，默认 10 秒，建议设置为 1 秒或更小）
SET GLOBAL long_query_time = 1;

MySQL 会把 执行时间超过 1 秒的 SQL 语句 自动写入到 慢查询日志文件（slow query log） 中

内容形如：

# Time: 2025-09-09T11:45:12.123456Z
# User@Host: app_user[app_user] @ 192.168.1.10
# Thread_id: 12345  Schema: mydb  QC_hit: No
# Query_time: 3.214654  Lock_time: 0.000123  Rows_sent: 1  Rows_examined: 30542
SET timestamp=1694259912;
SELECT * FROM trade_order WHERE status = 'PAID';

开启慢日志找到耗时 SQL 后，我会用 EXPLAIN 看执行计划，重点关注是否走了全表扫描、索引有没有命中、扫描行数是否过多以及是否有临时表或排序；如果发现问题，就通过建合适的组合索引、做覆盖索引、或者重写 SQL（比如避免函数、只查必要字段、改用游标分页替代大 OFFSET）来优化。

4）查看代码 & 发布变更

是否新上线的代码引入了性能问题？

排查逻辑是否复杂、是否有死循环、递归、重复查询等问题？

5）查看服务监控

观察：系统资源是否有瓶颈？（CPU、内存、磁盘、网络 等）

如何排查 OOM 问题？

一、第一步：识别 OOM 类型

OOM 错误信息本身就提供了最重要的线索。常见的 OOM 类型及含义如下：

行动： 首先查看错误日志，明确是哪种 OOM。

二、第二步：根据类型采取不同排查策略

场景 1：堆内存 OOM (Java heap space) 最常见

这是最复杂的场景，核心是分析堆转储文件（Heap Dump）。

1. 在启动时添加 JVM 参数，以便在发生 OOM 时自动生成堆转储文件（.hprof）：

-XX:+HeapDumpOnOutOfMemoryError -XX:HeapDumpPath=/path/to/save/dump.hprof

（如果未提前设置，在 OOM 发生后也可以用 jmap命令手动抓取，但可能已错过最佳现场）

2. 使用分析工具加载堆转储文件：

• Eclipse MAT (Memory Analyzer Tool)：功能强大，首选。

3. 分析步骤（以 MAT 为例）：

• 查看 Dominator Tree（支配树）：列出占用内存最大的对象线程，快速找到“罪魁祸首”。 按对象实例（而不是类）占用的保留大小 (Retained Heap) 排序。保留大小是指这个对象本身加上它直接或间接引用的所有对象的总大小。

• 查看 Leak Suspects Report（泄漏嫌疑报告）：MAT 会自动生成一个分析报告，直接给出可能发生内存泄漏的点，非常有用。

• 查看 Histogram（直方图）：按类名统计实例数量和总大小，看看哪个类的对象异常得多。

• 分析引用链：对疑似泄漏的对象，查看其到 GC Roots 的引用链，重点排查为什么这些对象无法被垃圾回收。常见原因：

  • 静态集合类（如 static Map）持有对象引用，忘记移除。

    private static Map<Long, User> cache = new HashMap<>();
    

    所有存入的 User对象会永久存活，即使业务上已不再需要。

  • 各种缓存（如本地缓存）没有淘汰策略或清理机制。

  • 线程池中的线程局部变量（ThreadLocal）未清理。 （ThreadLocalMap 的 key 是弱引用指向 ThreadLocal 实例，而value是强引用）

  • 数据库连接、网络连接、文件流等未显式关闭。

    // 错误示例：文件流未关闭
    public void readFile(String filePath) {
        FileInputStream fis = new FileInputStream(filePath);
        byte[] buffer = new byte[1024];
        while (fis.read(buffer) != -1) {
            System.out.println(new String(buffer));
        }
        // 忘记 fis.close()！
    }
    

排查 CPU 100% 的问题

第1步：找到罪魁祸首的 Java 进程

使用 top命令找到哪个 Java 进程最耗 CPU。

top

第2步：找到这个进程下的问题线程

看 %CPU 列，找到最耗 CPU 的线程，记下它的 TID（线程 ID）。

-H：显示线程模式 -p <PID>：只监控指定进程

top -Hp <PID>

第3步：将线程ID转换为16进制

printf "%x\n" <TID>

第4步：抓取整个进程的线程堆栈

jstack <PID> > jstack_dump.txt

第5步：定位问题线程

在生成的 jstack_dump.txt文件中搜索第3步得到的十六进制 nid。

grep -n <nid> jstack_dump.txt
# 例如：grep -n 1a4e jstack_dump.txt

如何定位哪个容器里的Java 占用 CPU 高

1.docker status

效果类似 top，会显示每个容器的 CPU %、内存、网络、I/O，比如：

CONTAINER ID   NAME                   CPU %     MEM USAGE / LIMIT     ...
386e85737b31   smile-picture-backend  250.00%   517MiB / 2GiB
be7f319061c9   gitea                  1.20%     530MiB / 2GiB
...

2.docker top smile-picture-backend

会列出容器里的所有进程（宿主机 PID、用户、启动命令）。

3.后续同前面第二步开始！根据PID找线程，使用Top命令。

但是这里有个问题，容器是运行在隔离环境中的，jstack <PID> > jstack_dump.txt 貌似无法查看容器内进程的运行情况！！！

你会怎样设计一个RPC框架

1.动态代理 (Proxy Layer) - 对开发者透明

• 是什么：自动生成客户端代理类，伪装成本地接口。用户调用 userService.getUser(1)，感觉像调用本地方法，但实际上是由代理类发起网络请求。
• 为什么：这是 RPC 的初心——隐藏远程调用的复杂性，让开发者专注于业务逻辑。这是框架易用性的最关键体现。

2. 序列化与反序列化 (Serialization/Deserialization) - 协议层核心

• 是什么：将 Java 对象转换成可在网络上传送的二进制字节流的过程叫序列化；反之叫反序列化。
• 为什么：网络只能传输二进制数据。这是通信的基石。

3. 网络传输 (Transport) - 通信基础

• 是什么：负责在客户端和服务端之间收发序列化后的二进制数据。
• 为什么：这是通信的物理基础。
• 考量点：
  • 协议：基于 TCP 还是 HTTP？TCP 性能更优，HTTP 更通用、易调试。
  • IO 模型：主流选择是 NIO，能够用少量线程处理大量连接，性能极高（Netty 是事实标准）。
  • 连接管理：使用长连接+连接池，避免频繁创建和销毁 TCP 连接的开销。

4. 服务发现与注册 (Service Discovery & Registry) - 治理基石

• 是什么：
  • 服务注册：服务提供者启动时，将自己的地址（IP:Port）、服务名等信息上报到“注册中心”。
  • 服务发现：消费者调用前，先连接到“注册中心”，根据服务名拉取所有可用提供者的地址列表。
• 为什么：在微服务动态环境中，服务的 IP 和端口是随时变化的（扩容、缩容、宕机）。不能将服务地址硬编码在配置文件中，需要一个中心化的目录服务来动态管理。
• 常见选型：ZooKeeper, Nacos

5. 负载均衡 (Load Balancing) - 公平调度

• 是什么：当从一个服务名下获取到多个提供者地址时，需要选择一个来发起调用。选择策略就是负载均衡。
• 为什么：将请求均匀分散到多个提供者实例上，避免单机过热，提高整体吞吐量和可用性。
• 常见策略：随机（Random）、轮询（RoundRobin）、加权（根据性能分配权重）、一致性哈希（同一用户请求总是落到同一台机器，适用于有状态或缓存场景）。

6. 容错机制 (Fault Tolerance) - 系统韧性

网络是不可靠的，服务可能会宕机。必须有完善的容错策略来保证系统的鲁棒性。

• 超时控制 (Timeout)：防止调用者无限期等待，快速释放资源。
• 重试机制 (Retry)：对超时或失败调用进行有限次数的重试（注意：对非幂等操作要谨慎）。
• 熔断器 (Circuit Breaker)：类似电路保险丝。当失败率达到阈值，熔断器“跳闸”，后续请求直接失败，不再发起远程调用。给服务提供者恢复的时间。一段时间后进入“半开状态”尝试放行少量请求。
• 降级 (Fallback)：调用失败后，提供一种备选方案，如返回默认值、缓存数据等，保证主流程可用。

如何优化？

1）序列化层优化，优化目标是：更小、更快。

2）网络传输层优化，使用长连接 (Keep-Alive) 和连接池：避免每次 RPC 调用都经历三次握手和四次挥手；采用高性能 NIO 框架：使用 Netty 作为网络通信框架。

Mysql如何设计索引

表t有查询：

SELECT a 
FROM t 
WHERE b > 1 AND c <> 5 AND d = 10;    # <> 等价于 '不等于'

在 MySQL(InnoDB) 中，应该如何设计索引？为什么？优化器会自动调整这些条件的顺序吗？

1.索引设计

• 建复合覆盖索引

  INDEX(d, b, a)
  

  • d=10 是等值 → 放首列，先把范围收窄。
  • b>1 是范围 → 放第二列，在 d=10 的段内做 range 扫描。
  • a 放末位做覆盖，减少回表。
  • c<>5 不等值对 B-Tree 不友好，通常由 ICP（索引条件下推）或残留过滤处理，不强求入键位。

• 索引字段选择：

​ =、IN 能很好地用上索引

​ >、< 能部分利用索引（范围扫描）

​ <>（不等于）会导致“两段范围”（(-∞,5) 和 (5,+∞)），多数时候优化器宁愿直接全表扫或残留过滤。所以通常 不会专门为了 <> 建索引。

• 为什么把 a 放进索引

  索引作用点主要是 WHERE 条件，帮你缩小扫描范围，但是查询里 SELECT 的列如果不在索引里，MySQL 要回到 聚簇索引（主键数据页）去拿数据，这叫“回表”。如果你在二级索引里同时包含了要查询的列，那结果就可以直接从索引里拿出来 → 减少回表 I/O，速度会快很多。

2.优化器“会不会自动调整顺序

• 谓词求值顺序：优化器会重排，选择性强的会先评估。
• 索引列顺序：不会自动调换；B-Tree 的物理顺序由你建索引时决定，所以仍需遵循“等值在前、范围其后”的建模原则。

如何避免分布式系统出现故障

1）多实例部署

数据库：主从复制；自动故障切换；分片/分库分表，避免单机压力过大

缓存：哨兵模式，本地缓存 + 远程缓存双层兜底

服务实例：多实例部署，负载均衡，Nacos监控

2）降级、熔断和限流

服务降级：非核心功能先停掉，保证主流程可用。

熔断机制：当依赖系统不可用时，快速失败，避免请求堆积拖垮自己。

限流保护：用漏桶/令牌桶保护后端，防止雪崩。

3）监控、告警、自动恢复

实时监控、告警，结合容器编排。

4）数据保障：日志、备份、幂等设计，确保出故障后能快速恢复。

Mysql统计字段中xx出现的次数

在 SQL 里，没有直接的“数某个字符出现次数”的函数。

但我们可以用 字符串长度差 来实现：

• LENGTH(content)：原始字符串长度。
• LENGTH(REPLACE(content, ',', ''))：把逗号都去掉之后的长度。
• 两者之差，就是逗号的个数。

SELECT 
    id,
    content,
    LENGTH(content) - LENGTH(REPLACE(content, ',', '')) AS num
FROM information;

Mysql查询语句性能分析

① SELECT * 
   FROM ClassA 
   WHERE id IN (SELECT id FROM ClassB);

② SELECT * 
   FROM ClassA A 
   WHERE EXISTS (SELECT * FROM ClassB B WHERE A.id = B.id);

假设：

• ClassB 表数据量非常大；
• ClassB.id 上有 索引。

问：哪一段执行效率更高？

答：

① IN 子查询

IN 会先执行子查询：

SELECT id FROM ClassB

得到一个结果集，然后外层再判断：

A.id IN (结果集)

• 如果 ClassB 很大，结果集会非常大；
• 系统可能会将整个结果集加载到内存中再比较；
• 即使有索引，仍可能导致性能下降，因为 IN 需要逐个匹配。

② EXISTS 子查询

EXISTS 的逻辑是：

• 对 ClassA 的每一行，去 ClassB 里查是否存在匹配；
• 一旦找到匹配（即 A.id = B.id），就立即返回 TRUE；
• 不再继续扫描 ClassB。

是以数据量比较少的A来驱动的！！！

谈谈你对分布式系统的理解

优点：

1）可扩展性，水平扩展，突破单机 CPU/内存/IO 的限制

2）高可用，多副本冗余，节点挂了还能切换

3）高性能，负载均衡，请求分散到多节点并行处理

4）灵活性 & 弹性，弹性扩缩容，按需节省成本

缺点：

1）复杂性增加，部署、运维、监控、排查问题都更难

2）网络不可靠带来的问题，延迟、丢包、脑裂、超时重试

3）一致性问题，多副本更新要考虑一致性

4）成本更高

CAP理论

在一个分布式系统里，最多只能同时满足以下三项中的两项：

• C（Consistency，一致性） 所有节点对外看到的数据是强一致的，像访问单机一样，读到的一定是最新值。
• A（Availability，可用性） 每个请求都能在有限时间内返回（不一定是最新数据，但不能一直挂起）。
• P（Partition tolerance，分区容错性） 即使网络出现分区（节点之间通信失败、丢包、延迟），系统也能继续对外提供服务。

雪花算法底层实现

0 | 41位时间戳 | 10位机器ID | 12位序列号

0：符号位，固定为 0。

时间戳 (41 bits)：相对时间戳，能用约 69 年。

机器 ID (10 bits)：最多支持 1024 个节点。

序列号 (12 bits)：每毫秒最多 4096 个 ID。

生成流程：

1）获取当前毫秒时间戳。

2）如果时间戳和上次相同 → 序列号 +1；超过 4095 → 等下一毫秒。

3）如果时间戳比上次大 → 序列号重置为 0。

4）拼接得到唯一 ID。

所以 在同一毫秒、同一机器上，最多可以生成 4096 个不同 ID。

大数据分布式计算 + TopK 问题

问题抽象

• 数据规模：100 亿个数。
• 环境：5 台机器，每台 1 CPU，512 MB 内存，1 TB 硬盘，1 G 网卡。
• 目标：选出最大的 1000 个数。

特点：

• 数据量极大（10¹⁰），远远超过单机内存。
• 硬盘和网络资源有限，必须流式处理、分布式处理。
• TopK（K=1000）相对很小。

算法层面：TopK 的经典方法

单机思路

• 使用

  小根堆（min-heap）：

  • 维护一个大小为 1000 的小根堆。
  • 遍历所有数据，每来一个数：
    • 如果比堆顶大 → 替换堆顶并调整堆。
    • 否则丢弃。
  • 最终堆里就是最大的 1000 个数。

• 复杂度：

  • 时间：O(N log K) ≈ 10¹⁰ * log 1000。
  • 空间：O(K)，只需存 1000 个数（几 KB）。

问题：单机 CPU / IO 扛不住 100 亿规模，需要分布式。

分布式系统设计

我们有 5 台机器 → 可以用 分布式 TopK 聚合：

Step 1：数据分片

• 假设数据分布在 5 台机器上（或通过切分 / 分布式存储）。
• 每台机器 只处理自己那部分数据。

Step 2：局部 TopK

• 每台机器用小根堆求 本地前 1000 个数。
• 这样 100 亿数据在每台机器先被压缩成 1000 个候选。
• 本地计算代价：O((N/5) log K)，只需几百 MB 内存，很轻量。

Step 3：全局归并

• 将 5 * 1000 = 5000 个候选数汇总到一台机器。
• 在这 5000 个数里再用小根堆求前 1000。
• 这一步开销很小，5000 个数据完全可以在内存里做。

追问：算法层面可以采用负载均衡、数据分块并结合堆来实现，那么如何从工程的角度来保证这个系统的稳定性？

1）流式处理：

避免一次性加载数据，采用顺序读写硬盘（避免随机 IO）， 流式扫描（边读边处理）。这样即使单机内存有限（512 MB），也能稳定运行，不会 OOM。

2）负载均衡

使用 统一调度器（可以是 Nginx、任务队列、或 K8s 调度器），合理分配任务，防止某台机器过载。

3）容错机制

如果某台机器宕机或任务失败，调度器能 重试任务 或 转移任务到其他机器。

4）扩展性

系统应该支持 水平扩展：增加机器数量 → 按数据分块比例缩小每台的工作量。

5）资源隔离、系统监控、报警、记录日志。

追问：一个机器处理某个数据块时宕机了，如何不让其从头开始处理数据，而是找到上一次处理数据的位置继续处理？怎么做持久化？怎么做数据恢复？怎么实现数据处理进度的标记？

问题分析：如果没有机制，只能 从头重新处理整个数据块 → 浪费大量资源。

核心思路：

1）持久化中间状态

• 定期把处理进度和关键数据写到可靠存储（如磁盘/分布式存储）。

  1）假设数据块存在文件里，可以用「字节偏移量」或「行号」来记录当前处理到哪。offset=123456789，表示已经处理到文件的第 1.23 GB。

  2）每处理一批数据（比如 1 万条），写一次进度到磁盘/数据库。写入内容包括：任务ID、数据块ID、偏移量、已处理的TopK候选堆内容。

2）数据恢复机制

• 任务失败后重新启动时，能读到之前的持久化状态（偏移量 + 堆内容），从断点继续。

断点续传如何实现？

核心目标是：文件传输中断后，不用从头重新传，只需从上次中断的位置继续。

本质：把大文件分成多个小块传输，并记录哪些块已经成功。

前端：

1）文件分块，把大文件分成多个小块（chunk），每块单独上传。

2）给文件（原始大文件或切片）算一个唯一的 ID（比如 MD5），用来让后端识别这是同一个文件。

3）记录哪些块已经上传成功，能知道上次传到哪一块。

4）续传控制，重新连接后，先询问后端“哪些块已经传完”；然后只上传剩余的块。

后端：

1）接收分块，要区分属于哪个文件、是第几块。

2）记录状态，每个文件有哪些块已上传。 常用数据库或 Redis 存储上传进度。

3）当所有分块上传完后，后端进行完整性校验+按顺序合并

4）提供一个接口让前端询问“我这个文件哪些块已经传过了？”

查找第K大元素 OR 查找某个数

如果查找无序数组第K大元素？

选择一个枢轴（pivot），通常取区间的第一个元素。执行 partition 操作：把小于 pivot 的元素放左边，大于 pivot 的放右边；返回 pivot 的最终位置 pos。如果我们不需要整个数组排序，只需要第 k 大的元素， 就没必要递归左右两边 —— 只递归包含第 k 大的那一边即可。这样每次都能排除掉一半数据，平均时间复杂度是 O(n)。

给你一个 有序数组，请找到目标值的下标。

二分查找的思想是利用有序性， 每次把搜索区间折半，逐步缩小范围，直到找到目标或确定不存在。

具体做法：

1. 设两个指针 left 和 right 分别指向数组两端；
2. 每次取中点 mid = (left + right) / 2；
3. 比较 nums[mid] 和目标值：
   • 若相等 → 返回 mid；
   • 若 nums[mid] < target → 说明目标在右边，left = mid + 1；
   • 若 nums[mid] > target → 说明目标在左边，right = mid - 1；
4. 循环直到 left > right，表示没找到。

Spring

谈谈String的核心特性

Spring 的核心特性可以概括为以下几点，其中 IoC 和 AOP 是基石中的基石：

1. 控制反转与依赖注入

2. 面向切面编程

3. Spring 声明式事务管理

4. 数据访问与集成

   提供了统一的数据访问抽象，比如 JdbcTemplate、HibernateTemplate，简化了 JDBC 和 ORM 框架的使用。

5. Web MVC 框架

   支持 REST 风格接口，配合注解（@Controller, @RequestMapping 等）开发高效

6. 强大的测试支持

   JUnit5，@SpringBootTest，Spring 会启动容器，把真实 Bean 注入进来，测试组件之间的协作。

7. Spring Boot 的“约定大于配置”

   基于 Spring 的一站式框架，强调快速开发与自动化配置；通过 Starter 依赖、自动配置机制减少样板代码和繁琐的 XML 配置；内置 Tomcat，开箱即用。

SpringBoot的原理

如果我们直接基于Spring框架进行项目的开发，会比较繁琐。SpringBoot框架之所以使用起来更简单更快捷，是因为SpringBoot框架底层提供了两个非常重要的功能：一个是起步依赖，一个是自动配置。

起步依赖

Spring Boot 只需要引入一个起步依赖（例如 springboot-starter-web）就能满足项目开发需求。这是因为：

• Maven 依赖传递： 起步依赖内部已经包含了开发所需的常见依赖（如 JSON 解析、Web、WebMVC、Tomcat 等），无需开发者手动引入其它依赖。
• 结论： 起步依赖的核心原理就是 Maven 的依赖传递机制。

自动装配

在传统 Spring 开发中，需要在 applicationContext.xml 或 @Configuration 类里手工声明大量 Bean。Spring Boot 为了简化配置，引入了 自动装配（Auto Configuration），让我们只需少量注解就能“开箱即用”。

自动配置原理源码入口就是@SpringBootApplication注解，在这个注解中封装了3个注解，分别是：

• @SpringBootConfiguration

  • 声明当前类是一个配置类，作用类似 @Configuration，但作为 Spring Boot 的专用配置入口标识。

• @ComponentScan

  • 用于 扫描项目自定义的 Bean，比如 @Component、@Service、@Repository、@Controller 等。

  • 默认扫描 启动类所在包及其子包。

  • 如果项目分为 server、common 等模块，可以通过：

    @ComponentScan({"com.your.package.server", "com.your.package.common"})
    

    来显式指定需要扫描的包路径。

• @EnableAutoConfiguration（自动配置核心注解）

  • 导入自动配置类

    通过元注解 @Import(AutoConfigurationImportSelector.class)，在启动时读取所有 JAR 包中 META‑INF/spring.factories 中声明的自动配置类，并注册到容器。

  • 按条件注册 Bean

    配置类内部使用条件注解（@ConditionalOnClass、@ConditionalOnMissingBean、@ConditionalOnProperty 等）。

    仅在 类路径、配置属性、已有 Bean 满足条件时，才创建对应 Bean。

  • 典型示例

    DataSourceAutoConfiguration：检测到 JDBC 驱动和 spring.datasource. 配置时自动创建数据源。

    WebMvcAutoConfiguration：配置 Spring MVC 默认组件；若用户提供了自定义 MVC 配置，则自动“退让”（Back Off）。

自动配置的效果：

Spring Bean 生命周期与 AOP 代理生成流程

Bean 从类加载到定义注册

本笔记以 UserService为例，详细说明一个 Bean 从.class文件到成为代理对象的完整过程。

一、类加载（JVM 层面）：负责把 .class 文件加载进内存，生成 Class 对象。Spring 要使用某个类（比如反射扫描注解）时，前提是这个类已经被 JVM 加载过了。

触发时机：

组件扫描时（@Component、@Service、@Controller 等）；

配置类解析时（@Configuration、@Bean 方法、自动配置类）；

反射访问或依赖注入时（如第一次 getBean() 调用懒加载 Bean）。

二、Bean 定义加载（Spring 层面）

旨在收集所有 Bean 的元数据（BeanDefinition）。

1. 【配置解析】：Java 配置类：通过 @Configuration + @Bean 方法；
2. 【组件扫描】：@Component、@Service、@Repository、@Controller 等；
3. 【注册定义】：将为每个 Bean 解析出的元信息（如类名、作用域、是否懒加载等）封装为一个 BeanDefinition对象，并注册到 BeanFactory的 beanDefinitionMap中。

​ - class = UserService.class

​ - scope = singleton

​ - lazy = false

此时的状态：UserService类已经被类加载器加载，JVM中有它的 Class对象，Spring容器中有它的 BeanDefinition，但尚未创建任何实例，也未生成任何代理。

Spring Bean 生命周期

容器启动时（中后期），容器创建 Bean 实例，AOP 代理对象即在此过程中生成。

以下Bean例外：

1.被标记为 @Lazy 的 Bean，只有第一次被依赖或调用时才实例化

2.条件化注入（@Conditional），若配置项不满足，则这个 BeanDefinition 根本不会注册进容器

3.作用域为 prototype，每次 getBean() 才会创建一个新实例。

使用代理 Bean

• 当其他组件（如 UserController）通过 @Autowired注入 UserService时，它们拿到的是第二步第5步中返回的代理对象，而非最初的原始对象。
• 当调用 userService.someMethod()时，调用的是代理对象的方法。
• 代理对象会先执行增强逻辑（如事务管理、日志记录），然后通过反射调用原始对象（rawInstance）的相应方法。

SpringBoot启动流程

Spring Boot 启动顺序就是： JVM 类加载 → 创建 SpringApplication → 加载配置 → 扫描并注册 BeanDefinition → 实例化 & 注入 & 初始化 → AOP 代理 → 启动 Web 容器 → 发布启动完成事件。

1. 入口：main 方法

• 做什么：所有 Spring Boot 应用从带有 @SpringBootApplication 注解的类的 main 方法启动。

• 关键代码

  public static void main(String[] args) {
      SpringApplication.run(MyApplication.class, args);
  }
  

• 作用：调用 SpringApplication.run() 启动整个流程。

• 前提：启动类本身（MyApplication.class）已经被 JVM 类加载器加载到内存。

2. 初始化 SpringApplication

• 做什么
  • 创建 SpringApplication 实例，负责管理整个启动流程。
  • 准备一系列监听器（Listeners）、初始化器（Initializers）。
• 加载扩展组件：从 META-INF/spring.factories 读取自动配置、监听器等第三方扩展点。
• 事件机制：发布 ApplicationStartingEvent 等事件，允许开发者在早期介入。

3. 读取配置文件

• 做什么
  • 加载配置：读取 application.properties 或 application.yml。
  • 设置环境变量：构建 ConfigurableEnvironment，整合系统属性、JVM 参数、配置文件参数。

4. 刷新应用上下文（核心步骤）

调用 context.refresh() → Spring Boot 启动的心脏。

关键子流程：

1. 加载 Bean 定义
   • 组件扫描：解析 @Component、@Service、@Controller 等注解类。
   • 配置类解析：读取 @Configuration 类中的 @Bean 方法。
   • 注册成 BeanDefinition，存放在 beanDefinitionMap 中。 注意：此时只是“配方”，尚未 new 出对象。
2. 自动配置
   • 触发 @EnableAutoConfiguration。
   • 加载 META-INF/spring.factories 中的自动配置类。
3. 条件化配置
   • 在加载自动配置类时，@ConditionalOnXxx 会通过 ConditionEvaluator 判断是否满足条件，决定 BeanDefinition 是否注册。
4. 实例化与依赖注入
   • 所有非懒加载的单例 Bean 被实例化
   • 执行依赖注入（@Autowired、@Resource 等）。
5. Bean 初始化
   • 调用 @PostConstruct、InitializingBean.afterPropertiesSet()、init-method 等初始化方法。
6. 后置处理器（AOP 切入点）
   • BeanPostProcessor.postProcessAfterInitialization() 阶段，如果匹配到切面（如事务、日志），生成 代理对象，替换原始 Bean。

5. 启动内嵌 Web 服务器（Web 场景）

• 做什么：如果是 Web 应用，会自动启动内嵌的 Tomcat/Jetty/Undertow。
• 关键点：端口监听完成后，Spring Boot 应用对外提供服务。

6. 完成启动

• 做什么：容器进入就绪状态。
• 回调执行：执行 ApplicationRunner、CommandLineRunner 中的逻辑。
• 事件发布：发布 ApplicationReadyEvent，通知应用完全启动成功。

Spring循环依赖为什么需要三级缓存

在Spring的默认单例Bean创建过程中，三级缓存指的是三个Map：

1. 一级缓存 ：存放完全初始化好的、成熟的Bean。这是我们实际用到Bean的地方。
2. 二级缓存 ：存放早期的Bean引用（已实例化但未完成属性填充和初始化）。
3. 三级缓存 ：存放Bean的工厂对象（ObjectFactory）。这个工厂能根据条件（如是否需要AOP）返回一个早期的Bean引用。

如果只有二级缓存（早期暴露）

1. 开始创建 A

   • 实例化 A（调用构造函数，得到一个原始对象 A@123）
   • 将原始对象 A@123放入二级缓存（earlySingletonObjects）
   • 为 A 填充属性时发现需要注入 B → 触发 getBean("B")

2. 开始创建 B

   • 实例化 B（得到原始对象 B@456）
   • 将 B@456放入二级缓存
   • 为 B 填充属性时发现需要注入 A → 从二级缓存拿到 A@123（原始对象）
   • B 完成属性注入（此时 B 中持有的是 A@123）
   • B 完成初始化，放入一级缓存（singletonObjects）

3. 回到 A 的创建

   • 从一级缓存拿到 B@456，注入到 A 中

   • 问题来了：如果 A 需要被 AOP 代理（比如有 @Transactional注解），Spring 会生成代理对象 A$Proxy@789，并放入一级缓存

   • 最终结果：

     • 一级缓存中是 A$Proxy@789（代理对象）

     • 但 B 中已经注入了 A@123（原始对象），导致 B 依赖的 A 和最终暴露的 A 不是同一个对象！

       （AOP 失效，事务等增强不生效）

引入三级缓存

1. 开始创建 A

   • 实例化 A（得到原始对象 A@123）

   • 向三级缓存暴露一个工厂（ObjectFactory），而非直接放入二级缓存

     （工厂的作用：在需要时能返回原始对象或代理对象）

   • 为 A 填充属性时发现需要注入 B → 触发 getBean("B")

2. 开始创建 B

   • 实例化 B（得到 B@456）

   • 向三级缓存暴露 B 的工厂

   • 为 B 填充属性时发现需要注入 A → 从三级缓存拿到 A 的工厂

     • 工厂执行 getObject()，此时发现 A 需要 AOP 代理 → 生成代理对象 A$Proxy@789

       （代理逻辑会根据 A 的最终状态生成，但此时仅提前生成引用）

   • 将 A$Proxy@789放入二级缓存（标记为“早期引用”）

   • B 完成属性注入（此时 B 中持有的是 A$Proxy@789）

   • B 完成初始化，放入一级缓存

3. 回到 A 的创建

   • 从一级缓存拿到 B@456，注入到 A 中

   • A 完成初始化，检查二级缓存：

     • 如果存在（说明有工厂提前生成过代理），则确保最终暴露的对象与早期引用的代理一致

       （这里直接返回二级缓存的 A$Proxy@789，避免重复生成代理）

   • 将 A$Proxy@789放入一级缓存

Spring事务失效的情况

一、自调用

同一个类中，一个方法调用另一个标注了 @Transactional 的方法时，事务不会生效。

原因：Spring AOP 是基于代理的，调用必须通过 Spring 生成的代理对象进行。如果是类内部调用，相当于 this.method()，绕过了代理。

@Service
public class UserService {
    @Transactional
    public void methodA() {
        methodB(); // 自调用，事务失效
    }

    @Transactional
    public void methodB() {
        // 不会开启事务
    }
}

正确调用方式：

将 methodB() 提取到另一个类中

@Service
public class MethodBService {
    @Transactional
    public void methodB() {
        // 事务生效
    }
}

@Service
public class UserService {

    @Autowired
    private MethodBService methodBService;

    public void methodA() {
        methodBService.methodB(); // ✅ 通过 Spring 管理的代理对象调用，事务生效
    }
}

进阶：通过代理调用自身方法（推荐）

你可以从 Spring 容器中获取当前 Bean 的代理对象，然后用代理对象调用 methodB()：

@Service
public class UserService {
    @Autowired
    private ApplicationContext context;

    @Transactional
    public void methodA() {
        // 从容器中获取代理对象
        UserService proxy = context.getBean(UserService.class);
        proxy.methodB(); // 经过代理调用
    }

    @Transactional
    public void methodB() {
        // 这里的事务才会生效
    }
}

二、方法不是 public 导致事务失效

被 @Transactional 注解的方法如果不是 public 的，事务不会生效。

原因：Spring 默认使用 JDK 或 CGLIB 代理，而代理只对 public 方法进行增强。

三、异常未被正确抛出

如果抛出的异常是 checked exception 或者被 catch 捕获而没有重新抛出，事务不会回滚。

默认情况下，只有 RuntimeException 和 Error 会触发回滚，可以通过设置 rollbackFor 参数来指定其他异常：

@Transactional(rollbackFor = Exception.class)

被 catch 捕获而没有重新抛出，正确做法：捕获后继续抛出

@Transactional
public void saveUser() {
    try {
        userRepository.save(null);
    } catch (Exception e) {
        throw new RuntimeException("数据库保存失败", e); // 重新抛出，触发回滚
    }
}

四、数据库引擎不支持事务

使用的数据库或数据库表不支持事务（如 MySQL 的 MyISAM 引擎），即使开启事务也不会生效。

分布式事务

好的，我来分别简洁说明 2PC、3PC、TCC 三种分布式事务控制方式：

1. 2PC（两阶段提交）

• 阶段一：准备（Prepare） 协调者向所有参与者发送“准备提交”请求，参与者执行事务但不提交，只写入日志并锁定资源，返回“可以提交/回滚”。
• 阶段二：提交（Commit） 如果所有参与者都同意，协调者下发“提交”；若有一个失败，则下发“回滚”。

优点：实现简单，强一致性。 缺点：同步阻塞、单点故障风险大、可能导致资源长时间锁定。

同步阻塞：在事务提交前，参与者资源会被锁定，导致其它请求被阻塞，效率较低。

单点故障：协调者是单点，一旦出问题，整个事务无法推进，严重依赖其可用性。

数据不一致：由于网络异常或消息丢失，可能导致部分参与者提交，部分未提交，从而产生数据不一致。

2. 3PC（三阶段提交）

在 2PC 基础上增加 “预提交”阶段，拆成三步：

1. CanCommit：协调者询问是否可提交。
2. PreCommit：若所有参与者都回复可行，协调者发送“预提交”，参与者执行事务并进入“可提交”状态。
3. DoCommit：协调者最终发出提交命令，参与者完成提交。

优点：减少单点故障导致的阻塞，超时可自动决策。 缺点：实现复杂，依然可能出现数据不一致。

在 3PC 中，参与者在 PreCommit 阶段已经进入“可以提交”的状态，如果后续协调者消息丢失，参与者还能根据超时策略自主提交或回滚。

3. TCC（Try-Confirm-Cancel）

应用层实现的补偿事务模型：

• Try：尝试阶段，预留资源（如冻结资金）。
• Confirm：确认阶段，正式执行业务操作。
• Cancel：取消阶段，释放预留资源，回滚业务。

要求：

三套接口：开发者需要在业务代码里写冻结、确认、释放三套接口

幂等性：Cancel 接口必须设计成可安全多次调用。

• 如果没有冻结，就什么都不做，返回成功；
• 如果已经冻结，就解冻并返回成功。

空补偿（Null Compensation）：允许 Cancel 在没有 Try 的情况下被调用，业务逻辑要能识别并正确处理。

计算机网络

三次握手

三次握手过程

TCP三次握手的目标是双方 同步序列号 和 确认序列号，并建立一条可靠的连接。

假设客户端（Client）想要与服务器（Server）建立连接。

第一次握手（SYN） 客户端向服务器发送一个请求连接的报文，标志位 SYN=1，并携带一个随机的初始序列号 seq=x， 表示希望建立连接。 发送完后，客户端进入 SYN-SENT 状态。

第二次握手（SYN-ACK） 服务器收到客户端的 SYN 报文后，如果同意建立连接，会回复一个标志位为 SYN=1、ACK=1 的报文， 此时服务器自己也生成一个初始序列号 seq=y，并将 ack=x+1 作为确认号， 表示已收到客户端的请求。 服务器进入 SYN-RCVD 状态。

第三次握手（ACK） 客户端收到服务器的 SYN-ACK 后，再回复一个 ACK=1 的确认报文， 其中 seq=x+1、ack=y+1，表示双方的握手确认成功。 此时客户端进入 ESTABLISHED 状态；服务器收到该报文后，也进入 ESTABLISHED 状态。

为什么两次握手不行

防止已失效的连接请求报文突然传到，导致错误（核心原因）

• 场景：假设客户端发送了一个SYN请求（第一次握手），但这个报文在网络中滞留了，迟迟没有到达服务器。客户端超时后未收到回复，于是重发了一个新的SYN请求，这次成功建立连接，数据传输完毕后关闭了连接。
• 问题：此时，那个滞留的SYN报文终于到达了服务器。服务器误以为这是客户端发起的一个新连接请求，于是回复SYN-ACK（第二次握手）并提前分配了资源（如缓冲区、连接变量）。如果只有两次握手，服务器发出SYN-ACK后就会认为连接已经建立，并一直等待客户端发送数据。
• 结果：但客户端根本没有想要建立这个新连接！客户端不会发送任何数据。这将导致服务器的资源被白白浪费，等待一个永远不会到来的数据请求，造成资源耗尽和服务不可用的风险。

三次握手如何解决？

在三次握手的机制下，服务器收到滞留的SYN报文后，会回复SYN-ACK。但客户端不会回复第三个ACK（因为它没有请求这个新连接）。服务器在长时间收不到ACK后，会超时重传SYN-ACK，最终失败并释放资源，从而避免了错误。

四次挥手

四次挥手过程

TCP是全双工通信，这意味着数据在两个方向上可以独立传输。因此，关闭连接需要每个方向都单独被关闭。

假设客户端（Client）主动发起关闭连接。

第一步：FIN (Finish)

• 动作：客户端希望关闭连接，于是发送一个TCP报文段。
• 标志位：设置 FIN = 1（表示它没有更多数据要发送了）。
• 序列号：seq = u（u等于客户端之前已传送数据的最后一个字节的序列号加1）。
• 状态变化：客户端进入 FIN-WAIT-1状态。这意味着客户端已经没有数据要发送了，但如果服务器还有数据要发送，客户端仍然需要接收。

第二步：ACK (Acknowledge)

• 动作：服务器收到客户端的FIN报文后，对其进行确认。
• 标志位：设置 ACK = 1。
• 确认号：ack = u + 1（确认收到了客户端的关闭请求）。
• 状态变化：服务器进入 CLOSE-WAIT状态。
• 此时状态：从客户端到服务器的这个方向的连接已经关闭。客户端收到这个ACK后，进入 FIN-WAIT-2状态。但服务器到客户端的连接仍然打开，服务器可能还有未发送完的数据需要继续发送。

第三步：FIN (Finish)

• 动作：当服务器也完成了所有数据的发送后，它也会发送一个FIN报文。
• 标志位：设置 FIN = 1（有时这个报文会和第二步的ACK合并，此时标志位为 FIN = 1, ACK = 1）。
• 序列号：seq = w（w等于服务器之前已传送数据的最后一个字节的序列号加1）。
• 确认号：ack = u + 1（通常还会再次确认客户端的FIN）。
• 状态变化：服务器进入 LAST-ACK状态。

第四步：ACK (Acknowledge)

• 动作：客户端收到服务器的FIN报文后，必须发送一个确认报文。
• 标志位：设置 ACK = 1。
• 确认号：ack = w + 1。
• 状态变化：客户端进入 TIME-WAIT状态。等待一段时间（2MSL，Maximum Segment Lifetime）后，客户端才进入 CLOSED状态，彻底释放资源。服务器在收到这个最终的ACK后，立即进入 CLOSED状态，释放资源。

为什么客户端需要 TIME-WAIT 状态？

客户端发送完最后一个ACK后，必须等待 2MSL 的时间长度。

主要原因有两个：

1. 可靠地终止连接：确保最后一个ACK能被服务器收到。如果这个ACK报文丢失，服务器会在超时后重传它的FIN报文（第三次挥手）。客户端在TIME-WAIT状态下可以收到这个重传的FIN，并重新发送ACK，从而保证双方都能正常关闭。如果没有这个等待，客户端直接关闭，服务器将永远收不到ACK，会一直处于LAST-ACK状态，无法正常关闭。
2. 让旧连接的报文在网络中消散：等待2MSL时间，可以确保本次连接所产生的所有报文都从网络中消失，这样就不会影响到未来可能建立的、具有相同四元组（源IP、源端口、目的IP、目的端口）的新连接。

TCP和UDP

使用场景：

TCP：用于需要“万无一失”的场景

• Web浏览 (HTTP/HTTPS)
• 文件传输 (FTP)
• 邮件发送 (SMTP)
• 远程登录 (SSH)

UDP：用于需要“越快越好”的场景

• 视频直播/视频会议
• 在线实时游戏 (如吃鸡、王者荣耀)
• 语音通话 (VoIP)
• DNS域名解析

TCP是面向连接的、可靠的协议，通过三次握手、确认重传等机制保证数据正确送达，但速度慢，适合网页、邮件、文件传输。UDP是无连接的、不可靠的协议，不做任何保证，但速度快、延迟低。

应用层的拼包、拆包

TCP 是“面向字节流”的、无边界的协议，它只保证数据按顺序、无丢失地到达，但—— 并不会告诉你消息的边界。

应用层必须自己定义消息边界。

1.固定长度协议

规定每个消息固定长度，比如 100 字节。

• 优点：实现简单。

• 缺点：浪费空间，不灵活。

2.特殊分隔符

在每条消息末尾加上特殊字符，比如 \n、#END# 等。

• 优点：简单直观。

• 缺点：内容里不能包含分隔符（要转义）。

3.消息长度前缀

在每条消息前加上一个定长的“长度字段”，告诉接收方消息体有多长。

最常用、最通用的方式。

| 4 bytes length | <length> bytes data |

TCP保证按序接收（乱序到达，但是内部会重排再传给应用层），根据事先约定的协议，前4个字节是代表这条消息的长度，然后再读取对应长度的字节流，就可以组装成完整的一条消息了。

4.高级协议

像 HTTP、WebSocket、gRPC 等都在 TCP 之上定义了自己的消息边界：

• HTTP：以请求头中的 Content-Length 或分块编码表示长度。

• WebSocket：帧格式中定义了帧长度。

• gRPC / Netty：自动处理粘包拆包问题。

HTTP 版本对比表

HTTP/1.1 解决了 1.0 的短连接问题，但仍然存在队头阻塞、并发效率低、头部冗余的问题。

HTTP/2 的主要优势体现在：

• 二进制分帧：高效传输，方便扩展；

• 多路复用：一个连接并发多个请求，解决了 1.1 的队头阻塞；

• 头部压缩：减少带宽浪费；

• 服务器推送：服务器可以主动把可能用到的资源（CSS/JS）推给客户端，减少延迟。

访问一个网站的过程

1.建立连接

1. DNS 解析：浏览器先把域名（如 www.example.com）解析成 IP 地址。
2. TCP 三次握手：和目标服务器建立 TCP 连接（默认端口 80，若是 HTTPS 还要做 TLS 握手）。
3. 建立 HTTP/1.1 长连接
   • 请求头里会带上 Connection: keep-alive（默认启用），同一个 TCP 连接可以复用多次请求。

2.浏览器先请求 HTML 页面：

GET /index.html HTTP/1.1
Host: www.example.com
Connection: keep-alive
User-Agent: Chrome/...
Accept: text/html,application/xhtml+xml

3.服务器返回响应

服务器处理请求，返回 HTML 页面：

HTTP/1.1 200 OK
Content-Type: text/html
Content-Length: 1234
Cache-Control: max-age=3600

<html> ... </html>

4.浏览器解析 HTML

解析 HTML 时，发现里面引用了 CSS、JS、图片 等静态资源。

浏览器会发起新的请求去获取这些资源。

5.并发请求资源

HTTP/1.1 一个 TCP 连接虽然可以复用，但请求必须顺序执行 → 存在队头阻塞。

为了提高并发性能，浏览器会：同时打开多个 TCP 连接（6~8 个/域名），每个连接里顺序下载多个资源；

6.页面渲染

CSS、JS、图片加载完成后，浏览器开始渲染页面。JS 可能会再发起 Ajax 请求（同样走 HTTP/1.1 长连接）。

HTTPS和HTTP的区别是？

HTTP 是超文本传输协议，数据以明文方式传输； HTTPS 是基于 SSL/TLS 的加密版 HTTP，通信过程经过加密、认证和完整性校验。

主要区别：

传输安全性：

• HTTP 明文传输，容易被窃听、篡改、伪造（中间人攻击）；

• HTTPS 通过非对称加密 + 对称加密 + 数字证书三重机制确保保密性、完整性、身份验证。

连接建立：

• HTTPS 在 TCP 三次握手后还需进行 TLS 握手（协商加密算法、交换密钥）；

端口与证书：

• HTTP 用 80 端口，无证书；
• HTTPS 用 443 端口，需要 CA 签发证书（如 Let’s Encrypt 免费证书）。

“HTTP 使用 80 端口” 指的是：服务器端（Web Server）默认监听 80 端口，浏览器（客户端）会默认向服务器的 80 端口发起连接请求。

当你在浏览器输入： http://example.com

实际上等价于： http://example.com:80

假设后端java监听8080，那生产环境为什么能直接访问域名不带端口？

原因：只有对外提供 Web 访问的入口服务（网关 / 反向代理）监听 80 端口。

用户访问 → http://www.xxx.com（默认走 80）
                    ↓
            DNS 解析 —— 把域名解析成 IP
            		↓
                 Nginx 监听 80 端口
                    ↓
          反向代理到 8080（Spring Boot/Tomcat）

浏览器(80) → Nginx(80) → 内部应用(8080) ,这样外部用户访问时不用加 :8080，通过nginx访问后端服务。

HTTPS能否抓包解密？

抓包本质是监听网络上的数据包。

正常情况：HTTPS 的数据虽然可以被抓到（因为数据包仍然经过网卡），但它是 经过 TLS 加密 的，内容是密文，看不懂。

抓包工具

抓包工具（如 Fiddler、Charles）之所以能“看到明文”，是因为它们在本机充当了一个 中间代理服务器（MITM，中间人） 并安装了自己的“根证书”，拦截并解密 HTTPS 流量。

具体步骤

① 安装自己的“根证书”到系统/浏览器信任区 ，让浏览器信任它

② 拦截请求并伪造中间证书，工具假装是服务器，与浏览器建立加密连接，再与真正服务器建立另一个加密连接

这样 Charles 能在中间看到明文内容（相当于翻译官）。

注意：这是本地信任的中间人攻击！因为用户主动信任了 Charles 的证书；

而且不是配置浏览器或者服务器的私钥！！！

F12开发者模式

浏览器 F12 的 Network 面板能看到所有该标签页发出的请求与响应（包括 HTTPS 的明文内容），因为浏览器在显示给你之前已经完成了 TLS 解密。但它不能抓取网络层的原始加密包。

为什么能看到 HTTPS 明文？

浏览器本身在内核里完成 TLS 握手并解密数据，DevTools 是运行在浏览器进程内的开发者工具，所以它能读取到浏览器已经解密后的请求/响应内容。

HTTPS连接建立过程

使用的主要技术手段：非对称加密、对称加密、数字证书、摘要算法。

建立过程

1）TCP 三次握手

和普通 HTTP 一样，首先通过三次握手建立 TCP 连接。

2）客户端发起请求

客户端发送支持的 TLS 版本、加密套件列表、随机数（Client Random）。

随机数将用于后续生成会话密钥。

3）服务端响应

服务器确认选择使用的 TLS 版本、加密算法，并返回服务器的 随机数（Server Random）。

服务器同时发送 数字证书（包含公钥、域名信息、签发机构等）。

4）客户端验证证书

客户端检查证书是否由 可信 CA 签发、域名是否匹配、是否过期/吊销。

验证通过后，客户端生成一个 Pre-Master Secret（预主密钥），并用服务器公钥加密后发送给服务端。

5）生成会话密钥

客户端和服务端根据：

• Client Random
• Server Random
• Pre-Master Secret 共同计算出 会话密钥（对称加密密钥）。

6）握手完成

双方用会话密钥加密一段测试数据，互相验证可解密成功。

之后正式使用 对称加密 进行数据传输。

非对称加密

常见非对称加密算法：RSA DSA ECC

使用一对密钥：公钥 (Public Key) 和 私钥 (Private Key)。

这里表现：

客户端用 服务器证书里的公钥 加密 Pre-Master Secret，发送给服务器。

服务器用 私钥 解密，得到 Pre-Master Secret。

对称加密

常见对称加密算法： DES AES

加密和解密使用 同一把密钥。

优点：计算速度快，效率高，适合大规模数据加密。

缺点：密钥分发困难，如果密钥在传输过程中被截获，通信就不安全。

这里表现：

Client Random、Server Random、Pre-Master Secret生成 会话密钥。客户端和服务端都有这个密钥，之后的请求响应都用这个加密。

操作系统

多个进程同时执行一个代码块会产生冲突吗？

不会产生内存级别的冲突，因为进程的内存空间是隔离的。

但是，如果这些进程要操作 同一个外部资源（比如：同一个文件、同一个数据库表、同一个 socket），就可能发生冲突或竞争。

• 例如：两个进程同时写一个文件 → 文件可能被覆盖或写乱，需要 文件锁 来保护。
• 两个进程同时更新数据库记录 → 可能出现脏数据，需要 事务机制 / 乐观锁 / 悲观锁。

如果是线程呢？

多线程在同一个进程内，会共享堆和方法区的数据。如果多个线程同时执行修改同一个共享变量，就会出现 线程安全问题（比如 i++ 的经典例子）。所以多线程比多进程更容易因为共享数据而冲突，需要 synchronized、ReentrantLock等手段保证安全。

进程和线程和程序区别

程序是蓝图，是静态的代码文件，还没运行；

进程是运行起来的实例，是资源分配的最小单位；

线程是 CPU 调度的最小单位。

1）进程（Process）是程序在系统中的一次运行实例；线程（Thread）是进程内的一个独立执行单元。

2）进程拥有独立的内存空间和系统资源；线程共享进程的内存（堆、方法区等），但有自己的栈和程序计数器。

3）CPU 调度线程执行（线程是最小调度单位），进程之间切换开销更大，线程切换更轻量。

4）进程间通信（IPC）需通过管道、Socket、共享内存等；线程间通信更简单（共享变量即可）。

操作系统调度算法

周转时间 = 完成时间 − 到达时间

等待时间 = 完成时间 − 到达时间 − 运行时间

响应时间 = 第一次开始运行 − 到达时间

数据结构

迪杰斯特拉算法

用途：解决 单源最短路径问题 —— 从一个起点出发，找到到所有其他节点的最短路径。 前提：边权重必须是 非负数。

核心思想

利用 贪心策略：每次从未确定的节点中，选择距离起点最近的节点，把它加入“已确定集合”。

然后用新加的点作为中间跳板，计算当前邻接点的最短距离。

循环，直到所有节点都确定最短路径。

算法步骤

初始化：

• 起点到自身距离设为 0，其余节点设为 ∞。
• 已确定集合为空。

重复以下操作：

• 从未确定的节点里，选一个当前距离最小的节点 u。

• 把 u 加入“已确定集合”。

• 用 u 更新它的邻居 v：

  if dist[v] > dist[u] + w(u,v):
      dist[v] = dist[u] + w(u,v)
  

• 直到所有节点都被处理。

笔试选择题

节点的度：指这个节点的子树的数量。

树的结点个数为 n。

树的分支数 = 所有节点的度之和 = n-1

	A
   /|\
  B C D
 / \
E   F

度为3的节点有1个（A）；度为2的节点有1个（B）；度为0的节点有4个

数据库Mysql

什么是约束

什么是事务？事务有哪些特性？

什么是事务

事务是一组操作的集合，它是一个不可分割的工作单位。事务会把所有的操作作为一个整体一起向系统提交或撤销操作请求，即这些操作要么同时成功，要么同时失败。

BEGIN; 和 START TRANSACTION; 都能开启事务；

BEGIN;
-- 或者
START TRANSACTION;

在 MySQL 的事务型引擎（InnoDB）中，单条 SQL 本身就是一个事务；执行成功自动提交，失败自动回滚；

UPDATE users SET balance = balance - 100 WHERE id = 1;

流程实际上是：

BEGIN;
UPDATE users SET balance = balance - 100 WHERE id = 1;
COMMIT;

手动提交事务使用步骤：

• 第1种情况：开启事务 => 执行SQL语句 => 成功 => 提交事务
• 第2种情况：开启事务 => 执行SQL语句 => 失败 => 回滚事务

-- 开启事务
start transaction ;

-- 删除学工部
delete from tb_dept where id = 1;

-- 删除学工部的员工
delete from tb_emp where dept_id = 1;

• 上述的这组SQL语句，如果执行成功，则提交事务

commit ;

• 上述的这组SQL语句，如果执行失败，则回滚事务

rollback ;

注意：要手动 COMMIT; 或者 ROLLBACK; 才能结束当前事务。

Spring 的 @Transactional 注解,就是在 Java 层面自动帮你包裹事务。

事务有哪些特性？

1）原子性（Atomicity）：事务是不可分割的最小单元，要么全部成功，要么全部失败。

2）一致性（Consistency）：事务完成时，必须使所有的数据都保持一致状态。

约束层面一致性主要指 数据要符合数据库定义的各种约束，主键约束、外键约束、唯一约束等必须始终成立。

业务层面一致性：部门和该部门下的员工数据全部删除。

3）隔离性（Isolation）：数据库系统提供的隔离机制，保证事务在不受外部并发操作影响的独立环境下运行（事务还没commit，那么别的窗口就看不到该修改 ）。在 MySQL（InnoDB 引擎）里，隔离性主要是通过 事务隔离级别 + MVCC（多版本并发控制） + 锁机制 来实现的。

SQL 标准定义了 4 种隔离级别（MySQL 都支持）：

1. 读未提交 (READ UNCOMMITTED)
   • 能读到别的事务未提交的数据（脏读）。
   • 几乎没隔离，效率最高。
2. 读已提交 (READ COMMITTED)
   • 只能读到别的事务已提交的数据。
   • Oracle、PostgreSQL 默认级别，避免脏读，但会出现不可重复读。
3. 可重复读 (REPEATABLE READ)
   • MySQL 默认级别。
   • 在同一个事务里，多次读同一行结果一致（避免不可重复读）。
   • InnoDB 在此级别下还能避免幻读（通过间隙锁）。
4. 串行化 (SERIALIZABLE)
   • 所有事务串行执行（加锁），最安全但效率最低。

4）持久性（Durability）：事务一旦提交或回滚，它对数据库中的数据的改变就是永久的。

事务的四大特性简称为：ACID

第一、二、三范式含义

第一范式：

表中每一列（字段）都必须是原子性的，不能再拆分。

反例：

第二范式：

在满足 1NF 的基础上，非主键字段必须完全依赖于主键（如果表的主键是复合主键，则非主键字段必须完全依赖于整个主键，不能只依赖主键的一部分）。

反例：

主键是（学号, 课程号）

• “成绩”依赖于（学号, 课程号） → ✅ 完全依赖
• “学生姓名”只依赖于学号 → ❌ 部分依赖（不满足 2NF）

关键是需要学号+课程号才能确定一条记录，缺一不可，而这里只需要学号这个姓名就确定了！！！

正确做法：

拆成两张表：

学生表（student）

成绩表（score）

→ 消除部分依赖，满足 2NF。

第三范式

必须先满足 2NF；非主键字段必须直接依赖于主键，不能存在传递依赖。

反例：

这里：

• “系编号”依赖于“学号”（主键）；
• “系名称”依赖于“系编号”； → “系名称”间接依赖于主键（学号），出现传递依赖，不满足 3NF。

正确做法：

拆成两张表：

学生表（student）

系别表（department）

→ 消除了传递依赖，满足 3NF。

B+树结构

计算三层B+树大致存多少数据：

数据页大小：16KB（16384字节） 单条记录大小：1KB（主键+数据，实际通常更小）

内部节点存储内容：指向子节点的指针 + 索引键 指针大小：6字节 索引键大小：8字节（bigint类型）

计算：

叶子节点层（第三层）：每个叶子节点页可存储记录数：16KB ÷ 1KB = 16条

每个中间节点页可指向的子节点数：16 × 1024 ÷ (6 + 8) = 1170个

根节点可指向的中间节点数：1170个

1170 × 1170 × 16 = 21,902,400条，一棵三层的B+树在MySQL中可存储约2000万条记录

1. 非叶子节点（Internal Node）

• 作用：索引导航，决定往哪个子节点走。
• 内容
  • 键值（key，可能是单列值，也可能是联合索引的前缀组合值）。
  • 子节点指针。
• 特点
  • 非叶节点里的键值是**“分隔键”**，用于划分范围。
  • 不是表里的真实记录，不存完整数据，也不存主键。

它就像一本书的目录，告诉你“第 1-100 页是 A，101-200 页是 B”。

2. 叶子节点（Leaf Node）

• 聚簇索引 (PRIMARY KEY)：叶子节点存整行数据（所有列）。

• 二级索引

  • 叶子节点存 索引列 + 主键值

  • 因为二级索引不是数据行存储的地方，需要主键值才能回表。

• 联合索引：叶子节点存 (col1, col2, …, colN) + 主键值。

它就像图书馆的书架，摆放着书的完整信息（至少包含你要定位的索引列 + 主键）。

3. 排序 & 查找规则

• 联合索引按

  字典序排序

  • 先比第一列；
  • 相同再比第二列；
  • 相同再比第三列；
  • …依此类推。

• 查找过程：

  • 在非叶子节点里二分定位范围；
  • 进入叶子节点，顺序扫描（或精确匹配）到目标记录。

节点内部查找

页目录分了多个槽，每个槽都指向对应一个分组内的最后一条记录，每个分组内都会包含若干条记录。

通过二分查询，利用槽就能直接定位到记录所在的组，从而就能获取到对应的记录。

举个例子，现在有5个槽，如果想查找主键为3的记录，此时的流程是：

1）通过二分得到槽的中间位置，low=0，high=4，(0+4)/2=2；

2）通过槽定位到第二个分组中的主键为4的记录，4大于3，low=0不变，high=2；

3）继续二分（0+2)/2=1；槽1中主键2小于3，low=1，high=2；

4）此时high-low=1，可以确定值在high即槽2中，但是槽2只能定位到主键为4的记录，又因为槽之间是挨着的，所以可以得到槽1的位置，从槽1入手拿到主键2的记录，然后因为记录是通过单向链表串起来的，往下遍历即可定位到主键3的记录。

聚簇索引和二级索引

聚簇索引和二级索引都用 B+ 树实现，区别在于叶子节点存的内容。聚簇索引的叶子节点存整行数据，所以查主键不需要回表；而二级索引的叶子节点只存索引列和主键值，如果要取不在索引里的列，就要用主键回表去聚簇索引查数据。

什么是最左匹配原则？

当你为多列创建复合索引时，例如：

CREATE INDEX idx_d_b_a ON test_optimizer(d, b, a);

索引本质是按照 (d, b, a) 这个顺序生成的 B+Tree。只有从最左边的列开始，连续的条件才能被索引用上。 一旦中间某一列无法利用，就会“断掉”，后面的列通常用不上。

针对的是查询条件的顺序。

例子1：

WHERE b=1 AND a=123

没有 d 的条件,最左列 d 没匹配 → 索引基本用不上

例子2：

WHERE d=10 AND a=123

有 d，但缺了中间的 b。索引利用度仅止于 (d)。

例子3：

WHERE d = 5 AND b > 10 AND a = 123

d = 5 用上了索引，b > 10 也能用上索引，但是由于b是范围索引，因此后面的a = 123 不能再走索引查找，只能在扫描结果里再做过滤。

关键总结！！！

WHERE 子句的顺序无关紧要。

索引的定义顺序才重要（最左列必须命中，才能往后用）。

一旦遇到 范围条件(b>1)，匹配就停止，后续列不能再用于索引过滤，但可以用于覆盖索引。因为b>1的结果集已经是一整片连续范围，需要顺序扫描，不可以用a 来做定位了

还可以用于索引下推过滤！！！

什么是覆盖索引？

查询所需要的字段（包括 SELECT 的列和 WHERE 条件中用来过滤的列）都能在某一个索引里找到，这样数据库只需扫描索引，不用回表访问数据行。

非覆盖索引：索引只能帮你定位行，还得回到表里再取其他字段。

覆盖索引：索引里就有全部需要的列，直接返回，不用回表。

举例1：

CREATE TABLE user (
  id INT PRIMARY KEY,
  name VARCHAR(50),
  age INT,
  city VARCHAR(50)
);

CREATE INDEX idx_age_city ON user(age, city);

SELECT city FROM user WHERE age = 30;

需要的列是 age（用于条件）和 city（用于结果）。

这两个列都在 idx_age_city 里。所以查询只访问索引即可，覆盖索引。

举例2：

SELECT name FROM user WHERE age = 30;

过滤用的 age 在索引里。但查询要返回 name，而 name 不在索引里。必须回表去拿 name，所以不是覆盖索引。

索引下推

把本来需要在回表之后才能判断的条件，尽量提前“下推”到索引扫描阶段，用索引本身的数据来过滤掉更多无效行。

例一：

CREATE TABLE user (
  id INT PRIMARY KEY,
  name VARCHAR(50),
  age INT,
  city VARCHAR(50),
  KEY idx_age_city (age, city)
);

SELECT id FROM user WHERE age > 30 AND city = 'Beijing';

MySQL 5.5 及以前：

使用 age > 30，在索引里做范围扫描，得到一批候选主键 id。

回表（访问聚簇索引/数据页），再判断 city='Beijing' 是否成立。 换句话说，只有最左前缀能利用索引，后续条件只能在回表之后判断。这会带来大量“无效回表”，I/O 消耗很大。

MySQL 5.6 之后：

用 age > 30 在索引里做范围扫描。

在扫描索引的过程中，直接判断索引里是否满足 city='Beijing'。 因为 (age, city) 索引的叶子节点里就有 city 的值。

只有满足两个条件的行，才去回表拿 id。

例二：

-- 索引
CREATE INDEX idx_zip_last_addr ON people(zipcode, lastname, address);

-- 查询
SELECT * 
FROM people
WHERE zipcode='95054'
  AND lastname LIKE '%etrunia%'
  AND address LIKE '%Main Street%';

**无索引下推：**lastname LIKE '%etrunia%'，注意 % 前缀通配，不能利用 B-Tree 前缀有序性，因此这一步索引无法继续用来缩小范围，索引利用度其实只到第一列 (zipcode)。理论上这会退化成： “找到 zipcode=95054 的所有记录 → 回表 → 再判断 lastname 和 address 条件”。

使用索引下推：MySQL 在扫描 (zipcode, lastname, address) 索引时，已经能拿到 lastname 和 address 的值，因为它们就在复合索引的叶子节点上。

即使 lastname/address 不能帮你缩小索引扫描范围，MySQL 也可以把它们的过滤条件“下推”到索引扫描阶段：

• 扫描到某条 zipcode=95054 的索引记录时，立刻在索引层检查 lastname LIKE '%etrunia%' AND address LIKE '%Main Street%'。
• 如果不满足，就直接丢掉，不去回表。
• 只有满足的记录才回表取出 *。

ICP 的触发条件总结

在 MySQL 里，索引下推的触发条件大致是：

1. 使用了二级索引扫描（ICP 对主键聚簇索引没意义，ICP的核心意义就是减少回表次数）。
2. 查询条件涉及的列都包含在索引中。
3. 某些列因为最左匹配或范围条件导致不能直接用于索引定位，但它们的值在索引叶子节点里存在，可以被“下推”来过滤。
4. ICP 必须在叶子节点做，因为只有叶子节点才有“完整的、逐条的索引值”。

索引失效的情况

1）对索引列做了函数/计算/表达式

2）模糊匹配以通配符开头

3）不等于和范围条件的特殊情况

WHERE status != 1
WHERE a = 1 AND b > 5 AND c = 3

如果有 (a, b, c) 联合索引，c 就失效了，因为范围查询（b > 5）后索引顺序性被破坏。

4）OR 条件

WHERE id = 1 OR name = 'Tom'

如果 id 和 name 都有索引，可能无法同时利用，MySQL 会选择走一个或直接全表扫描。

5）优化器选择了全表扫描

即使你建了索引，但全表扫描比走索引更快时，MySQL 会直接放弃索引，比如：

• 表数据很少
• 过滤条件选中率高（几乎全表都要返回）

6）最左前缀原则

-- 有联合索引 (a, b, c)
WHERE b = 2 AND c = 3    -- 索引失效，因为没有用到 a

MySQL 大数据排序（ORDER BY）实现机制

MySQL 处理大数据排序时，会根据数据量大小和可用资源采用不同的策略，主要涉及两种核心算法：内存排序和外部排序。

一、排序基本流程

1. 确定排序字段和顺序
2. 读取需要排序的数据
3. 根据数据量选择排序算法
4. 将排序后的数据返回客户端

二、排序模式（sort_mode）

通过 EXPLAIN的 Extra字段可以查看排序模式：

三、大数据排序实现策略

1. 内存排序（单路排序）

适用场景：

• 排序数据量 < sort_buffer_size
• 查询字段较少（特别是使用 LIMIT时）

特点：

• 一次性读取所有需要排序的字段（select *）

  SELECT * FROM employees ORDER BY salary DESC; -- 示例：需要读取所有列
  

  当使用覆盖索引时：

  -- 示例：索引覆盖了查询字段
  CREATE INDEX idx_salary_name ON employees(salary, name);
  SELECT name, salary FROM employees ORDER BY salary;
  

• 在内存中快速排序（通常使用快速排序）

• 无需临时文件

配置参数：

SET sort_buffer_size = 4M;  -- 默认值通常为256K-2M

2. 外部排序（双路排序）

适用场景：

• 排序数据量 > sort_buffer_size
• 包含 TEXT/BLOB等大字段

实现过程：

1. 第一次扫描：只读取排序字段和行指针rowid

   -- 假设employees表有10万行数据
   SELECT name FROM employees ORDER BY salary DESC;
   

   强制分阶段读取，即使查询name，第一阶段还是只读取salary和rowid

2. 内存排序：对这些指针进行排序

3. 第二次扫描：根据排序结果回表读取完整数据

4. 多轮归并：如果数据极大，会使用多路归并算法

Mysql8.0为什么移除缓存

工作原理：

1. 当执行一个 SELECT语句时，MySQL 会先计算该语句的“哈希值”作为键（Key）。
2. 然后检查查询缓存中是否存在这个键。
3. 如果存在（即缓存命中），则直接返回缓存的结果集，完全跳过解析、优化和执行等所有后续步骤，效率极高。
4. 如果不存在（即缓存未命中），则正常执行查询流程，并将执行得到的结果集存储到查询缓存中，以便下次使用。

性能原因：

1：严重的锁竞争，查询缓存有一个全局锁（lock_query_cache）。任何试图访问查询缓存的操作（检查缓存或失效缓存）都需要先获得这个全局锁。

2.缓存失效策略过于粗暴，缓存失效是以“表”为粒度的。只要表有任何变动，所有涉及到该表的查询缓存，无论其具体内容是否真的被影响，都会被全部清除。

insert操作背后执行了什么？

1.客户端发送 SQL

应用端通过 **连接器（Connector）**先通过 JDBC 连接建立连接，此时进行账号验证。 把 INSERT ... 语句发送给 MySQL 服务器。

2.语法解析 & 优化

词法分析是哪种执行语句，SELECT还是INSERT..语法分析SQL 语法是否正确

优化器决定具体执行计划（比如选择哪个索引、怎样写数据）。

3.执行器

打开目标表（Table handler）。

检查当前用户是否对目标表有相应权限（如 INSERT 权限）。

检查表的读写锁、元数据锁。

准备调用存储引擎写数据。

4.写入存储引擎

写入 Buffer Pool（内存缓存）：新行先写入缓冲区，而不是直接落盘。

更新索引结构：修改 B+ 树，把新记录插入主键索引和必要的二级索引。

5.日志记录

为了保证 崩溃恢复和事务一致性，InnoDB 会记录两类日志：

1. Redo Log（重做日志）
   • 记录“做了什么修改”。
   • 先写入 redo log buffer，再刷到磁盘（prepare → commit 两阶段提交）。
   • 事务提交后，redo log 不会马上清空，而是被标记为“已提交”，之后可以被覆盖（循环写，固定大小的 log file）。
2. Undo Log（回滚日志）
   • 记录“如何撤销修改”，保证事务回滚时能恢复。
   • 存在系统表空间或 Undo 表空间里。
   • 提交后，Undo Log 并不会立刻删除，因为可能有其他正在执行的快照事务还需要它。

6.返回结果

当 redo log 写入成功，并且 binlog 写入成功（双写保证），事务提交成功。

Mysql二阶段提交

binlog的作用:

1）数据恢复。binlog 会记录所有修改数据的 SQL 语句或行事件（如 INSERT、UPDATE、DELETE 等）。

当数据库崩溃或需要恢复到某个时间点时，可以先恢复最近一次完整备份，再通过回放 binlog 中的事件，将数据恢复到指定时刻。

2）主从复制。主库将写入操作记录在 binlog，从库通过 I/O 线程 读取 binlog，再由 SQL 线程 重放这些事件，实现主从数据同步。

二阶段提交的两个阶段：

• 准备阶段（Prepare Phase）：在事务提交时，MySQL 的 InnoDB 引擎会先写入 redo log，并将其状态标记为 prepare，表示事务已经准备提交但还未真正完成。此时的 redo log 是预提交状态，还未标记为完成提交。
• 提交阶段（Commit Phase）：当 redo log 的状态变为 prepare 后，MySQL Server 会写入 binlog（记录用户的 DML 操作）。binlog 写入成功后，MySQL 会通知 InnoDB，将 redo log 状态改为 commit，完整整个事务的提交过程。

为什么需要二阶段提交

如果没有二阶段提交，关于这两个日志，要么就是先写完 redo log，再写 binlog，或者先写 binlog 再写 redo log。我们来分析一下会产生什么后果。

1) 先写 redo log，再写 binlog

redo log 已经落盘 → 主库事务恢复时能看到数据。但 binlog 还没写入 → 从库永远不会收到这个事务。

结果：主库比从库多一条数据（主库领先，从库落后）。

2) 先写 binlog，再写 redo log

binlog 已经写入 → 从库收到并重放事务。但 redo log 没写入 → 主库宕机恢复后，事务回滚，数据丢失。

结果：从库比主库多一条数据（从库领先，主库落后）。

有了二阶段提交，MySQL 异常宕机恢复后如何保证数据一致呢？

情况 1：redo log = prepare，binlog 未写入 崩溃恢复时，因为 redo log 没有 commit，binlog 也没记录 → 事务直接回滚，数据一致。

情况 2：redo log = prepare，binlog 已写入但 redo log 未 commit 崩溃恢复时，对比 redo log 与 binlog：一致就提交，不一致就回滚。

所以才需要 **两阶段提交（2PC）**让 redo log 和 binlog 的提交状态严格绑定，要么一起成功，要么一起失败，保证主从一致。

MVCC

多版本并发控制。

ungo log

1）当你执行 insert (1, XX) 时，除了在表里存储 ID 和 name，还会自动记录两个隐藏字段：

• trx_id：事务 ID。

• roll_pointer：指向对应的 undo log。

这个 undo log 是一条类型为 TRX_UNDO_INSERT_REC 的日志，表示它是由 insert 操作产生的。undo log 会保存主键等必要信息，如果事务回滚，InnoDB 就能根据这些信息删除对应记录，从而恢复到执行前的状态。

2）当事务 1 提交后，另一个事务（事务 ID=5）执行 update id=1 时，新的记录会带有 trx_id=5 和新的 roll_pointer，同时生成一条新的 undo log。

这条 undo log 类型是 TRX_UNDO_UPD_EXIST_REC，它会保存：

• 旧的 trx_id

• 旧的 roll_pointer

• 被修改前的字段值（比如 name 原本是 XX）

旧值 → 用于回滚。

old_trx_id + old_roll_pointer → 用于构建版本链，支持 MVCC 下的一致性读。

与 insert 的 undo log 不同：

• insert 生成的 undo log 在事务提交后就会被清理（因为不会有人需要看到插入之前不存在的版本）。
• update 生成的 undo log 则会保留一段时间，用于回滚和多版本并发控制（MVCC，其他事务可能还需要访问旧值）。

3）又有id=11的事务执行 update yes where id=1

ReadView

readView 用来判断 某个版本的数据 对当前事务是否可见。 它依赖四个核心概念：

1. creator_trx_id：当前事务 ID。
2. m_ids：生成 readView 时，系统里所有未提交事务的 ID 集合。
3. min_trx_id：m_ids 中最小的事务 ID。
4. max_trx_id：生成 readView 时，系统将分配给下一个事务的 ID（比现有所有事务 ID 都大）。

注意，如果一个事务是查询，它的creator_trx_id 为0

可见性判断流程

判断逻辑是：从最新版本开始，沿着版本链往回找，遇到第一个符合条件的版本就返回。

具体条件：

1. trx_id = creator_trx_id → 说明是当前事务自己修改的，可见。
2. trx_id < min_trx_id → 修改这个数据的事务在 readView 生成前就提交了，所以可见。
3. min_trx_id ≤ trx_id < max_trx_id：
   • 如果 trx_id ∈ m_ids（事务未提交），不可见。
   • 如果 trx_id ∉ m_ids（事务已提交），可见。
4. trx_id ≥ max_trx_id → 说明修改事务在 readView 生成时还没开始，所以不可见。

读已提交下的MVCC

场景说明：

• 事务 1 已经提交。

• 事务 5 执行了 update，但还没提交。

• 此时新开一个事务（事务 ID=6），去查询 select name where id=1。

readView 的关键参数：

• creator_trx_id = 6 → 当前查询事务的 ID。

• m_ids = {5,6} → 活跃事务 ID 集合（未提交的事务）。

• min_trx_id = 5 → m_ids 中最小值。

• max_trx_id = 7 → 下一个待分配事务 ID。

查询过程：

1. 查询到 id=1 的最新版本，其 trx_id=5。
   • 不小于 min_trx_id，说明不是历史提交版本。
   • 又在 m_ids 集合里，说明事务 5 还没提交。
   • 所以这个版本 不可见。
2. 根据 roll_pointer 追溯到上一个版本（undo log）。
   • 该版本 trx_id=1，小于 min_trx_id=5，说明生成 readView 时它已经提交。
   • 所以这个版本 可见。

然后事务 5 提交

此时再次查询 select name where id = 1，这时候又会生成新的 readView。

• 此时 creator_trx_id 为 0，因为还是没有修改操作。
• 此时 m_ids 为 [6]，因为事务 5 提交了。
• 此时 min_trx_id 为 6。
• 此时 max_trx_id 为 7，此时没有新的事务申请。

同样还是查询的是 ID 为 1 的记录，所以还是先找到 ID 为 1 的这条记录，此时的版本如下

此时最新版本的记录上 trx_id 为 5，比 min_trx_id 小，说明事务已经提交了，是可以访问的，因此返回结果 name 为 NO。

可重复读下的MVCC

可重复读和读已提交的 MVCC 判断版本的过程是一样的，唯一的差别在生成 readView 上。

上面的读已提交每次查询都会重新生成一个新的 readView，而可重复读在第一次生成 readView 之后的所有查询都共用同一个 readView。

套用上面的情境，差别就在第二次执行 select name where id = 1，不会生成新的 readView，而是用之前的 readView，所以第二次查询时：

• m_ids 还是为 [5,6]，虽说事务 5 此时已经提交了，但是这个 readView 是在事务 5 提交之前生成的，所以当前还是认为这两个事务都未提交，为活跃的。
• 此时 min_trx_id 为 5。

Mysql如何解决幻读

在标准 SQL 隔离级别中，可重复读（REPEATABLE READ）理论上仍可能出现幻读，但在 MySQL 的 InnoDB 引擎中，它“额外”解决了幻读问题。

在 InnoDB 的实现里，可重复读级别下结合了两种机制：

MVCC（多版本并发控制） + Next-Key Lock（间隙锁）

普通 SELECT（非锁定读）

使用 MVCC（快照读）。

快照读是通过 ReadView 实现的：事务第一次查询时生成一个一致性视图，之后所有查询都基于这个 ReadView。

因此，即使别的事务插入了新行，当前事务的 ReadView 里看不到它们。

锁定读

如 SELECT ... FOR UPDATE 或 UPDATE、DELETE，也即当前读，能用快照，因为要修改数据。

此时 InnoDB 使用 Next-Key Lock（行锁 + 间隙锁） 来防幻读。

它不仅锁住已存在的记录，还锁住记录之间的“间隙”。

SELECT * FROM user WHERE age BETWEEN 20 AND 30 FOR UPDATE;

InnoDB 会加锁：

• 记录本身（20、30）→ Record Lock
• 区间 (10,20)、(20,30)、(30,∞) → Gap Lock

这样其他事务：

• 不能在这些区间内插入新记录；
• 从而避免“幻影行”出现在当前事务的查询结果里。

Explain查询优化

EXPLAIN 会展示执行计划的关键信息，常见字段有：

• id：查询中执行步骤的顺序和嵌套关系，id 越大优先级越高。
• select_type：查询的类型，比如 SIMPLE、PRIMARY、SUBQUERY、DERIVED 等。
• table：当前访问的表。
• type：最关键，表示表的访问方式，也就是执行效率。
• possible_keys / key：优化器认为可能使用的索引、实际使用的索引。
• rows：预计扫描的行数，越少越好。
• filtered：返回记录的百分比。
• Extra：额外信息，比如 Using index（覆盖索引）、Using where、Using filesort（额外排序）、Using temporary（临时表）。

type 的性能排序（从好到差，大致顺序）

• system：表只有一行（特殊情况）。

• const：通过主键/唯一索引等一次命中。（单表直接查唯一值。）

  CREATE TABLE user (
    id INT PRIMARY KEY,
    email VARCHAR(100) UNIQUE,
    name VARCHAR(50)
  );
  
  EXPLAIN SELECT * FROM user WHERE id = 1;
  -- type = const
  

• eq_ref：唯一索引等值连接。（多表 join 时）

• ref：普通索引等值匹配,返回多行。

  CREATE TABLE product (
    id INT PRIMARY KEY,
    category_id INT,
    KEY idx_category(category_id)
  );
  
  EXPLAIN SELECT * FROM product WHERE category_id = 10;
  -- type = ref
  

• range：索引范围扫描（BETWEEN、> < 等）。

  EXPLAIN
  SELECT * FROM product WHERE category_id BETWEEN 1 AND 5;
  -- type = range
  

• index：全索引扫描（比全表稍好）。

  EXPLAIN SELECT category_id FROM product;
  -- 如果只扫索引列，不回表，type = index
  

• ALL：全表扫描（最差）。

mysql查询优化

如果查询性能出现问题，我会分层次地进行优化：

首先是 单库层面 的优化，我会通过慢查询日志配合 EXPLAIN 分析执行计划，定位慢 SQL 的具体瓶颈。 针对问题语句，会从 索引设计 入手，比如调整索引结构（如建立组合索引、覆盖索引），避免索引失效，或者通过 SQL 改写减少全表扫描和不必要的排序、临时表。

其次，在业务层面，我会引入 缓存机制（如 Redis），对热点数据进行缓存，降低数据库的读压力，并合理设置缓存策略防止缓存穿透和雪崩。

如果单库性能已达到上限，我会考虑 架构层面的优化，例如：

• 通过 读写分离 提升并发读性能；(主从集群)
• 使用 分库分表 或 冷热数据拆分，解决数据量和并发量增长带来的性能瓶颈；
• 必要时配合异步化、消息队列等手段削峰填谷，进一步提升系统整体吞吐能力。

Mysql删除数据的三种方法

• DELETE：删行，可加条件，事务可回滚。
• TRUNCATE：清空表，比 DELETE 快，不能回滚。
• DROP：连表带结构一起删。

MySQL InnoDB 常见锁对比

插入意向锁 之间一般不冲突，与间隙锁/临键锁会冲突。

什么是乐观锁？

乐观锁是一种“并发控制策略”。

核心思想：

“我认为别人不会改数据，所以我不加锁，更新时再检查一下数据有没有被改过。”

这个思想可以应用在不同层面上：

• 数据库层（通过 SQL + version 字段）
• Java 应用层（通过 CAS、版本号、时间戳等）

数据库层：

在表里加一个字段（version 或 update_time），在 UPDATE 语句时加上版本检查条件

UPDATE user
SET balance = balance - 100, version = version + 1
WHERE id = 1 AND version = 5;

Java 层

AtomicInteger counter = new AtomicInteger(0);
counter.compareAndSet(expectedValue, newValue);

compareAndSet() 方法就是典型的乐观锁：

• 它假设没有其他线程改过值；
• 如果值没被改（expectedValue 一致），就更新成功；
• 否则失败（需要重试）。

数据库连接池的底层原理

数据库连接是重量级资源，创建一次 TCP 连接 + 认证 + 分配资源的开销很大，如果每个请求都新建/销毁连接，性能会非常差。因此我们用连接池事先创建好一定数量的连接，后续请求直接复用，减少连接建立开销。

1）预创建与池管理

启动时按配置创建一定数量的连接放到池子里（最小空闲连接数）

用一个容器保存这些连接（常见是阻塞队列）。

2）连接借出与归还

当业务线程需要访问数据库时：

• 若池中有空闲连接 → 直接取出使用；
• 若没有空闲连接但尚未达到最大连接数 → 动态创建新连接；
• 若已达上限 → 等待连接归还或超时报错。

3）并发控制

连接池内部通过 锁（ReentrantLock） 或 CAS + 队列机制 实现高并发下的借还操作安全。 某些连接池（如 HikariCP）采用 无锁队列 + 原子操作 来提升并发性能。

4）健康检查与回收

连接池会周期性地检测空闲连接是否可用：

• 若连接失效（网络断开、超时） → 自动销毁并重建；
• 若连接长期空闲 → 主动回收，避免“僵尸连接”；
• 同时维持池中连接数在配置的最小/最大区间内，防止资源浪费或过载。

5）超时和泄露检测

设置获取连接超时，防止线程长时间阻塞；

某些连接池（如 Druid、HikariCP）支持 连接泄露检测，当连接长期未归还时，会自动打印警告日志，帮助排查潜在问题。

多表查询

students（学生表）

classes（班级表）

teachers（教师表）

问：想查询每个学生的姓名、班级名称，以及对应的教师姓名。

SELECT 
    s.name AS student_name,
    c.class_name,
    t.teacher_name
FROM 
    students AS s
JOIN 
    classes AS c ON s.class_id = c.class_id
JOIN 
    teachers AS t ON c.teacher_id = t.teacher_id;

杂项

UTF-8

1）UTF-8是编码规则，本身与编程语言无关。

也就是说：“你” 在 UTF-8 下一定是 E4 BD A0（3 个字节）；不会因为语言不同而改变。

2）UTF-8 对于前 128 个字符（U+0000～U+007F）与 ASCII 完全相同。

UTF-8 是“可变长度”的编码

一个英文字符串：Hello 共5个字节。

中文：你好 共6个字节。

UTF-8和JAVA中的Char有关系吗

UTF-8 是“编码规则”，规定一个字符对应的字节序列（1～4 字节）

char 是“Java 的数据类型”，决定的是“Java 内存里一个字符占多大空间”。在java中，char 类型在 内存中永远占用 2 个字节（16 位）；它存储的是 Unicode 编码值的 UTF-16 单元。

中文在 UTF-8 编码下是 3 个字节，但那是外部存储格式； Java 内部使用 UTF-16，每个 char 是 2 字节的 Unicode 码单元， 中文（U+4E00–U+9FFF）都在基本平面范围内，用一个 char 就能表示。

例1️⃣ 英文字母

字符：A

例2️⃣ 中文字符

字符：你 （Unicode U+4F60）

MyBatis

JDBC 与 MyBatis 的关系

简单说：

MyBatis 的底层就是在帮你自动调用 JDBC 接口（包括 Statement、Connection、ResultSet）。

例如：

@Select("SELECT * FROM user WHERE id = #{id}")
User selectById(int id);

MyBatis 实际做的就是：

1. 从连接池拿到一个 Connection
2. 创建一个 PreparedStatement（预编译语句对象）
3. 执行 SQL 并拿到 ResultSet
4. 映射结果到 User 对象
5. 关闭资源

PreparedStatement（预编译语句对象）：

• 是 JDBC 提供的一种 预先编译好 SQL 模板、可重复执行 的对象。

• 防止 SQL 注入

ResultSet（结果集对象）

• 数据库返回的数据表（查询结果）的 Java 视图。

MyBatis的缓存机制

怎样算在同一个sqlsession:

1.同一个对象实例

SqlSession session = sqlSessionFactory.openSession();
UserMapper mapper1 = session.getMapper(UserMapper.class);
UserMapper mapper2 = session.getMapper(UserMapper.class);
// mapper1 和 mapper2 使用的是同一个 SqlSession

2.在同一个事务范围内

@Transactional
public void processOrders(List<Order> orders) {
    for (Order order : orders) {
        User user = userMapper.findById(order.getUserId());
        // 处理订单逻辑
    }
}

一级缓存（本地缓存）

1. 作用范围：SqlSession 级别（默认开启）
2. 特点：
   • 同一个 SqlSession 中执行相同的 SQL 查询时，会直接从缓存中获取结果
   • 执行 INSERT/UPDATE/DELETE 操作或调用 commit()、close()、clearCache()时会清空一级缓存
3. 生命周期：与 SqlSession 相同

二级缓存（全局缓存）

存储位置：JVM 堆内存（SqlSession 内部的一个 HashMap）

1. 作用范围：Mapper 命名空间级别（需要手动配置开启）

2. 配置方式：

   <mapper namespace="...">
       <cache
           eviction="LRU"
           flushInterval="60000"
           size="512"
           readOnly="true"/>
       <select id="queryGroupBuyProgress" resultType="GroupBuyOrder">
           SELECT * FROM group_buy WHERE team_id = #{teamId}
       </select>
   </mapper>
   

3. 特点：

   • 多个 SqlSession 可以共享缓存
   • 缓存数据存储在内存中，可以配置存储到硬盘或其他存储介质
   • 执行 INSERT/UPDATE/DELETE 操作会清空对应命名空间的二级缓存

缓存工作流程

1. 查询顺序：二级缓存 → 一级缓存 → 数据库
2. 更新顺序：数据库 → 清空相关缓存

二级缓存的数据不一致情况：

1. SqlSession1 读取了数据A，并将其缓存
2. SqlSession2 将数据更新为B（这会清除二级缓存）
3. 但当SqlSession1再次读取时，如果配置不当，可能仍然从自己的缓存中获取到旧的A数据

Redis

Redis 是单线程的还是多线程的

Redis 6.0 之前

• 单线程模型：核心的网络 I/O 和命令执行都在一个主线程里完成。

  while (true) {
      # 1. 监听多个 socket 事件
      active_fds = epoll_wait();
  
      # 2. 依次处理每个就绪的 socket
      for fd in active_fds:
          readRequest(fd);     // 读网络数据
          processCommand(fd);  // 解析 + 执行命令
          sendReply(fd);       // 写回响应
  }
  

• 为什么单线程也快？

  • 纯内存操作；
  • 使用高效的 I/O 多路复用（epoll/kqueue）；
  • 数据结构高度优化；
  • 避免了线程切换和锁竞争。

• 多线程存在的位置：并不是彻底“单线程”，比如：

  • AOF 日志刷盘、RDB 持久化、复制等后台任务本来就是单独线程/子进程。
  • 但核心逻辑——请求解析、命令执行、结果返回——只有一个主线程。

Redis 6.0 之后

• 引入了 I/O 多线程，但本质上还是 “单线程为主 + 多线程辅助”：

  • 多线程做什么？ 主要用于 网络 I/O 的读写，即把请求数据从网络读入内存、把结果写回客户端。
    • 读 socket：从客户端读取数据到内存缓冲区。
    • 写 socket：把执行结果写回客户端。
  • 单线程仍然做什么？ 命令解析、数据结构操作、业务逻辑执行依然在主线程完成。
  • 好处：解决高并发场景下，网络读写成为瓶颈的问题。

Redis 的过期删除策略

基本策略

① 定时删除（Timer）

• 每个 key 设置过期时间时，都会创建一个定时器，到时间就立刻删除。
• 优点：内存能及时释放，不会有“脏数据”。
• 缺点：要维护大量定时器，CPU 消耗大，不适合 Redis 这种高性能场景。 Redis 实际上并没有采用纯定时删除。

② 惰性删除（Lazy）

• 客户端访问 key 时，Redis 会先检查它是否过期。
• 如果过期了，就先删除再返回“不存在”；如果没过期就正常返回。
• 优点：对 CPU 友好，只有访问时才检查。
• 缺点：如果有些 key 过期后从未被访问，就会一直占用内存。

③ 定期删除（Periodic）

• Redis 会定期（默认每 100ms）随机抽样部分设置了过期时间的 key，检查是否过期，如果过期就清理掉。
• 优点：在性能和内存之间折中，避免内存被过期 key 堆满。
• 缺点：清理不一定及时，依赖随机抽样，可能有遗漏。

实际采用的策略

Redis 实际上是 惰性删除 + 定期删除 两种策略结合：

• 惰性删除保证了“访问时不会读到脏数据”。
• 定期删除保证了“即便没人访问，也会逐渐释放内存”。

内存淘汰机制（兜底措施）

如果过期 key 清理不及时，导致内存占满，Redis 会触发 内存淘汰策略(7种）：

• noeviction：默认，直接报错，不再写入新数据。
• allkeys-lru：所有 key 中淘汰最久未使用的。
• volatile-lru：只在设置了过期时间的 key 中淘汰最久未使用的。
• allkeys-random：所有 key 中随机淘汰。
• volatile-random：只在设置了过期时间的 key 中随机淘汰。
• volatile-ttl：淘汰即将过期的 key（TTL 最短）。

Redis主从集群

Redis 主从架构通常用于 数据备份 和 读写分离 场景，非常适合 读多写少 的业务模型。

主节点（Master）：负责写操作和数据同步。

从节点（Slave）：负责读操作，数据由主节点异步复制过来。

1）如果判断redis从节点是第一次来建立连接？

Redis 主从同步依靠一个 复制 ID（replid） 来区分是否为第一次连接：

每个节点在启动时都会生成一个唯一的 replid，默认认为自己是主节点。

当执行 SLAVEOF 或 REPLICAOF 时，从节点会向主节点发起复制请求。

这时主节点会生成一个新的 replid，并把它同步给从节点。

之后：

• 如果从节点再次发起连接请求，携带的 replid 与主节点一致 → 表示是断线重连（增量复制）；
• 如果 replid 不一致 → 表示是第一次连接（全量复制）。

2）第一次来建立连接，怎么全量复制？

• 主节点执行 BGSAVE，生成一个 RDB 快照文件。

• 主节点将 RDB 文件发送给从节点，从节点清空现有数据，加载 RDB。

• 在加载完成后，主节点会把在此期间新增的命令日志（增量部分）发送给从节点， 确保数据最终同步。

3）Slave如果宕机，少执行一些命令咋办？

如果从节点中途宕机或网络短暂中断，不一定需要重新全量同步。 Redis 通过 复制偏移量 和 复制积压缓冲区 实现 增量复制：

• 复制偏移量（offset）： 主从双方各自维护一个偏移量，表示当前同步到的位置。
• 复制积压缓冲区（backlog）： 主节点在内存中保留一段最近写命令的缓存（默认大小 1MB）。

同步过程：

1. 从节点重连时会携带上次同步的 replid 和 offset；
2. 主节点检查 backlog 中是否包含这段缺失数据；
   • 若包含 → 增量复制：只发送缺失部分；
   • 若不包含（数据太久被覆盖） → 回退到全量复制。

RDB（快照）

方式：某个时间点，把 Redis 整个内存的数据写成一个二进制文件。

记录的是某一时刻的全量状态（snapshot）。

快照之间的所有写入操作不会被记录。

AOF（写日志）

方式：把 Redis 执行的每一条写命令，按顺序追加到日志文件（appendonly.aof）。

特点：

• 记录的是操作过程，几乎每条写入都能还原。
• 根据 appendfsync 配置：
  • always → 每次写命令都落盘，理论上不会丢任何写。
  • everysec（默认）→ 最多丢 1 秒内的写。
  • no → 可能丢更多，取决于 OS 缓冲。

backlog（复制积压缓冲区）

本质：Redis 主从复制用的一个内存环形缓冲区。

位置：只存在于 Master 节点的内存里。

内容：存放最近一段时间 Master 执行的 写命令流，不是持久化文件。

Redis主从+哨兵

哨兵本质是一个独立运行的进程，可以部署多个实例，形成一个哨兵集群。

它的作用有三个：

1. 监控：定期向主从节点发心跳，判断是否存活。
2. 通知：发现节点宕机，会通知客户端或者其他服务。
3. 自动故障转移：主节点宕机时，选举出一个新的主节点，并让其他从节点改为复制它。

工作流程

正常运行

• 主节点负责写，从节点负责读，哨兵不断检测主从的健康状态。

主节点故障

• 哨兵集群通过投票机制确认主节点不可用（超过一定数量的哨兵认为它下线）。
• 选举出一个从节点作为新的主节点。

故障转移

• 通知其他从节点去复制新的主节点。
• 通知客户端更新主节点地址，继续访问。

主观下线：某个 哨兵 觉得主节点不可达（可能是网络原因误判）。

客观下线：当 多数哨兵 都认为主节点不可达时，就进入“客观下线”状态，这个时候，才会真正发起故障转移流程。

Redis分片集群

分片集群可以看作多个主从集群+分片路由机制

哈希槽

Redis Cluster 并不是随便把 key 平均分到节点上，而是用 16384 个固定的哈希槽 (slot) 来管理。

每个 key 先经过哈希计算，然后被分配到某个槽，槽再映射到对应的节点。

路由机制：

1. 计算槽号
   • 算法：CRC16(key) % 16384
   • 即用 CRC16 算法对 key 做哈希，再取模 16384。
   • 得到一个槽号（范围 0 ~ 16383）。
2. 槽到节点的映射
   • 集群启动时，先看有几个主节点，会把 16384 个槽分配给不同的主节点。
   • 比如：
     • 节点 A 管理槽 0 ~ 5460
     • 节点 B 管理槽 5461 ~ 10922
     • 节点 C 管理槽 10923 ~ 16383
3. 定位节点
   • 客户端要访问一个 key 时，先算出槽号。
   • 然后根据槽分布表，找到负责这个槽的主节点，直接发请求过去。

缓存一致性

什么是Cache Aside Pattern？

更新数据库的同时更新缓存。

先删缓存再删数据库

线程A（右边）删除数据，先删Redis；此时换到线程B来查询，发现Redis为空，它去查mysql，查到了旧数据（线程A还没来得及删mysql），然后回写到redis中；此时A缓过神来，把mysql旧数据删除了。这样redis中有数据，但mysql中无，造成了数据的不一致。这种情况出现的概率比较大，因为线程B查询操作一般比线程A更新操作速度快！！！

先删数据库，再删缓存

线程A（左边）先查询redis，未命名，查mysql，查到了数据；此时换到线程B来删除数据，它先删mysql，再删缓存；再轮到A执行，它回写Redis。此时又出现了数据的不一致：redis中有脏数据，mysql中该数据被删了。但这种概率比较低，因此推荐该方法。

默认情况下这种出现概率极低，尽管出现也可以依靠TTL过期来达到最终一致性。如果实在想避免这种短暂的不一致，可以使用延迟双删策略，就是过一段时间后，再主动把缓存删除。

压缩列表

1. zlbytes(4字节)
   • 作用：记录整个压缩列表占用的总字节数。
   • 目的：用于内存重分配时，无需遍历整个列表即可知道需要分配多少内存。
2. zltail(4字节)
   • 作用：记录从压缩列表起始地址到最后一个节点（entry）的起始地址的偏移量。
   • 目的：允许程序直接定位到列表尾部，从而在尾部进行 push或 pop操作时非常高效，时间复杂度为 O(1)。
3. zllen(2字节)
   • 作用：记录压缩列表中包含的节点（entry）数量。
   • 注意：由于它只有 2 字节（16 位），最大能表示 2^16 - 1 = 65535。当节点数超过这个值时，这个字段的值会置为 65535，此时如果需要获取真实节点数，必须遍历整个列表。
4. entryX(可变长度)
   • 作用：存储实际数据的节点。每个节点可以存储一个字节数组或一个整数值。
   • 特点：为了节省内存，每个节点的长度是可变的，其结构设计得非常精巧（下文详述）。
5. zlend(1字节)
   • 作用：一个特殊的标记，用于标识压缩列表的结束。
   • 值：恒定为 0xFF（十进制 255）。

每个 entry由三部分组成，其长度都是可变的：

previous_entry_length（前一个节点的长度）

目的：有了这个字段，程序可以从列表的任意位置（特别是尾部）向前遍历。当前节点的地址减去这个长度，就能找到前一个节点的起始地址。

encoding（编码）

作用：这个字段非常关键，它同时编码了两方面信息：

1. content 中存储的数据类型（是整数还是字节数组？）
2. content 的数据长度（如果是字节数组）或整数值的具体类型（如果是整数）。

content（内容）

作用：实际存储节点的值，可以是一个字节数组（如字符串 "hello"）或一个整数值（如整数 10086）。

压缩列表是 “时间换空间” 的经典设计。它通过精巧的结构设计，用 CPU 计算时间来换取极致的内存节省。

在 Redis 中，它被用于存储少量、小体积的数据元素。例如：

• 当 Hash 类型的所有键值对都较小时，底层使用 ziplist。
• 当 List 的元素都是小字符串时，底层使用 ziplist。
• 当 Sorted Set 的元素数量和值都较小时，底层使用 ziplist。

跳表

跳表是一种 基于链表的多层有序数据结构，可以看作是“加了多层索引的有序链表”。

普通有序链表查找某个元素需要从头开始，时间复杂度是 O(n)。

跳表在链表基础上增加多级“跳跃索引”，让查找平均复杂度降低到 O(log n)，与平衡树接近。

查找

1.从最高层索引开始向右移动，直到下一个节点大于目标值。

2.向下一层继续搜索，重复以上过程。

3.最终在底层链表找到目标元素或确认不存在。

范围查询[x, y]：先定位起点x，再在底层链表顺序遍历，直至超过y。

注意：最底层完整链表被称为 第 0 层（Level 0），是必定存在的底层，包含所有元素。

插入

1.查找新元素应插入的位置。

2.在底层链表插入新节点。

3.通过随机算法（比如抛硬币）决定该节点是否“晋升”为上层索引。

• 晋升概率常设为 1/2，这样平均每层节点数减半，层数大约是 log n。

Zset底层数据结构

Redis 的 有序集合（ZSet） 就是通过 跳表（SkipList）+ 哈希表（HashMap） 组合实现的

哈希表：擅长根据 key 快速查找（O(1)）。

跳表：擅长根据 score 做排序、区间查找（O(log n) + O(k)）。

ZSet 的需求既要支持：

1. 通过成员名快速查分数（ZSCORE），
2. 根据分数范围排序输出（ZRANGEBYSCORE、ZREVRANGE 等）。

分布式锁

用什么命令实现锁？

SET key value NX EX seconds

NX：只有 key 不存在时才设置，避免被覆盖。

EX seconds：设置过期时间，防止死锁。 补充： PX 单位是毫秒

锁过期了怎么办？

看门狗机制:

获取锁时设置默认过期时间（比如 30s）。

后台启动一个定时任务（“看门狗”），每隔一段时间（如 10s）检查持锁线程是否还活着。

如果还在执行，就自动延长锁的过期时间，避免任务没跑完锁就过期。

如果线程挂了，看门狗也会消失，锁自然到期释放。

RedLock算法

1.Redis 使用 主从架构；线程 A 在 主节点（Master） 上执行：

SET lock_key mylock NX PX 10000

→ 成功获得锁；

2.Redis 异步复制机制下，主节点将这个写操作 异步发送 给从节点；

3.主节点宕机 💥，还没来得及把这条写命令同步给从节点；

4.Sentinel 或其他机制把从节点提升为新的 Master；

5.线程 B 在新的 Master 上执行：

GET lock_key

→ 发现这个锁不存在（因为没有复制过来）。

根本原因：Redis 主从复制是 异步 的，如果主节点在复制完成前宕机，从节点就会丢失那部分数据。

解决方案：

RedLock 红锁算法

不依赖主从复制，而是在**多个独立的 Redis 实例（推荐 5 个）**上分别加锁。只要在半数以上节点成功加锁（≥3），就认为加锁成功。

这样即使部分实例宕机，也能保证锁的可靠性。

RabbitMq

Rabbit mq怎么保证消息消费的顺序性？

想要最简单的严格顺序：单队列 + 单线程 + prefetch=1 就行，但吞吐拉胯、易被卡。

想要既有顺序又要并发：把 Key 做 hash→shard，每个 shard 单线程消费，不同 shard 并行，既保同 Key 有序，又能扩展。

消息顺序错乱的原因

1）多并发消费

多个消费者同时从一个队列拉消息执行（配置同一个queue），顺序就不可控了

虽然 msg1 在前面，但由于 msg2 执行更快，先被确认，所以“处理顺序”乱了。

2）重试回退（requeue）

失败的消息重新放回队列头或尾，扰乱原有顺序

3）批量预取（prefetch > 1）

消费者一次拿多个消息，哪条先被处理完就先 ack，顺序不再可靠。因为既然消费者批量拉取了，大概率是使用多线程来处理，那么多线程的话就不能保证顺序了！！！

分片 + 单线程消费

在高并发业务中，“要求顺序处理”的通常不是全部消息，而是同一个业务 key 的消息。按 key 有序的原理：“分片 + 单线程消费”

要求：

同一个 key（比如 userId = 123）内的消息，必须按照发送顺序处理

不同 key（userId = 123 vs 456）之间可以并行处理，不要求顺序

举例：假设你要处理 userId 相关消息，希望同一个用户按顺序消费

发消息时：

int shard = userId.hashCode() % 4;
发送到：queue.user.shard.0~3 之一

消费时：

queue.user.shard.0 → consumer0（串行处理）
queue.user.shard.1 → consumer1（串行处理）
...

效果：

userId=101 落到 shard 1，所有与之相关的消息在 consumer1 串行处理

userId=202 落到 shard 2，由 consumer2 处理，互不影响

但是以上简单 %N 改 N 会导致大规模迁移，可以使用一致性哈希来解决！

一致性哈希

1）环形空间，假设哈希函数输出的范围是一个 0~2³² 的整数，把它想象成一个“环”，把每个分片（或节点）映射到环上的一个点。

2）每个消息 key 也通过哈希函数算出位置，从该 key 的位置顺时针找到的第一个节点，就是它的归属节点。

3）如果增加一个新节点，只会接管它在环上“前一个节点 → 自己”区间的 key，其它区间的 key 不受影响。

核心步骤

1. 分片路由

   • 生产者按 key → shard 路由到不同队列：queue.user.shard.N。

   • 避免手写 %

     带来的重分片风暴，优先考虑：

     • 一致性哈希交换器（x-consistent-hash 插件）：只需设置队列权重=分片数，按 routing key 的 hash 自动路由。

2. 每分片单线程消费

   • 每个队列仅 1 个活跃消费者。
   • 设 prefetch=1，同一队列串行处理，避免并发导致“完成顺序≠入队顺序”。

3. 重试/失败处理（关键）

   • 不要直接 requeue 回原队列（会打乱顺序，甚至阻塞后续）。

   • 用 DLX + 延迟（TTL/延迟交换器）

     做“定时重试”。同一 key 的失败消息最好：

     • 要么“停到旁路队列”并报警（跳过这条，继续处理其它 key），
     • 要么“阻塞该分片直到重试成功/超时熔断”，以维持该 key 的顺序一致性。

   • 明确“毒丸消息”策略：重试 N 次后送到 死信队列，避免永久卡住分片。

4. 幂等与去重

   • 消费端必须幂等（包括重投递/重复确认场景）。为每条消息携带 msgId/版本号，落库前做去重/比序。

5. 可观测性

   • 监控每个分片队列的堆积、处理时延、失败率；对“热点分片”做自动告警。

注意：

1）数据库侧幂等，利用msgId唯一约束

2）redis侧幂等，SETNX msg:{msgId} 1 EX 86400

3）版本号比序（保证顺序），每条消息携带业务 key（比如 userId）+ 版本号（比如 orderVersion）；消费时，查库里该 key 的最新版本

背压机制

背压是一种 流量控制机制，当下游（消费者 / 处理器）处理不过来时，通知上游（生产者）减速或暂停，从而避免系统过载。

常见的背压机制

1）阻塞生产者

生产者往队列放消息，如果队列满了，阻塞等待。

BlockingQueue<String> queue = new ArrayBlockingQueue<>(1000);
queue.put("msg"); // 队列满时阻塞

2）丢弃或拒绝策略

队列满了，直接丢弃新消息，或者返回错误给生产者。RabbitMQ 中可以配置：

.overflow(QueueBuilder.OverflowPolicy.rejectPublish)

3）生产者端处理 publish 被拒绝

当队列满时，如果用了 rejectPublish 策略，生产者会收到异常：

try {
    rabbitTemplate.convertAndSend("order-queue", orderMessage);
} catch (AmqpException e) {
    // 背压触发：队列已满，生产者需要降速 or 丢弃
    Thread.sleep(100); // 简单降速
}

4）限流 (Rate Limit / Prefetch)

默认情况下，消费者会一次性接收尽可能多的消息

开发者需要显式设置：

channel.basicQos(50); // 每次最多取 50 条

表示消费者告诉 MQ：一次只给我 N 条，避免自己被压垮。这样消息会堆积在MQ的消息队列中！！

Git

git merge和git rebase的区别

git merge

• 把两个分支合并在一起，产生一个新的 merge commit。
• 保留了两个分支的提交历史。
• 历史可能会有「分叉」和「合并点」。

git rebase

• 把一个分支的提交“挪到”另一个分支上，好像在新的基底上重新提交一遍。
• 没有 merge commit，历史会更干净。
• 实质上是「修改历史」。

示例：

main:    A --- B --- C
                  \
feature:           D --- E

1）使用merge

git checkout main
git merge feature

Git 会生成一个 新的合并提交（merge commit），把两个分支的历史接到一起：

main:    A --- B --- C ------- F (merge commit)
                  \           /
feature:           D --- E ---

历史完整保留（能看到分支是怎么分叉和合并的）。

但历史中会有很多「叉路」，可能显得比较乱。

2）使用 rebase

git checkout feature
git rebase main

Git 会把 feature 的提交 D、E 拿下来，重新放到 main 的最新提交后面，好像是“重新提交”一遍：

main:    A --- B --- C
                          \
feature:                   D' --- E'