Kobe小东
1、goalng相关
Q：context作用，原理，超时控制
A: golang context的理解，context主要用于父子任务之间的同步取消信号，本质上是一种协程调度的方式。另外在使用context时有两点值得注意：上游任务仅仅使用context通知下游任务不再需要，但不会直接干涉和中断下游任务的执行，由下游任务自行决定后续的处理操作，也就是说context的取消操作是无侵入的；context是线程安全的，因为context本身是不可变的（immutable），因此可以放心地在多个协程中传递使用。
Q:切片和数组区别
A: 基础问题。
Q：channel关闭阻塞问题，goroutine如何调度，gopark是怎么回事？PMG模型描述，谁创建的PMG,runtime是怎么个东西，怎么启动第一个goroutine
A: golang CPS并发模型和PMG模型的理解。
Q：go逃逸分析怎么回事，内存什么时候栈分配什么时候堆分配
R: 内存方面问题，这个网上很多，自己理解完整正确。
Q：sync.Map实现原理，适用的场景
A:go 1.9 官方提供sync.Map 来优化线程安全的并发读写的map。该实现也是基于内置map关键字来实现的。
这个实现类似于一个线程安全的 map[interface{}]interface{} . 这个map的优化主要适用了以下场景：
（1）给定key的键值对只写了一次，但是读了很多次，比如在只增长的缓存中；
（2）当多个goroutine读取、写入和覆盖的key值不相交时。
更进一步，可看sync.Map源码。
Q：go语言有什么优点和缺点
A: 优势：容易学习，生产力，并发，动态语法。劣势：包管理，错误处理，缺乏框架。
Q：Go框架用过哪些，有看源码吗
A: 优势：beego，go-micro，gin等
Q：Go GC算法，三色标记法描述
A: 自己找，网上有
Q：Go内存模型(tcmalloc)
A：tcmalloc是线程缓存的malloc，实现了高效的多线程内存管理，用于替代系统的内存分配相关的函数
Q：行列都是有序的二维数组，查找k是否存在,时间复杂度
1 3 5 7 9
3 5 7 9 11
4 6 8 10 12
A：二分查找：O(log2（max(m,n)))
Q：有序数组，有2N+1个数，其中N个数成对出现，仅1个数单独出现，找出那个单独出现的数.,时间复杂度
1，1，2，2，3，4，4，5，5，6，6，7，7
答案为3
A: O(log2（2N))二分查找，查找中间位置的数相等值是在左边还是右边？左边则再左子数组继续查找，右边则在右子数组继续查找。
Q：100亿个数求top100,时间复杂度
A:分组查找或bitmap
Q：100亿个数和100亿个数求交集，时间复杂度
A: 全排列问题，自己找去
2、linux，操作系统
Q：Select/epoll，IO多路复用，底层数据结构，epoll的几个函数，两种模式
A: Select/epoll 问题，网上很多
Q：抢占式调度是什么回事
A: 进程优先级和时间分片等方面理解
Q：用户态和内核态
A: 系统态(内核态)，操作系统在系统态运行——运行操作系统程序
用户态(也称为目态)，应用程序只能在用户态运行——运行用户程序
3、mysql相关
Q：innodb和myisam区别(事务，索引，锁。。。)
A: 网上找
Q：B+树和B树区别，优缺点
A：B树每个节点都存储key和data，所有节点组成这棵树，并且叶子节点指针为null。只有叶子节点存储data，叶子节点包含了这棵树的所有键值，叶子节点不存储指针，顺序访问指针，也就是每个叶子节点增加一个指向相邻叶子节点的指针。
Q：B树和二叉查找树或者红黑色区别
A：基础数据结构问题
Q：聚簇索引什么特点，为什么这样，顺序查询的实现，回表查询，联合索引特性
A：
- 聚簇索引：将数据存储与索引放到了一块，找到索引也就找到了数据
- 非聚簇索引：将数据存储于索引分开结构，索引结构的叶子节点指向了数据的对应行，myisam通过key_buffer把索引先缓存到内存中，当需要访问数据时（通过索引访问数据），在内存中直接搜索索引，然后通过索引找到磁盘相应数据，这也就是为什么索引不在key buffer命中时，速度慢的原因
Q：大表分页查询,10亿行数据，查找第N页数据，怎么优化
A: 根据查询的页数和查询的记录数可以算出查询的id的范围，可以使用 id between and 来查询。
Q：悲观锁和乐观锁，mysql相关锁说一下
A:说下概念，其他网上找：
乐观锁（ Optimistic Locking）：对加锁持有一种乐观的态度，即先进行业务操作，不到最后一步不进行加锁，"乐观"的认为加锁一定会成功的，在最后一步更新数据的时候再进行加锁。
悲观锁（Pessimistic Lock）：悲观锁对数据加锁持有一种悲观的态度。因此，在整个数据处理过程中，将数据处于锁定状态。悲观锁的实现，往往依靠数据库提供的锁机制（也只有数据库层提供的锁机制才能真正保证数据访问的排他性，否则，即使在本系统中实现了加锁机制，也无法保证外部系统不会修改数据）。
Q：如何分库分表
A:
1）垂直分表
也就是“大表拆小表”，基于列字段进行的。一般是表中的字段较多，将不常用的， 数据较大，长度较长（比如text类型字段）的拆分到“扩展表“。一般是针对那种几百列的大表，也避免查询时，数据量太大造成的“跨页”问题。
2）垂直分库
垂直分库针对的是一个系统中的不同业务进行拆分，比如用户User一个库，商品Producet一个库，订单Order一个库。切分后，要放在多个服务器上，提高性能。
3）水平分库分表
将单张表的数据切分到多个服务器上去，每个服务器具有相应的库与表，只是表中数据集合不同。水平分库分表能够有效的缓解单机和单库的性能瓶颈和压力，突破IO、连接数、硬件资源等的瓶颈。
4、redis
Q：几种数据结构(list,set,zset,geohash,bitmap)实现原理
A:网上找
Q：pipline用来干嘛
A：pipeline的作用是将一批命令进行打包，然后发送给服务器，服务器执行完按顺序打包返回。
Q：事务
A: redis事务就是一次性、顺序性、排他性的执行一个队列中的一系列命令。
Q：备份(aof/rdb)原理，哪些参数可调
A:RDB是根据指定的规则定时将内存中的数据备份到硬盘上，AOF是在每次执行命令后命令本身记录下来，所以RDB的备份文件是一个二进制文件，而AOF的备份文件是一个文本文件。至于调参，网上可找。
Q：网络模型
A:redis网络模型，网上找，需要理解。
Q：为什么单线程就能hold住几万qps
A：I/O复用，Reactor 设计模式
Q：热点key怎么处理
A：1、热key加载到系统内存中，直接从系统内存中取，而不走到redis层。
2、redis集群，热点备份分布到集群中，避免单台redis集中访问。
Q：一致性hash解决什么问题
A:redis集群和负载均衡
Q：redis集群(主从，高可用，扩展节点)
A：网上找
5、kafka相关
Q：消息是否按照时间有序，kafka分区的数据是否有序，如何保证有序
A:不保证按时间有序，主题在单个分区是有序的。
如何保证有序？kafka topic 只设置一个分区，或者producer将消息发送到指定分区
Q：Kafka为什么吞吐量高
A：
1）顺序读写
kafka的消息是不断追加到文件中的，这个特性使kafka可以充分利用磁盘的顺序读写性能，顺序读写不需要硬盘磁头的寻道时间，只需很少的扇区旋转时间，所以速度远快于随机读写。
2）零拷贝
利用Linux kernel"零拷贝(zero-copy)"系统调用机制，就是跳过“用户缓冲区”的拷贝，建立一个磁盘空间和内存的直接映射，数据不再复制到“用户态缓冲区”。
3）分区
kafka中的topic中的内容可以被分为多分区存在，每个分区又分为多个段，所以每次操作都是针对一小部分做操作，很轻便，并且增加并行操作的能力。
4）批量发送
kafka允许进行批量发送消息，producter发送消息的时候，可以将消息缓存在本地,等到了固定条件发送到kafka
等消息条数到固定条数，一段时间发送一次。
5）数据压缩
Kafka还支持对消息集合进行压缩，Producer可以通过GZIP或Snappy格式对消息集合进行压缩
压缩的好处就是减少传输的数据量，减轻对网络传输的压力
Q：kafka的存储模型
A：网上找。
Q：Kafka消费者多个group消费同一个topic,会重复消费吗？
A：不会。
6、算法和数据结构问题:
Q：hash算法实现(类似crc32或者murmur)，保证随机性和均匀性，减少哈希冲突
A：考的是hash算法的了解，需要知道一些经典哈希算法实现。
7、动态规划相关
Q：100个球，一次只能拿2-5个，你先拿，我后拿，怎么保证你能拿到最后一个球
A：一次2-5，去掉先手，最后回合剩余7个即可保证拿到最后一个球。因此，先手拿2个，每一回合保证拿掉球的总数为7，即可。（100-2）/7=14回合。
Q：正整数数组，求和为sum的组合 换零钱，1,5,10元都很充足，给你N元去换零钱，多少种换法
A：算法题给定一个有n个正整数的数组A和一个整数sum,求选择数组A中部分数字和为sum的方案数，动态规划法。
Q：图的最短路径
A：网上找
8、项目问题
Q：遇到过内存溢出吗？怎么解决
A：主要了解有没有处理过内存泄漏导致的问题，C/C++定位内存泄漏问题；Golang和JAVA主要与GC的工作机制有关，堆内存一直增长，导致应用内存溢出等。
Q：布隆过滤器怎么设置m,n,k的值，怎么合理安排key(用户和item越来越多，怎么保证内存不会爆)
A：m,n,k 网上有实践经验，可参考。item越来越多的话，进行item的拆分，拆分本质是不要将 Hash(Key) 之后的请求分散在多个节点的多个小 bitmap 上，而是应该拆分成多个小 bitmap 之后，对一个 Key 的所有哈希函数都落在这一个小 bitmap 上。
Q：服务雪崩怎么处理，怎么解决保证不影响线上
A：限流，降级，熔断方面措施，结合后端系统架构阐述，如网关的限流和快速失败。
Q：redis和mysql数据一致性怎么保证
A：重点考虑业务逻辑上写和数据的流程（异常和错误处理等），结合MQ做异步重试处理。
Q：分布式锁应用场景，哪些坑
A：锁过期了，业务还没执行完；分布式锁，redis主从同步的坑；获取到锁后，线程异常。
?
?
欢迎关注公众号“橙狮软件”。
