1. Spring Boot Starter中spring.factories与自动配置类的关联逻辑？

思路

核心围绕“spring.factories的配置格式 + SpringBoot的加载机制”展开，解释“配置声明→加载扫描→条件生效”的完整链路。

回答示例

spring.factories是Starter实现自动配置的核心配置文件，关联逻辑如下：

1. 配置声明：在Starter的META-INF/spring.factories中，以org.springframework.boot.autoconfigure.EnableAutoConfiguration为key，值为自动配置类的全限定名（多个用逗号分隔）；

org.springframework.boot.autoconfigure.EnableAutoConfiguration=\
com.example.starter.MyAutoConfiguration

1. 加载扫描：Spring Boot启动时，通过SpringFactoriesLoader加载所有jar包中的spring.factories，收集自动配置类；
2. 条件生效：自动配置类通过@ConditionalOnClass/@ConditionalOnMissingBean等注解做条件判断，满足条件则将类内@Bean注册到容器；
3. 核心关联：spring.factories是“自动配置类的注册清单”，SpringBoot通过它找到所有待加载的自动配置类，再按条件筛选生效。

2. MySQL主从复制中，ROW格式binlog如何避免主从数据不一致？

思路

对比STATEMENT格式的“逻辑SQL”缺陷，突出ROW格式“记录数据变更”的核心优势。

回答示例

ROW格式（行格式）是binlog的一种记录模式，避免主从不一致的核心逻辑：

1. 记录内容差异：
2. 一致性保障：

补充：ROW格式缺点是日志量更大，可结合MIXED格式（自动切换）平衡性能与一致性。

3. Redis Cluster的Gossip协议如何传播节点状态变更？

思路

围绕“随机节点通信 + 状态广播 + 消息确认”的核心机制，解释Gossip协议的去中心化传播逻辑。

回答示例

Redis Cluster的Gossip协议是去中心化的节点状态传播机制，核心流程：

1. 节点通信规则：每个节点每秒随机选择几个节点（默认5个），发送PING消息（包含自身状态+已知节点状态）；
2. 状态变更触发：当节点发生上线/下线/故障/槽位迁移等变更时，会将变更信息写入自身状态；
3. 消息传播：PING消息携带最新状态，接收节点更新本地节点列表，并继续将新状态传播给其他节点；
4. 故障检测：若节点多次PING无响应（默认PING超时30秒），标记为疑似故障，通过Gossip广播，集群达成共识后标记为下线。

核心特点：去中心化、最终一致性，传播延迟随集群规模增加略有上升，但无单点故障。

4. Kafka消费者组内分区重平衡时，如何减少重复消费？

思路

围绕“消费位移提交 + 重平衡策略 + 幂等处理”展开，给出具体可落地的优化方案。

回答示例

分区重平衡（Rebalance）是消费者组内分区重新分配的过程，减少重复消费的核心策略：

1. 及时提交消费位移：
2. 使用幂等消费：
3. 优化重平衡触发条件：
4. 使用新版本重平衡策略：

核心逻辑：重复消费的根源是“位移未提交就触发重平衡”，需从“位移提交”和“减少重平衡”双维度优化。

5. Seata AT模式中，undo_log表在全局回滚时的作用？

思路

明确undo_log的“数据快照”核心作用，解释全局回滚时的“反向操作”逻辑。

回答示例

undo_log是Seata AT模式实现分布式事务回滚的核心表，全局回滚时的作用：

1. 记录快照：分支事务执行前，Seata会将数据的“前镜像”（修改前）和“后镜像”（修改后）写入undo_log表，并加行锁；
2. 全局回滚触发：当TC（事务协调器）判定全局事务需要回滚时，向各RM（资源管理器）发送回滚指令；
3. 反向还原数据：RM读取undo_log中的前镜像，执行“反向SQL”（如UPDATE回滚为原数据、INSERT回滚为DELETE），将数据还原到事务执行前的状态；
4. 解锁清理：回滚完成后，删除undo_log记录，释放行锁。

核心价值：undo_log是“数据回滚的凭证”，保证分布式事务失败时，各分支数据能精准回滚到初始状态。

6. MAT分析堆转储时，“Dominator Tree”视图的核心价值？

思路

围绕“支配树的核心定义（对象的内存支配关系）”展开，解释其定位内存泄漏的核心优势。

回答示例

Dominator Tree（支配树）是MAT分析堆内存的核心视图，核心价值：

1. 内存支配关系可视化：每个节点表示一个对象，节点的“Retained Heap”表示该对象被GC回收后能释放的总内存（包含其支配的所有子对象）；
2. 快速定位大对象：按Retained Heap降序排序，可快速找到占用内存最多的“根对象”（如静态集合、线程池）；
3. 定位内存泄漏根因：

核心优势：相比普通的对象列表，支配树能直接展示“谁在占用内存、谁导致对象无法被回收”，是定位内存泄漏的最优视图。

7. 雪花算法中，时间戳位移计算错误会导致什么后果？

思路

围绕雪花算法的结构（时间戳+机器ID+序列号），分析位移错误对ID唯一性和有序性的影响。

回答示例

雪花算法的ID结构为：高位0 + 41位时间戳 + 10位机器ID + 12位序列号，时间戳位移计算错误的后果：

1. ID重复：
2. ID无序：时间戳是ID有序性的核心，位移错误可能导致时间戳位段被覆盖，ID失去按时间递增的特性；
3. 时间回：位移错误可能导致时间戳位段有效范围缩小，更容易触发“时钟回拨”导致的ID重复。