今日份周末特种兵行程

1、常见的方案有数据库自增ID、UUID、Redis生成和雪花算法。实际分布式场景下，雪花算法更常用，它将ID分为时间戳、机器ID和序列号三部分，性能高且趋势递增。但要注意时钟回拨问题，可通过记录上次生成时间戳或使用扩展版算法解决。2、雪花算法的ID在时间戳维度是递增的，但同一毫秒多机器生成的ID可能乱序。如需严格单调递增，可用数据库号段模式：服务启动时申请一个ID范围，内存分配用完后再次申请，这样单服务内ID严格递增。3、redo log是InnoDB的物理日志，崩溃恢复时重放提交的事务；undo log记录数据修改前的状态，用于回滚和MVCC读；binlog是MySQL Server层的逻辑日志，用于主从同步和数据备份。4、主库将变更写入binlog，从库通过IO线程拉取binlog到relay log，再由SQL线程重放SQL实现同步。5、优化索引时要减少回表和利用覆盖索引。索引失效常见于：违反最左前缀、对索引列计算、类型转换、LIKE左模糊匹配、OR连接非索引列等情况。6、InnoDB索引用B+树实现，联合索引按字段从左到右排序。如果跳过左侧字段，因为b的值在全局无序，无法利用索引快速定位，导致失效。7、当元素少且小时，用压缩列表节省内存；当元素多或大时，自动转为 "跳跃表+字典" 组合。跳跃表负责按分值排序，支持高效范围查询；字典负责成员到分值的映射，实现O(1)快速查分数。这种设计平衡了内存与性能。8、跳表插入节点时，从最高层向右向下逐层搜索并记录小于目标的分值位置（update[]）；随后随机生成新节点层高，创建节点并按层将其插入：每层链接到对应update[]节点之后，并指向其原后继；最后更新跳表的最大层高和节点总数，实现高效定位与平衡插入。9、Redis有6种淘汰策略，常用的是allkeys-lru和allkeys-lfu。LRU淘汰最近最少访问的，LFU淘汰访问频率最低的。LFU更适合长期热点场景，而LRU对突发流量更敏感。10、Redis用惰性删除+定期删除组合：访问key时检查过期，同时后台定期抽样清理过期key。当内存不足时，再根据淘汰策略主动删除数据。11、TCP通过滑动窗口实现流量控制：接收方在ACK包中携带窗口大小。发送方根据这个窗口动态调整发送数据量，避免接收方缓冲区溢出。

📍面试公司：元启视界（杭州）📖面试问题：1.自我介绍2.I/O密集型业务线程池你是怎么设置的？3.线程池是怎么保证核心线程不会被回收的？4.你知道动态线程池吗？（不知道QAQ，后续查了一下美团有Dynamic-TP的轻量级解决方案）5.你项目里的Dify工作流是怎么编排的？6.你觉得是什么方式使得他的效果提升了？8.GraphRAG的方案是你自己考虑的吗？其他的忘记了，或者就这些好像。目前录制文件的权限还没拿到。等节后的二面消息ing...

各位大佬好,感谢各位大佬在上次动态中提出的宝贵意见,很遗憾我在今年的秋招中并没有找到实习工作,于是我打算备战春招再战,基于当前后端市场对于ai能力的愈发看重,以及自己一些项目的积累,我写出了这版简历,就是感觉有点用力过猛了,目标是在明年大四秋招前找到一到两端中大厂的实习,现在真正努力学习算法当中,求一下简历的修改意见,如果还有学习建议的话就更好了,谢谢各位大佬!请大佬喝奶茶

面试官您好，关于 HashMap 的底层实现，我是按照以下三个维度来理解的：1. 宏观结构 (Overview)从宏观上看，HashMap 的底层结构在 JDK 1.8 中是 “数组 + 链表 + 红黑树”。它的主体是一个 Node 数组（源码中叫 table），数组的每个位置我们称之为“桶”（Bucket）。常规情况：当没有任何冲突时，数据直接存在数组里。Hash 冲突：当发生哈希冲突时，早期的 JDK 1.7 采用的是单纯的链表（头插法）。JDK 1.8 改进：为了解决哈希冲突导致链表过长、查询效率退化为 的问题，JDK 1.8 引入了红黑树。 转换机制：当链表长度 > 8 且 数组...