78 lines
5.8 KiB
JSON
78 lines
5.8 KiB
JSON
|
{
|
|||
|
|
"topic": "two-level-cache",
|
|||
|
|
"type": "short_answer",
|
|||
|
|
"schema_version": "1.0.0",
|
|||
|
|
"generated": "2026-09-09T21:42:00+08:00",
|
|||
|
|
"questions": [
|
|||
|
|
{
|
|||
|
|
"id": "sa-001",
|
|||
|
|
"type": "short_answer",
|
|||
|
|
"difficulty": 3,
|
|||
|
|
"tags": [
|
|||
|
|
"two-level-cache",
|
|||
|
|
"CacheManager",
|
|||
|
|
"get-flow"
|
|||
|
|
],
|
|||
|
|
"question": "请完整描述 CacheManager.get() 的查询流程，说明每一步的目的。",
|
|||
|
|
"answer": "CacheManager.get() 的完整流程如下：\n1. 查询 L1（Caffeine 本地缓存）：命中则直接返回，这是最快的路径，零网络开销。\n2. 查询空值缓存（null cache）：如果 Key 被标记为空值缓存，说明之前确认 Redis 中不存在该 Key，直接返回 null，防止缓存穿透。\n3. 加锁并 double-check：获取 Key 级别的锁后，重新检查 L1 和空值缓存，防止并发请求重复穿透（防止惊群效应）。\n4. 查询 Redis（L2 缓存）：从 Redis 获取数据。\n5. 写入空值缓存或 HeavyKeeper 记录：Redis 返回 null 则写入空值缓存防止穿透；Redis 有数据则通过 HeavyKeeper.add() 记录访问频次。\n6. 热 Key 提升 L1：如果 HeavyKeeper.isHotKey() 返回 true，将数据写入 Caffeine，后续相同 Key 的请求可在 L1 直接命中。",
|
|||
|
|
"explanation": "",
|
|||
|
|
"keywords": [
|
|||
|
|
"L1",
|
|||
|
|
"Caffeine",
|
|||
|
|
"空值缓存",
|
|||
|
|
"double-check",
|
|||
|
|
"Redis",
|
|||
|
|
"HeavyKeeper",
|
|||
|
|
"热Key提升"
|
|||
|
|
],
|
|||
|
|
"scoring_rubric": "满分10分。描述完整6步流程得8分，每少一步扣1.5分。每步有正确的目的说明额外加0.5分，最多加2分。出现概念性错误（如将空值缓存描述为缓存 Redis 空值对象）扣2分。"
|
|||
|
|
},
|
|||
|
|
{
|
|||
|
|
"id": "sa-002",
|
|||
|
|
"type": "short_answer",
|
|||
|
|
"difficulty": 4,
|
|||
|
|
"tags": [
|
|||
|
|
"HeavyKeeper",
|
|||
|
|
"fading",
|
|||
|
|
"decay",
|
|||
|
|
"parameters"
|
|||
|
|
],
|
|||
|
|
"question": "请解释 HeavyKeeper 的双重衰减机制（add() 中的冲突衰减和 fading() 的周期衰减）是如何协同工作的，以及为什么要同时使用两种衰减。",
|
|||
|
|
"answer": "HeavyKeeper 的双重衰减机制包括：\n\n1. add() 中的冲突衰减（per-operation decay）：当新 Key 的 fingerprint 与桶中已有 Key 冲突时，以概率 decay（0.92）对已有 count 执行 -1 操作。这是一种细粒度的、事件驱动的衰减，每次冲突都可能淘汰冷 Key。\n\n2. fading() 的周期衰减（periodic decay）：每 20 秒对所有桶的 count 执行右移一位（除以 2）。这是一种粗粒度的、时间驱动的衰减，确保热度统计反映的是近期行为而非历史累积。\n\n协同工作原理：\n- 如果只有冲突衰减：冷 Key 不会被冲突到的桶永远不会衰减，导致历史热 Key 永远占据桶位。\n- 如果只有周期衰减：两个冷 Key 之间不会互相淘汰，桶位被低频 Key 长期占用。\n- 两者结合：冲突衰减在局部竞争中快速淘汰冷 Key，周期衰减在全局范围内将所有 Key 的热度重置为半衰期模型。冲突衰减处理 Key 之间的横向竞争，fading() 处理时间维度的纵向衰减。这种设计让 HeavyKeeper 既能快速感知热度变化，又能防止历史数据干扰。",
|
|||
|
|
"explanation": "",
|
|||
|
|
"keywords": [
|
|||
|
|
"冲突衰减",
|
|||
|
|
"周期衰减",
|
|||
|
|
"decay",
|
|||
|
|
"fading",
|
|||
|
|
"right-shift",
|
|||
|
|
"半衰期"
|
|||
|
|
],
|
|||
|
|
"scoring_rubric": "满分10分。正确描述两种衰减各2分（共4分）。正确分析只有一种衰减时的缺陷各1.5分（共3分）。正确说明协同工作原理2分。表述清晰、逻辑连贯1分。出现概念性错误（如将右移描述为除以4）扣2分。"
|
|||
|
|
},
|
|||
|
|
{
|
|||
|
|
"id": "sa-003",
|
|||
|
|
"type": "short_answer",
|
|||
|
|
"difficulty": 5,
|
|||
|
|
"tags": [
|
|||
|
|
"two-level-cache",
|
|||
|
|
"inconsistency",
|
|||
|
|
"L1-L2",
|
|||
|
|
"write-consistency"
|
|||
|
|
],
|
|||
|
|
"question": "在分布式环境下，Caffeine + Redis 二级缓存面临哪些数据不一致风险？请分别从「写后读」和「并发写」两个场景分析，并给出至少两种缓解方案。",
|
|||
|
|
"answer": "一、写后读不一致风险：\n当一个实例更新/删除 Redis 后，需要通知其他实例失效本地 Caffeine。在通知发出到其他实例收到并执行失效之间，存在时间窗口。在这个窗口内，其他实例的 Caffeine 仍持有旧数据，读请求会返回过期值。\n\n二、并发写不一致风险：\n多个实例同时更新同一 Key 时，由于操作顺序不可控（实例 A 先删 L1 后写 Redis，实例 B 可能在 A 写 Redis 之前读到旧 L1 并缓存），可能导致最终 L1 和 L2 数据不一致。如果使用 putIfPresent 还可能导致合法更新被拒绝。\n\n缓解方案：\n1. 延迟双删：更新 Redis 后先失效 L1，sleep 一段时间后再次失效 L1，确保窗口期的脏数据被清理。\n2. 消息队列通知：使用可靠的 MQ（如 RocketMQ）替代 Redis Pub/Sub 发送失效通知，保证通知不丢失。\n3. 版本号/CAS：在 Redis 中为每个 Key 维护版本号，读取时校验版本号，版本不一致则重新加载。\n4. 短 TTL 兜底：L1 的 expireAfterWrite 设置较短（如几秒），即使通知丢失，脏数据也会很快自然过期。\n5. 订阅 Redis 消费 binlog：使用 Canal 等工具监听 Redis 的数据变更事件，实现最终一致。",
|
|||
|
|
"explanation": "",
|
|||
|
|
"keywords": [
|
|||
|
|
"写后读",
|
|||
|
|
"并发写",
|
|||
|
|
"延迟双删",
|
|||
|
|
"消息队列",
|
|||
|
|
"版本号",
|
|||
|
|
"TTL",
|
|||
|
|
"Canal"
|
|||
|
|
],
|
|||
|
|
"scoring_rubric": "满分10分。正确描述写后读不一致场景2分。正确描述并发写不一致场景2分。给出至少两种有效缓解方案，每种1.5分（最多6分）。方案描述含糊或有概念错误扣1分。超过5种方案不再加分。"
|
|||
|
|
}
|
|||
|
|
]
|
|||
|
|
}
|