{ "topic": "cache-protection", "type": "single_choice", "schema_version": "1.0.0", "generated": "2026-09-09T21:42:00+08:00", "questions": [ { "id": "sc-001", "type": "single_choice", "difficulty": 2, "tags": [ "cache-protection", "bloom-filter" ], "question": "BloomFilterManager 中 EXPECTED_INSERTIONS 设为 1,000,000，FPP 设为 0.01。这意味着当实际插入量远超 1,000,000 时，最可能出现什么后果？", "options": { "A": "布隆过滤器自动扩容，无任何影响", "B": "false positive rate（误判率）显著上升，导致更多不存在的 key 被错误放行", "C": "布隆过滤器抛出 IllegalStateException 异常", "D": "insert 操作被静默丢弃，不影响查询结果" }, "answer": "B", "explanation": "Guava BloomFilter 创建后容量固定，不会自动扩容。当实际插入量远超 expectedInsertions 时，位数组的每个 bit 被置 1 的比例升高，查询时误判率（false positive rate）会远高于预期的 1%（0.01），导致大量不存在的 key 也能通过 mightContain 检查，削弱布隆过滤器对缓存穿透的拦截效果。选项 A 错误，BloomFilter 没有扩容机制；选项 C 错误，不会抛异常；选项 D 错误，put 操作不会被丢弃。", "source": null, "related": [] }, { "id": "sc-002", "type": "single_choice", "difficulty": 2, "tags": [ "cache-protection", "bloom-filter" ], "question": "关于 BloomFilter.mightContain() 方法的返回值语义，下列哪项描述是正确的？", "options": { "A": "返回 true 表示该元素一定存在", "B": "返回 false 表示该元素一定不存在", "C": "返回 true 表示该元素一定不存在", "D": "无论返回 true 还是 false 都是不确定的" }, "answer": "B", "explanation": "布隆过滤器的核心特性：mightContain 返回 false 则元素一定不存在（无 false negative），返回 true 则元素可能存在也可能不存在（有 false positive）。因此 ThumbServiceImpl.hasThumb() 中判断 !bloomFilterManager.mightContain(userId, blogId) 为 true 时直接返回 false，是安全的。选项 A 错误，true 不是确定性结论；选项 C 错误，true 表示可能存在；选项 D 错误，false 是确定性结论。", "source": null, "related": [] }, { "id": "sc-003", "type": "single_choice", "difficulty": 2, "tags": [ "cache-protection", "null-cache" ], "question": "CacheManager 中 NULL_CACHE_TTL_SECONDS 设为 30 秒。这个设计的核心目的是什么？", "options": { "A": "防止缓存雪崩，让空值在 30 秒后自然失效", "B": "防止缓存穿透，避免同一个不存在的 key 反复穿透到 Redis", "C": "防止缓存击穿，保护热点 key 的本地缓存", "D": "防止内存溢出，限制 nullValueCache 的最大条目数" }, "answer": "B", "explanation": "当 Redis 中某个 key 不存在时，nullValueCache 会在 30 秒内缓存 NULL_PLACEHOLDER，后续相同 key 的查询直接在空值短缓存层返回 null，不再穿透到 Redis。这是典型的「缓存穿透防护」手段——通过缓存空值来拦截对不存在数据的反复查询。选项 A 描述的是缓存雪崩场景（大量 key 同时过期）；选项 C 是击穿场景（热点 key 过期）；选项 D 虽然 maximumSize 确实能防止内存溢出，但不是 TTL 设置的直接目的。", "source": null, "related": [] }, { "id": "sc-004", "type": "single_choice", "difficulty": 3, "tags": [ "cache-protection", "mutex-lock" ], "question": "CacheManager.get() 方法中使用了 synchronized(lock) 加互斥锁。结合代码分析，这种互斥锁设计主要解决的是什么问题？", "options": { "A": "防止缓存穿透：拦截不存在的 key 访问 Redis", "B": "防止缓存击穿：避免热点 key 过期瞬间大量请求同时打到 Redis", "C": "防止缓存雪崩：保证同一时刻只有一个线程写入缓存", "D": "防止数据库连接池耗尽：限制并发数据库查询数" }, "answer": "B", "explanation": "这是经典的「互斥锁防击穿」模式：当本地缓存未命中时，先用 computeIfAbsent 在 lockMap 中为该 key 创建一把锁对象，然后 synchronized 加锁。锁内再次 double-check 本地缓存（防止其他线程已经完成加载）。如果仍未命中则查 Redis。这样即使热点 key 同时过期，也只有一个线程能穿透到 Redis，其余线程在锁上等待，避免了「击穿」导致的 Redis/数据库压力骤增。选项 A 是 nullValueCache 的职责；选项 C 场景不对；选项 D 的目标对象不对。", "source": null, "related": [] }, { "id": "sc-005", "type": "single_choice", "difficulty": 3, "tags": [ "cache-protection", "mutex-lock" ], "question": "CacheManager.get() 中在 synchronized 块内部先做了一次 localCache.getIfPresent(compositeKey) 检查（double-check）。这一步的作用是？", "options": { "A": "减少锁竞争时间，因为 synchronized 块内可以更快获取本地缓存", "B": "防止线程在等待锁期间，另一个线程已完成加载，导致重复查 Redis", "C": "防止 nullValueCache 被多个线程并发写入导致数据不一致", "D": "防止 hotKeyDetector 被多次 add 导致热点误判" }, "answer": "B", "explanation": "这是经典的 double-check locking 模式：线程 A 持锁加载数据完成后释放锁，线程 B（或 C、D…）获得锁后，如果不做 double-check 就直接查 Redis，会导致同一个 key 被重复加载。double-check 在锁内再次检查本地缓存，如果已被前一个线程加载好，直接返回，避免重复查询。选项 A 描述的是减少持锁时间，但不是 double-check 的核心目的；选项 C 不涉及 nullValueCache 的并发写入问题；选项 D 虽然有关联但不是主要目的。", "source": null, "related": [] }, { "id": "sc-006", "type": "single_choice", "difficulty": 3, "tags": [ "cache-protection", "null-cache" ], "question": "CacheManager 中 nullValueCache 的 maximumSize 设为 10000。如果攻击者用大量不存在的 key 发起请求，以下哪种情况最可能发生？", "options": { "A": "nullValueCache 持续增长直到 OOM，因为不存在的 key 总是不同", "B": "Caffeine 使用 W-TinyLFU 策略自动淘汰最不常用的空值条目，内存不会无限增长", "C": "新写入的空值条目直接覆盖最旧的空值条目，类似于 LRU", "D": "nullValueCache 会抛出 IllegalStateException 并阻止后续写入" }, "answer": "B", "explanation": "Caffeine 的 maximumSize 采用 W-TinyLFU（Window Tiny Least Frequently Used）淘汰策略。当条目数接近 10000 时，会自动淘汰访问频率最低的条目，腾出空间给新条目。因此即使攻击者用大量不存在的不同 key 来请求，nullValueCache 的内存也不会无限增长，旧的低频空值条目会被淘汰。选项 A 错误，Caffeine 不会 OOM；选项 C 描述的是简单 FIFO/LRU，不是 Caffeine 的策略；选项 D 错误，Caffeine 不会抛异常。", "source": null, "related": [] }, { "id": "sc-007", "type": "single_choice", "difficulty": 4, "tags": [ "cache-protection", "bloom-filter" ], "question": "ThumbServiceImpl.hasThumb() 中布隆过滤器与 CacheManager 的协作关系是：先用布隆过滤器判断 key 是否可能存在，再用 CacheManager 查缓存。如果把这两层的顺序反转（先查缓存，再查布隆过滤器），以下哪种说法最准确？", "options": { "A": "功能完全等价，因为两层都是拦截，顺序不影响最终结果", "B": "布隆过滤器层失去意义，因为 CacheManager 本身已有空值缓存和互斥锁来防穿透", "C": "仍然有效，但布隆过滤器的拦截时机后移，无法在第一时间过滤不存在的 key，增加了对空值缓存的无效访问", "D": "会导致功能错误，因为 CacheManager 返回的 null 无法被布隆过滤器识别" }, "answer": "C", "explanation": "原设计中布隆过滤器作为最前置的「粗筛」，能在 O(1) 时间内快速排除大量不存在的 key，减少对 CacheManager/Redis 的无效访问。如果反转顺序，所有请求（包括不存在的 key）都会先走 CacheManager 的多层查询链路（本地缓存 → nullValueCache → 锁 + Redis），只有在 CacheManager 返回非 null 时才走布隆过滤器。此时布隆过滤器的前置拦截价值大打折扣。选项 A 错误，两层职责不同不能简单等价；选项 B 说法过于绝对，布隆过滤器仍有价值；选项 D 不成立，null 本身就是一个合法的返回值。", "source": null, "related": [] }, { "id": "sc-008", "type": "single_choice", "difficulty": 4, "tags": [ "cache-protection", "mutex-lock" ], "question": "CacheManager 的 lockMap 使用 ConcurrentHashMap，且锁对象通过 computeIfAbsent 创建。以下哪种场景可能导致该互斥锁机制失效？", "options": { "A": "多个 JVM 实例部署时，每个实例的 lockMap 独立，不同实例的线程无法互斥", "B": "Redis 集群模式下，不同 slot 的 key 命中不同 Redis 节点，导致锁失效", "C": "Caffeine 本地缓存被驱逐时，lockMap 中对应的锁对象也被清除", "D": "synchronized 关键字在高并发下会导致 CPU 100%，锁机制自动降级为无锁模式" }, "answer": "A", "explanation": "lockMap 是 JVM 进程内的 ConcurrentHashMap，锁对象仅在当前 JVM 实例内有效。在多实例部署场景下，实例 A 的线程持有 lockMap 中的锁不会阻塞实例 B 的线程，因此多个实例可能同时穿透到 Redis。这是单机互斥锁的固有局限，通常需要配合分布式锁（如 Redis SETNX）来解决。选项 B 描述的是 Redis 分片问题，与锁无关；选项 C 不成立，lockMap 和 localCache 是独立的数据结构；选项 D 荒谬，synchronized 不会自动降级。", "source": null, "related": [] } ] }