{
  "topic": "two-level-cache",
  "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": [
        "two-level-cache",
        "CacheManager",
        "architecture"
      ],
      "question": "在 Caffeine + Redis 二级缓存架构中，CacheManager.get() 的第一步查询目标是什么？",
      "options": {
        "A": "直接查询 Redis（L2 缓存）",
        "B": "查询 Caffeine 本地缓存（L1 缓存）",
        "C": "查询空值缓存（null cache）",
        "D": "加锁后执行 double-check 查询 Redis"
      },
      "answer": "B",
      "explanation": "CacheManager.get() 的完整流程为：查 L1（Caffeine）→ 查空值缓存 → 加锁 double-check → 查 Redis → HeavyKeeper 记录 → 热 Key 提升 L1。第一步始终是查询本地 Caffeine 缓存，命中则直接返回，未命中才进入后续流程。",
      "source": null,
      "related": []
    },
    {
      "id": "sc-002",
      "type": "single_choice",
      "difficulty": 3,
      "tags": [
        "two-level-cache",
        "null-cache",
        "lock"
      ],
      "question": "CacheManager.get() 流程中，空值缓存（null cache）的作用是什么？",
      "options": {
        "A": "缓存 Redis 中存储的空值对象，防止穿透",
        "B": "记录已查询过但 Redis 中不存在的 Key，避免重复穿透到 Redis",
        "C": "作为 L1 和 L2 之间的一致性校验缓存",
        "D": "存储 HeavyKeeper 探测到的热 Key 列表"
      },
      "answer": "B",
      "explanation": "空值缓存用于记录已确认在 Redis 中不存在的 Key，后续相同 Key 的查询命中空值缓存后直接返回，不再穿透到 Redis，有效防止缓存穿透。注意这里缓存的不是 Redis 中的空值对象，而是对 Key 不存在这一事实的标记。",
      "source": null,
      "related": []
    },
    {
      "id": "sc-003",
      "type": "single_choice",
      "difficulty": 2,
      "tags": [
        "Caffeine",
        "W-TinyLFU",
        "eviction"
      ],
      "question": "Caffeine 使用的 W-TinyLFU 淘汰策略中，「W」代表什么含义？",
      "options": {
        "A": "Write-through（写穿透）",
        "B": "Window（窗口）",
        "C": "Weighted（加权）",
        "D": "Waiting（等待）"
      },
      "answer": "B",
      "explanation": "W-TinyLFU 中的 W 代表 Window，即窗口缓存。W-TinyLFU 将缓存分为 Window（窗口）和 Main（主）两个区域。新数据先进入 Window 区，通过准入策略（admission filter）决定是否提升到 Main 区。Main 区内部再分为 TinyLFU 的 probation 和 protected 两个子区。这种分层设计兼顾了频率统计精度和内存效率。",
      "source": null,
      "related": []
    },
    {
      "id": "sc-004",
      "type": "single_choice",
      "difficulty": 3,
      "tags": [
        "HeavyKeeper",
        "hot-key",
        "detection"
      ],
      "question": "HeavyKeeper 热 Key 探测算法的 add() 方法在遇到桶冲突时，执行的是什么操作？",
      "options": {
        "A": "直接覆盖桶中原有的 fingerprint 和 count",
        "B": "累加已有 fingerprint 对应桶的 count",
        "C": "以概率 decay 对已有 count 进行衰减，若衰减后 count < minCount 则替换为新 fingerprint，否则保留原 fingerprint",
        "D": "将冲突 Key 放入溢出队列，异步处理"
      },
      "answer": "C",
      "explanation": "HeavyKeeper 的 add() 有三个分支：1) 桶为空时直接写入 fingerprint 和 count=1；2) fingerprint 匹配时直接 count++；3) 桶冲突时以概率 decay 对已有 count 衰减，衰减后若 count < minCount（阈值为 10）则替换为当前 fingerprint 和 count=1，否则保留原 fingerprint。这一设计利用概率衰减自然淘汰冷 Key，保留热 Key。",
      "source": null,
      "related": []
    },
    {
      "id": "sc-005",
      "type": "single_choice",
      "difficulty": 4,
      "tags": [
        "HeavyKeeper",
        "fading",
        "decay"
      ],
      "question": "HeavyKeeper 的 fading() 方法每 20 秒执行一次，其核心操作是什么？",
      "options": {
        "A": "清空所有桶的 count，重新统计",
        "B": "将所有桶的 count 右移一位（等效于除以 2，减半衰减）",
        "C": "只对 count > minCount 的桶执行衰减",
        "D": "删除所有 fingerprint 为空的桶"
      },
      "answer": "B",
      "explanation": "fading() 每 20 秒触发一次，对 HeavyKeeper 的所有 bucket 的 count 执行右移一位操作，即 count >>= 1，等效于将所有计数值减半。这实现了时间维度的指数衰减，使 HeavyKeeper 能够反映 Key 的近期热度而非累积热度。配合 add() 中的冲突衰减（decay=0.92），形成双重衰减机制。",
      "source": null,
      "related": []
    },
    {
      "id": "sc-006",
      "type": "single_choice",
      "difficulty": 3,
      "tags": [
        "two-level-cache",
        "write-consistency",
        "putIfPresent"
      ],
      "question": "在二级缓存架构中，更新数据时使用 putIfPresent 写入 Redis 的主要目的是什么？",
      "options": {
        "A": "提高写入性能，减少 Redis 操作次数",
        "B": "保证只有在 Key 已存在时才更新，防止误覆盖其他线程新写入的数据",
        "C": "确保 Redis 和 Caffeine 的写入顺序一致",
        "D": "自动触发 L1 缓存的失效通知"
      },
      "answer": "B",
      "explanation": "putIfPresent 是 Redis 的条件写入命令，只有当 Key 已存在时才会执行更新操作并返回 OK，否则返回 nil。在二级缓存更新场景中，这可以防止并发更新时的误覆盖问题——如果另一个线程已经删除并重建了该 Key，当前线程的写入不会覆盖新数据。这是一种乐观锁思路的写一致性保障。",
      "source": null,
      "related": []
    },
    {
      "id": "sc-007",
      "type": "single_choice",
      "difficulty": 4,
      "tags": [
        "two-level-cache",
        "inconsistency",
        "L1-L2"
      ],
      "question": "在 Caffeine + Redis 二级缓存中，以下哪种场景最容易导致 L1 和 L2 之间的数据不一致？",
      "options": {
        "A": "L1 缓存容量设置过小导致频繁淘汰",
        "B": "多个应用实例同时更新 Redis 中的同一 Key，但各实例的 Caffeine 失效通知未及时送达",
        "C": "Caffeine 的 expireAfterWrite 设置过长",
        "D": "Redis 采用主从架构导致读写延迟"
      },
      "answer": "B",
      "explanation": "多实例场景下，当一个实例更新了 Redis 数据后，需要通过消息广播（如 Redis Pub/Sub、RocketMQ 等）通知其他实例失效本地 Caffeine 缓存。如果通知延迟或丢失，其他实例的 Caffeine 中仍持有旧数据，而 Redis 已经是新数据，造成 L1/L2 不一致。这是分布式二级缓存最经典的一致性问题。A 和 C 影响的是缓存命中率，D 影响的是主从一致性而非 L1/L2 一致性。",
      "source": null,
      "related": []
    },
    {
      "id": "sc-008",
      "type": "single_choice",
      "difficulty": 5,
      "tags": [
        "HeavyKeeper",
        "parameters",
        "configuration"
      ],
      "question": "HeavyKeeper 当前配置为 k=100, width=100000, depth=5, decay=0.92, minCount=10。当一个新 Key 被 add() 时，该 Key 的 fingerprint 需要经过几个哈希函数映射到几个桶中进行检测？",
      "options": {
        "A": "1 个（随机选一个桶）",
        "B": "5 个（depth 个桶）",
        "C": "100 个（k 个桶）",
        "D": "100000 个（width 个桶）"
      },
      "answer": "B",
      "explanation": "HeavyKeeper 中，depth 决定了每个 Key 需要检测的桶数量。对于每个被 add 的 Key，先计算其 fingerprint，然后通过 depth（此处为 5）个不同的哈希函数映射到 width 个桶中的 5 个位置。在这 5 个桶中，按 add() 的三分支逻辑处理。depth 越大，对热 Key 的识别精度越高，但内存开销也相应增加。k 是返回的 Top-K 热 Key 数量，width 是桶数组大小，decay 和 minCount 控制衰减和淘汰。",
      "source": null,
      "related": []
    }
  ]
}