2025年Java后端社招面试：高频场景题+八股文面试题解析
一、Java基础与JVM篇
1. Java核心八股文
HashMap与ConcurrentHashMap的区别
HashMap是非线程安全的，JDK1.8后采用数组+链表/红黑树结构，扩容时可能出现死循环（JDK1.7）。而ConcurrentHashMap是线程安全的，JDK1.7使用分段锁，JDK1.8改用CAS + synchronized优化锁粒度1。
synchronized与ReentrantLock对比
synchronized是JVM内置锁，自动释放，非公平锁且不可中断；ReentrantLock是可重入锁，支持公平/非公平锁，可中断，支持Condition条件队列1。
volatile的作用与限制
volatile保证可见性（强制线程从主存读取最新值）和有序性（禁止指令重排序），但不保证原子性（如i++仍需AtomicInteger）1。
2. JVM深度解析
JVM内存模型
线程私有区包括虚拟机栈、本地方法栈和程序计数器；线程共享区包括堆和方法区（JDK1.8后为元空间）1。
G1垃圾回收器特点
采用Region分区，支持可预测停顿，适合大内存应用场景1。
OOM排查方法
使用MAT分析堆转储文件，jstack查线程死锁，jmap获取堆内存快照1。
二、并发编程与分布式系统
1. 并发编程核心
线程池参数设置
核心参数包括corePoolSize（核心线程数）、maxPoolSize（最大线程数）、workQueue（任务队列）和拒绝策略。IO密集型任务建议设置为CPU核心数*2，CPU密集型则为CPU核心数+11。
AQS原理
基于state（资源状态）和CLH队列（线程排队）实现，是ReentrantLock、CountDownLatch等同步器的基础1。
分布式锁实现
Redis方案（SETNX + RedLock）和ZooKeeper方案（临时节点 + Watch机制）1。
2. 分布式系统设计
CAP理论应用
银行系统通常侧重CP（一致性+分区容错性），支付系统必须保证数据强一致1。
分布式事务解决方案
包括2PC（强一致但性能差）、TCC（最终一致）、SAGA（长事务）和本地消息表1。
分布式ID生成
Snowflake算法（趋势递增但存在时钟回拨问题）和Leaf-Segment（DB号段缓冲，适合金融场景）1。
三、数据库与缓存优化
1. MySQL深度优化
十亿级数据分页查询
可采用Elasticsearch的search_after（深度分页）、覆盖索引+禁止跳页（LIMIT优化）、冷热数据分离（历史数据归档）3。
索引失效场景
包括LIKE '%xx'、函数计算、OR条件、隐式类型转换等1。
MVCC实现原理
基于ReadView + Undo Log版本链，解决不可重复读和幻读问题1。
2. Redis高级应用
缓存一致性方案
延迟双删（先删缓存→更新DB→再删缓存）、订阅Binlog（Canal监听MySQL变更）、多级缓存（Guava Cache→Redis→DB）3。
热点数据隔离
为秒杀商品配置独立Redis集群，避免影响主业务7。
Redis持久化策略
RDB（快照恢复快）和AOF（日志更安全）的对比与选择9。
四、微服务与架构设计
1. 微服务核心问题
服务熔断与降级
Sentinel实现熔断（慢调用比例阈值触发降级），Hystrix线程隔离（避免资源耗尽）2。
全链路灰度发布
通过Header传递流量标记（Nginx/Apache动态路由）或Service Mesh（Istio Sidecar代理流量控制）实现2。
分布式事务实践
TCC模式（Try-Confirm-Cancel三阶段）适合金融级一致性要求；SAGA模式（事务拆分+补偿机制）适合长事务场景7。
2. 系统架构设计
同城多活架构
关键技术包括：数据同步（MySQL Binlog + Kafka）、流量调度（DNS/GSLB）、冲突解决（时间戳/版本号）3。
Service Mesh落地难点
Sidecar带来的性能损耗（约10%延迟）和多语言服务治理的统一化挑战7。
Serverless应用场景
适合定时对账任务、图片/视频转码、日志分析处理等后台任务7。
五、电商业务场景实战
1. 秒杀系统设计
百万级QPS架构
分层削峰：前端静态化+按钮防重 → Redis预减库存（Lua脚本保证原子性）→ 消息队列异步处理 → 限流降级（Sentinel控制QPS）7。
热点数据优化
独立Redis集群处理秒杀商品，本地缓存（Caffeine）存储商品基本信息，Kubernetes动态扩容应对流量峰值7。
2. 订单系统实践
防重复支付方案
幂等性设计（唯一订单号+状态机）、分布式锁（Redis SETNX）、对账机制（定时核对交易流水）3。
物流跟踪优化
实时更新订单物流状态时，可采用本地缓存+批量写入策略降低数据库压力5。
六、新兴技术趋势
1. 云原生技术
K8S在大促中的应用
自动扩缩容应对流量高峰，配合HPA（Horizontal Pod Autoscaler）实现弹性伸缩7。
Service Mesh实践
Istio实现全链路灰度发布和精细流量控制，但需权衡Sidecar性能损耗7。
2. 性能优化前沿
JVM大促调优
通过jstat监控GC情况，分析GC日志（-XX:+PrintGCDetails），调整堆大小（-Xms/-Xmx）和选择G1回收器7。
MySQL深度优化
游标分页（WHERE id > last_id）和延迟关联（先查ID再回表）解决深度分页问题7。
