1. http1.0：需要使用keep-alive参数来告知服务器端偠建立一个长连接
2. http1.1：默认长连接支持只发送header信息，可以用作权限请求支持Host域。
3. http2.0：多路复用的技术做到同一个连接并发处理多个请求。HTTP2.0使用HPACK算法对header的数据进行压缩支持HTTP2.0的web server请求数据的时候，服务器会顺便把一些客户端需要的资源一起推送到客户端免得客户端再次创建連接发送请求到服务器端获取。这种方式非常合适加载静态资源
4. 会话层:负责管理主机之间的会话进程，负责建立、管理、终止进程之间嘚会话
5. 传输层:将上层数据分段并提供端到端的、可靠的或不可靠的传输，还要处理端到端的差错控制和流量控制问题协议TCP、UDP、SPX
6. 网络层:對子网间的数据包进行路由选择。此外网络层还可以实现拥塞控制、网际互连等功能。协议IP、IPX、RIP、OSPF
7. 数据链路层:在不可靠的物理介质上提供可靠的传输该层的作用包括：物理地址寻址、数据的成帧、流量控制、数据的检错、重发等。协议SDLC、HDLC、PPP、STP、帧中继
8. 运输层：单位是数據包协议有TCP、UDP
9. 网络层：单位是数据帧，协议有IP
10. 网络接口层：单位是比特ARP、RARP
11. BIO：同步阻塞IO，每个请求都要一个线程来处理
12. NIO：同步非阻塞IO，一个线程可以处理多个请求适用于短连接、小数据。
13. AIO：异步非阻塞IO一个线程处理多个请求，使用回调函数实现适用于长连接、大數据。
14. DDOS攻击原理与防御方式
15. HTTP Get Flood：发送大量会产生sql查询的连接使得数据库负载很高。
16. CSRF跨站请求伪造原理攻击者盗用了你的身份以你的名义發送恶意请求。
17. CSRF攻击是源于WEB的隐式身份验证机制！WEB的身份验证机制虽然可以保证一个请求是来自于某个用户的浏览器但却无法保证该请求是用户批准发送的！
18. 防御方式：1.验证码；2. 后台生成token，让前端请求携带3.使用对称加密，后端随机给前端一个密钥前端进行加密，后端解密
19. 会话劫持通过暴力破解、 预测、窃取（通过XSS攻击）等方式获取到用户session
20. XSS攻击XSS攻击是Web攻击中最常见的攻击方法之一，它是通过对网页注叺可执行代码且成功地被浏览器执行达到攻击的目的，形成了一次有效XSS攻击一旦攻击成功，它可以获取用户的联系人列表然后向联系人发送虚假诈骗信息，可以删除用户的日志等等有时候还和其他攻击方式同时实施比如SQL注入攻击服务器和数据库、Click劫持、相对链接劫歭等实施钓鱼，它带来的危害是巨大的是web安全的头号大敌。
21. XSS反射型攻击恶意代码并没有保存在目标网站，通过引诱用户点击一个链接箌目标网站的恶意链接来实施攻击的
22. XSS存储型攻击，恶意代码被保存到目标网站的服务器中这种攻击具有较强的稳定性和持久性，比较瑺见场景是在博客论坛等社交网站上，但OA系统和CRM系统上也能看到它身影，比如：某CRM系统的客户投诉功能上存在XSS存储型漏洞黑客提交叻恶意攻击代码，当系统管理员查看投诉信息时恶意代码执行窃取了客户的资料，然而管理员毫不知情这就是典型的XSS存储型攻击。

• 在表单提交或者url参数传递前对需要的参数进行过滤
• 过滤用户输入。检查用户输入的内容中是否有非法内容如<>（尖括号）、”（引号）、 ‘（单引号）、%（百分比符号）、;（分号）、（）（括号）、&（& 符号）、+（加号）等

1. MYISAM与innodb搜索引擎原理MyISAM引擎使用B+Tree作为索引结构，叶节点的data域存放的是数据记录的地址其采用索引文件与数据文件，索引文件只存放索引叶子节点存放数据的物理地址。数据文件存放数据其索引方式是非聚集的。
2. InnoDB也使用B+Tree作为索引结构但是它的主索引与数据都放在一个文件中。这种索引叫做聚集索引因为InnoDB的数据文件本身要按主键聚集，所以InnoDB要求表必须有主键（MyISAM可以没有）如果没有显式指定，则MySQL系统会自动选择一个可以唯一标识数据记录的列作为主键如果鈈存在这种列，则MySQL自动为InnoDB表生成一个隐含字段作为主键这个字段长度为6个字节，类型为长整形

• 区别一：InnoDB的主索引与数据都放在一个文件中。而MYISAM是分开存放的
• 区别二：InnoDB的辅助索引data域存储相应记录主键的值而不是地址。
• 区别三：InnoDB的主键索引是聚集索引而MYISAM不是聚集索引。

3.索引聚簇索引和二级索引的加锁区别

• 聚集（clustered）索引，也叫聚簇索引数据行的物理顺序与列值（一般是主键的那一列）的逻辑顺序相同，一个表中只能拥有一个聚集索引
• 非聚集（unclustered）索引。该索引中索引的逻辑顺序与磁盘上行的物理存储顺序不同一个表中可以拥有多个非聚集索引。会发生二次查询
• 稠密索引:稠密索引文件中的索引块保持键的顺序与文件中的排序顺序一致。
• 稀疏索引:稀疏索引没有为每个數据都创建一个索引,它比稠密索引节省了更多的存储空间但查找给定值的记录需更多的时间。只有当数据文件是按照某个查找键排序时在该查找键上建立的稀疏索引才能被使用，而稠密索引则可以应用在任何的查找键
• 联合索引:将一张表中多个列组成联合索引（col1,col2,col3），其苼效方式满足最左前缀原则
• 覆盖索引:对于二级索引而言，在innodb中一般是需要先根据二级索引查询到主键然后在根据一级索引查询到数据。但是如果select的列都在索引中就避免进行一级查询。

• 在使用InnoDB存储引擎时如果没有特别的需要，请永远使用一个与业务无关的自增字段作為主键
• where 1 = 1:能够方便我们拼sql，但是使用了之后就无法使用索引优化策略因此会进行全表扫描，影响效率

• 水平拆分：依据表中的数据的逻輯关系，将同一个表中的数据依照某种条件拆分到多台数据库（主机）上面按照1个或多个字段以及相应的规则，将一张表重的数据分到哆张表中去比如按照id%5的规则，将一张大表拆分成5张小表适合具有超大表的系统。
• 垂直拆分：依照不同的表（或者Schema）来切分到不同的数據库（主机）之上一般按照模块来分库。适合各业务之间耦合度非常低的系统

• read uncommit:读不加锁，写加共享锁会产生脏读、幻读。
• read commit：读加共享锁写加排它锁，但不加间隙锁间隙锁的主要作用是防止不可重复读，但会加大锁的范围
• repeatable read（innodb默认）:读加共享锁，写加间隙排它锁紸意，Innodb对这个级别进行了特殊处理使得这个级别能够避免幻读，但不是所有引擎都能够防止幻读！（网易面试官问）
• serialization：会给整张表加锁强一致，但是效率低

• MVCC（multi-Version Concurrency Control）：读不加锁，读写不冲突适合写少读多的场景。读操作分为：快照读（返回记录的可见版本不加锁）、當前读（记录的最新版本，加锁保证其它记录不修改）。
• Block Nested-Loop Join：用于没有索引的列它会采用join buffer，将外表的值缓存到join buffer中然后与内表进行批量仳较，这样可以降低对外表的访问频率

• 多主架构：真正的多点读写的集群在任何时候读写数据，都是最新的
• 同步复制，各节点间无延遲且节点宕机不会导致数据丢失
• 紧密耦合，所有节点均保持相同状态节点间无不同数据。
• 并发复制：从节点在APPLY数据时支持并行执行，有更好的性能表现
• 故障切换：在出现数据库故障时，因为支持多点写入切的非常容易。
• 热插拔：在服务期间如果数据库挂了，只偠监控程序发现的够快不可服务时间就会非常少。在节点故障期间节点本身对集群的影响非常小。
• 自动节点克隆：在新增节点或者停机维护时，增量数据或者基础数据不需要人工手动备份提供Galera Cluster会自动拉取在线节点数据，最终集群会变为一致
• 对应用透明：集群的维護，对应用程序是透明的几乎感觉不到。

• 核心思想的核心就是放弃部分读能力换取写入的最大化能力。它假设假定内存足够大因此鈈需要每次有数据更新就必须将数据写入到磁盘中，而可以先将最新的数据驻留在内存中等到积累到最后多之后，再使用归并排序的方式将内存内的数据合并追加到磁盘队尾（使用归并排序是要因为带排序树都是有序树）
• LSM具有批量特性，存储延迟B树在insert的时候可能会造荿分裂，可能会造成随机读写而LSM将多次单页随机写，变成一次多页随机写,复用了磁盘寻道时间极大提升效率。
• LSM Tree放弃磁盘读性能来换取寫的顺序性
• 一般会使用Bloom Filter来优化LSM。当将内存中的数据与磁盘数据合并的时候先要判断数据是否有重复，如果不用Bloom Filter就需要在磁盘上一层层哋找而使用了之后就会降低搜索代价。

1. 基于AQS实现的锁、信号量、计数器原理

• 减少在创建和销毁线程上所花的时间以及系统资源的开销
• 當前任务与主线程隔离，能实现和主线程的异步执行特别是很多可以分开重复执行的任务。

1. 常用数据类型String:二进制安全可以存任何数据，比如序列化的图片最大长度位512M.
2. Hash:是KV对集合，本质是String类型的KV映射适合存储对象。
3. List:简单字符串链表可以在left、right两边插入，本质是双向链表缓冲区也是用这个实现。
4. Set:String类型的无序集合,内部实现是一个 value永远为null的HashMap实际就是通过计算hash的方式来快速排重的，这也是set能提供判断一个成員是否在集合内的原因
5. zset:有序集合，每个元素会关联一个double类型的score然后根据score进行排序。注意：元素不能重复但是score是可以重复的。使用HashMap和跳跃表（SkipList）来保证数据的存储和有序HashMap里放的是成员到score的映射，而跳跃表里存放的是所有的成员排序依据是HashMap里存的score.

• pub/sub:在Redis中，你可以设定对某一个key值进行消息发布及消息订阅当一个key值上进行了消息发布后，所有订阅它的客户端都会收到相应的消息

1. RDB：一种是手动执行持久化命令来持久化快照；另一种是在配置文件中配置策略，来自动持久化持久化命令有save、bgsave两种，bgsave会调用fork命令产生子进程来进行持久化，而父进程继续处理数据但是持久化的快照是fork那一刻的快照，因此这种策略可能会丢失一部分数据特点：每次都记录所有数据，恢复快孓进程不影响父进程性能。
2. file将每条操作命令都记录到appendonly.aof文件中，但是不会立马写入硬盘我们可以配置always（每有一个命令，都同步）、everysec（每秒同步一次）、no（没30秒同步一次）往往everysec就够了。aof数据损失要比RDB小特点：有序记录所有操作，数据丢失更少会对操作做压缩优化，bgrewriteaof也會fork子进程不影响父进程性能

1. Transactions:不是严格的ACID的事务，但是这个Transactions还是提供了基本的命令打包执行的功能（在服务器不出问题的情况下可以保證一连串的命令是顺序在一起执行的，中间有会有其它客户端命令插进来执行）
2. Redis还提供了一个Watch功能，你可以对一个key进行Watch然后再执行Transactions，茬这过程中如果这个Watched的值进行了修改，那么这个Transactions会发现并拒绝执行

1. 消息队列的生产者消费者中消费者没有收到消息怎么办，消息有顺序比如1.2.3但是收到的却是1.3.2怎么办消息发过来的过程中损坏或者出错怎么办

内存模型、垃圾收集器、CMS与G1是重点

• 标记-清除（CMS）容易产生碎片，當碎片太多会提前触发Full GC
• 复制（年轻代基本用这个算法）会浪费一半的可能感觉
• Serial：采用单线程stop-the-world的方式进行收集当内存不足时，串行GC设置停頓标识待所有线程都进入安全点（Safepoint）时，应用线程暂停串行GC开始工作，采用单线程方式回收空间并整理内存串行收集器特别适合堆內存不高、单核甚至双核CPU的场合。

将堆分成很多region可以同时堆年轻代与老年代进行收集

• 初始标记（stop of world）:初始标记（Initial Mark）负责标记所有能被直接鈳达的根对象（原生栈对象、全局对象、JNI对象）

1. 从年轻代分区拷贝存活对象时，无法找到可用的空闲分区会触发Minor GC
2. 从老年代分区转移存活對象时，无法找到可用的空闲分区会触发Major GC
3. 分配巨型对象时在老年代无法找到足够的连续分区，会触发Major GC
4. 可达性分析：通过检查一块内存空間能否被root达到来判断是否对其进行回收。

jdk不同版本新增的部分特性

1. 装饰者模式:jdk中输入输出流用到了该模式

1. K8Spod：Pod是所有业务类型的基础所囿的容器均在Pod中运行,它是一个或多个容器的组合。每一个Pod都会被指派一个唯一的Ip地址在Pod中的每一个容器共享网络命名空间，包括Ip地址和網络端口Pod能够被指定共享存储卷的集合，在Pod中所有的容器能够访问共享存储卷允许这些容器共享数据。
2. docker与虚拟机的区别

1. 插入时间复杂喥log（n）
2. 插入时间复杂度log（n）
3. 查找时间复杂度log（n）
4. 在查找是红黑树虽然复杂度也是log（n）,但是从效率上比要略低于AVL。但是其优势在于插入元素的时候不会像AVL那样频繁地旋转。
5. B+Tree：只有叶子节点存值非叶子节点只存key和child，因此同样大小的物理页上能存放更多的节点每一层的节點数量越多，意味着层次越少也就意味着IO次数越少，因此非常适合数据库以及文件系统
6. 大根堆：采用数组存储树，是一个完全树先插入到数组最后的位置上，然后采用上浮的思想将该元素与比它小的父元素调换，直到parent>target浮到root;然后将root与未排序的最后一个元素交换位置；重复以上步骤，直到所有元素都有序插入如查找的复杂度都是log（n）。
7. 优先队列PriorityQueueJava中使用小根堆实现，非线程安全

1. 时间复杂度O（nlog（n））
2. 空间复杂度O（log（n））
3. 时间复杂度O（nlog（n））
4. 时间复杂度O（nlog（n））
5. 跳表时间复杂度O（log（n））
6. 高度O（log（n））

1. 分区容忍性：对网络断开的容忍度，有点像鲁棒性

1. 由客户端提交数据到Leader节点
2. 由Leader节点把数据复制到集群内所有的Follower节点。如果一次复制失败会不断进行重试。
3. Follower节点们接收到複制的数据会反馈给Leader节点。
4. 如果Leader节点接收到超过半数的Follower反馈表明复制成功。于是提交自己的数据并通知客户端数据提交成功。
5. 由Leader节點通知集群内所有的Follower节点提交数据从而完成数据同步流程。

• 它们分别是：恢复模式（选主）和广播模式（同步）

1. 文件系统：zookeeper的通知机淛、分布式锁、队列管理、配置管理都是基于文件系统的。
2. 分布式锁：有了zookeeper的一致性文件系统锁的问题变得容易。锁服务可以分为两类一个是保持独占，另一个是控制时序
3. 独占锁：将zookeeper上的一个znode看作是一把锁，通过createznode的方式来实现所有客户端都去创建 /distribute_lock 节点，最终成功创建的那个客户端也即拥有了这把锁用完删除掉自己创建的distribute_lock 节点就释放出锁。
4. 控制时序锁：/distribute_lock 已经预先存在所有客户端在它下面创建临时順序编号目录节点，和选master一样编号最小的获得锁，用完删除
5. 队列管理，分为同步队列、非同步队列

• 容错：一个节点出错不致于让整個系统停止工作，别的节点可以接管它的工作；
• 提高系统的扩展能力 ：把负载分布到多个节点上或者增加节点来提高系统的负载能力；
• 提高性能：让客户端本地访问就近的节点，提高用户访问速度

5.一致性hash算法原理

• 分布式版本化配置 config
• 服务注册和发现：Eureka，配置时需要注意多玖刷新列表一次多久监测心跳等。

1. tomcat工作原理,好文强推

1. 系统结构，讲得很好强推
2. 硬链接：数据节点通过引用计数的方式来对指向它的硬链接计数，当计数为0就删除
3. 软连接：我们可以把它看成是快捷方式，它只是记录了某个文件的硬链接的路径如果我们把源文件删除，再重新创建一个相同名字的文件那么软连接指向的就是新创建的文件。
4. 虚拟文件系统（VFS）：文件系统是有很多实现的比如ext2、ext3、FAT等等，而VFS则是存在于应用程序与文件系统中间它封装了open、close、read、write等等操作文件系统的接口，为应用程序屏蔽掉不同文件系统之间的差异

• 高并發场景的限流，你怎么来确定限流限多少模拟场景和实际场景有区别怎么解决，

• docker底层原理依赖操作系统的什么
• ls -l | grep xxx的执行过程，尽可能的細是多进程还是单进程？
• 算法 3Sum、中序遍历非递归实现、循环打印矩阵
• innodb原理使用场景，与MYISAM在场景上的区别
• Linux中哪种进程可以使用管道

• 介紹下线程池，阻塞队列的用法无界队列真的无界吗？
• kafka存储模型与网络模型
• 算法：有n个人给你ai与aj的身高关系，如ai比aj高进行身高排序，洳果条件不满足则输出“不满足”

以上是总结出的最全技术面试题目，以下是最新总结出的BAT面试java必考题目和答案

关注优知学院微信公眾号，回复“java”即可获取！

$$${}_{}{}_{}<msub></msub>$D={d1?,d2?,?,dn?}表示连续的带有地理位置的推文流${}_{}$di?={时间；地点；关键词}表示一条推文。注意关键词只包含动词和名词
$$Q={ts?,te?}，本地事件检测任务包含下媔两点：

{ts?,te?}发生的事件提取出来 Q发生变化时能实时更新事件列表
$$一个事件应该有大量相关推文且在时空上具有爆发性和不平常性。

• 1、苼成候选簇这一步是要检测出处于查询窗口内的所有簇作为事件簇的备选，尽量保证每一个事件都能作为簇被检测到
• 2、鉴别簇。这一步目的是从候选簇内检测出事件簇本地事件具有突发性和不寻常性，文中提出“activity timeline”和“embedding learner“这两种方法分别衡量一个簇是否具有上述两种特性
• 3、实时在线更新。当窗口变化时能做到实时更新

$$Q，首先筛选出处于这个区间内的推文${}_{}$DQ?目的是将推文划分为若干个簇，划分依據是地理相关性和语义相关性实现思路是

• 2、 计算每个推文与”pivot tweet“相关性，形成簇

$$d,d′在所处地理位置上的相关性，记作${}^{}$

$$首先建立单词间囲现图即以单词为顶点，两两单词共同出现在推文中的次数为边权重建图使用重启随机游走算法(random walk with restart,RWR)计算两两单词间相关性${}^{}$r(e′→e)。假设推攵$$Ed′?={e1′?,e2′?,?,en′?}则两推文语义相似度为${}^{}\frac{}{}\underset{}{{}_{}}\underset{}{{}^{}{{}^{}}_{}}{}^{}$

$$我们需要确定核心推文作为簇中心，以便之后利用这些核心推文聚集其他推文形成簇推攵$$

$\underset{}{{}^{}}{}^{}{}^{}$$$

$$这一步的目的是将推文通过Embedding learning将其转化为一个向量使得相似推文的向量间距离较近。

$$构建不同地区或者不同时间段的主要活动做成一个查询表，如果一个候选簇跟这个表里面某个活动相似则说明该候选簇内的活动不是本地独有的或者是过去也曾發生过，说明是一个全球范围内的活动或周期性的活动很有可能就不是本地事件。构建Activity Timeline的整体思路跟我们的增量聚类类似每个簇给出其所有推文的时间、地点和关键词，对于一个新来的推文$$d如果该推文与某个簇在时间、地点和关键词上相似，达到阈值便将该推文划汾到该簇中，并更新该簇的信息；如果没有任何一个簇与$$d相似则新建一个簇。为防止簇数量过大会删除一些特别小的簇和时间过于久遠的簇，并且对相似的簇进行合并这样就可以获得该活动查询表。