ConcurrentHashMap源码与Spring事务传播与Kafka消息可靠性保障与Docker镜像分层优化追问精讲
📍 本文覆盖4个高频面试追问主题:ConcurrentHashMap源码、Spring事务传播、Kafka消息可靠性、Docker镜像优化。每个主题基于官方文档和源码。
相关页面
上篇:ConcurrentHashMap源码深度
一、JDK 8 ConcurrentHashMap put流程(必背)
putVal()核心逻辑:
1.算hash:(key==null)?0:(h=key.hashCode())^(h>>>16) // 扰动
2.table为空→initTable()初始化(CAS)
3.算槽位:i = (n-1) & hash
4.槽位为空→CAS插入(tabAt(tab,i)==null → casTabAt)
→ 成功则完成(无锁)
5.槽位在扩移(MOVED/FORWARDING)→helpTransfer()帮忙扩容
6.槽位有值→synchronized锁头节点:
a.链表→尾插(链表长度>=8转红黑树)
b.红黑树→putTreeVal
7.addCount():CAS更新元素数(分散计数,避免竞争)
二、追问链
Q1: ConcurrentHashMap的put为什么用CAS+synchronized?
A: ①槽位空→CAS无锁插入(快,无竞争);
②槽位有值→synchronized锁单桶(竞争范围小)。
不用ReentrantLock:内存更省(每个Node都锁→内存爆炸),
synchronized经JVM优化(锁升级)性能不差,且锁粒度=单桶(竞争小)。
Q2: ConcurrentHashMap的size()怎么算的?
A: 用baseCount + CounterCell[]分散计数:
普通CAS更新baseCount;
竞争大时用CounterCell[](分散到多个cell,减少CAS竞争)。
size()=baseCount + 所有CounterCell值(近似值)。
Q3: ConcurrentHashMap的扩容(transfer)怎么实现的?
A: 多线程协助扩容:
①扩容时设sizeCtl为负(标记正在扩容)
②每个线程认领一段桶(stride)迁移
③迁移完的桶放ForwardingNode(标记已迁移)
④其他线程put到已迁移桶→转发到新表
→ 多线程并行扩容(高效)
Q4: JDK 9+的ConcurrentHashMap有什么变化?
A: ①内部优化(Node/TreeBin细节);②更多VarHandle替代Unsafe;
核心思想(CAS+synchronized)不变。
Q5: ConcurrentHashMap完全线程安全吗?
A: 单个操作(get/put/remove)安全。
但复合操作(size+put判断后再操作)不保证原子。
例:if(map.size()<100) map.put(...)→多线程可能都通过判断→超过100。
复合操作要用synchronized或compute()。
中篇:Spring事务传播
三、传播行为实战场景(深挖)
场景1:REQUIRED(默认,同事务)
外层createOrder() + 内层updateStock()
→ 同一事务,一起成功/失败
→ 内层异常→外层也回滚
场景2:REQUIRES_NEW(独立事务)
外层createOrder() + 内层writeLog()
→ 写日志独立事务
→ 外层回滚不影响日志(日志保留,便于排查)
场景3:NESTED(嵌套/保存点)
外层createOrder() + 内层deductCoupon()
→ 内层回滚(券不够)→外层可继续(不扣券)
→ 外层回滚→内层也回滚(整体回滚)
→ 用DB保存点实现(SAVEPOINT)
场景4:实际应用
@Transactional // 默认REQUIRED
public void createOrder() {
orderMapper.insert(order); // 主事务
logService.writeLog(order); // REQUIRES_NEW(日志独立,失败不影响下单)
couponService.deduct(userId); // NESTED(券失败可重试,不影响主流程)
}
四、追问链
Q1: REQUIRES_NEW怎么实现的?
A: ①挂起当前事务(保存ThreadLocal里的Connection)
②从连接池获取新Connection→开启新事务
③执行内层方法
④提交/回滚新事务
⑤恢复挂起的事务
→ 需要两个DB连接(当前+新),连接池要够。
Q2: 嵌套事务(NESTED)和REQUIRES_NEW区别?
A: NESTED:基于SAVEPOINT(内层回滚只到保存点,外层仍可控)
外层回滚→内层也回滚(同一个物理事务)
REQUIRES_NEW:完全独立(两个物理事务,互不影响)
NESTED要DB支持SAVEPOINT(MySQL支持)。
Q3: 事务失效的根本原因是什么?
A: 事务靠AOP代理。失效=代理没生效。
①非public(CGLIB代理非public不增强);
②同类调用(this不走代理);
③异常被catch(事务感知不到异常);
④多线程(事务ThreadLocal绑定,新线程没有)。
Q4: 怎么在事务提交后做异步操作?
A: @TransactionalEventListener(phase=AFTER_COMMIT)
→ 事务提交成功后才执行(保证数据已持久化)
→ 适合:发通知/刷新缓存/触发MQ(要求数据已入库)
下篇:Kafka消息可靠性保障与Docker镜像优化
五、Kafka消息可靠性四层保障
1.生产者不丢(acks + retries)
acks=all:所有ISR副本确认才算成功(最安全)
retries=Integer.MAX_VALUE:发送失败重试
enable.idempotence=true:幂等(防止重试导致重复)
2.Broker不丢(副本 + min.insync.replicas)
replication.factor=3:3副本
min.insync.replicas=2:至少2副本同步才算写入成功
unclean.leader.election.enable=false:禁止未同步的副本成Leader
3.消费者不丢(手动提交offset)
enable.auto.commit=false:关闭自动提交
处理完后手动commitSync()(处理完再提交offset)
→ 处理失败不提交→下次重消费(at-least-once)
4.消费幂等(业务层)
业务唯一键去重(去重表/Redis标记/状态机)
→ 即使重复消费也不重复处理
总结:生产acks=all + 副本3+min.insync.replicas=2 + 手动offset + 消费幂等 = 不丢不重
六、Docker镜像分层优化
镜像分层规则:
每个Dockerfile指令(RUN/COPY/ADD)产生一个层
层叠加(UnionFS)→最终镜像
共享层(多个镜像共用base)→省存储
优化策略:
1.多阶段构建(最有效)
FROM maven:3.9 AS builder
COPY src /app/src
RUN mvn package # 编译
FROM eclipse-temurin:17-jre-alpine
COPY --from=builder /app/target/app.jar /app.jar
# 最终镜像只有JRE+jar(不含Maven/源码)
→ 镜像从800MB降到150MB
2.合并RUN指令
RUN apt-get update && apt-get install -y curl && rm -rf /var/lib/apt/lists/*
→ 一个层(不在中间留缓存)
3.小base镜像
eclipse-temurin:17-jre-alpine(~80MB)
vs eclipse-temurin:17-jre(~300MB)
distroless(更小,无shell更安全)
4..dockerignore
排除target/git/node_modules(不进构建上下文)
5.层缓存利用
先COPY pom.xml + RUN mvn dependency(依赖不变→缓存命中)
再COPY src(只有src变→只重编译)
→ 加速CI构建
追问:
Q: 镜像为什么用分层?
A: ①共享(base层多个镜像共用→省存储);②缓存(改一层只重建变化层→快)。
Q: 怎么排查镜像大小?
A: dive工具(分析每层大小)/ docker history <image>(看每层)。
Q: alpine镜像的坑?
A: ①musl libc(不是glibc)→某些JNI库不兼容;
②时区默认UTC(要配Asia/Shanghai);
③DNS解析略不同。
生产用eclipse-temurin:17-jre-jammy(Ubuntu base,兼容性好)更稳。
真题来源
相关页面