
Hello,我是小兔大白糖。 这篇整理面试口述与高频追问要点,方便对照站内同主题通识文。
定位: I-interview-prep 系列收官篇。不是知识储备,是临场武器库。所有内容可直接背诵、套用、填空。 适用场景: 面试前 48 小时冲刺、去面试路上、候场时。
目录
- 个人介绍 90 秒模板(Risk 定制版)
- 技术深度追问:万能回答框架
- 压力面试题:20 道标准化解法
- Risk 业务场景追问:15 道高频题
- 分布式 & 微服务追问:10 道连环题
- Java 并发追问:10 道挖坑题
- 被质疑时的挽回话术
- 面试结束前反问问题清单
- 面试当日时间轴 Checklist
- 附录:面试官潜台词翻译表
一、个人介绍 90 秒模板(Risk 定制版)
1.1 三段式结构
[身份标签] + [核心能力] + [与 Risk 的匹配点]
1.2 填空模板
面试官好,我是 [姓名],[X] 年后端开发经验,目前在 [公司] 负责 [核心业务/系统]。
过去两年我聚焦在 实时风控/反欺诈/交易风控(三选一)领域,主导/参与了 [系统名称] 的 [从 0 到 1 / 性能优化 / 架构升级]。这个系统目前 [日处理 XX 万笔请求 / 延迟从 XXms 降到 XXms / 误报率降低 XX%]。
技术栈主要是 Java (Spring Boot) + Dubbo + Kafka + Redis + MySQL/StarRocks,对 高并发、低延迟、强一致性 场景有比较多的实战经验。
这次面试 大型加密货币交易所 Risk 团队,一方面是 [原因 1:看好 crypto 风控的挑战性],另一方面也是希望把之前在 [传统金融/电商/支付] 领域积累的 [规则引擎/实时计算/模型工程] 经验,应用到更复杂的 [链上/跨境/高频交易] 场景中。
接下来您看从哪方面开始聊?
1.3 三个版本(根据面试时间灵活选择)
| 版本 | 时长 | 适用场景 |
|---|---|---|
| 精简版 | 45 秒 | 面试官赶时间、HR 初筛、电话面 |
| 标准版 | 90 秒 | 一面/二面技术负责人 |
| 扩展版 | 2-3 分钟 | 三面总监面、主动要求详细介绍 |
1.4 易错点
- 不要背简历:面试官手里有简历,不要复读机。
- 不要堆砌技术名词:说 "用过 Flink + Kafka + Redis + MySQL + StarRocks + Dubbo + Zookeeper" 不如讲清楚一个架构决策。
- 不要说 "我对区块链很了解" 除非你真的能聊共识机制和 MEV。
- 要埋钩子:故意提到一个面试官可能感兴趣的点,引导追问方向。
1.5 钩子示例(引导到你准备好的领域)
| 钩子句 | 预期追问 |
|---|---|
| "我们在一致性上花了很大功夫,从最终一致做到强一致" | "怎么做的?代价是什么?" |
| "为了降延迟,我们把串行改成了并行,但引入了死锁问题" | "怎么解决的?并行化策略是什么?" |
| "后来引入 Flink CEP 处理复杂事件序列" | "CEP 的局限性?怎么和规则引擎配合?" |
| "误报率从 5% 降到 0.8%,主要靠特征工程" | "哪些特征?怎么评估的?" |
二、技术深度追问:万能回答框架
2.1 面试官最喜欢的追问句式
- "为什么不用 XXX?"(技术选型质疑)
- "如果 XXX 挂了怎么办?"(故障场景)
- "量级再扩大 10 倍呢?"(扩展性压力)
- "这个方案有什么缺点?"(自我批判)
- "有没有更简单的做法?"(过度设计质疑)
- "线上出过什么问题?"(真实经验)
- "如果让你重新设计,你会改什么?"(复盘能力)
2.2 万能应答框架:S.T.A.R + T
S - Situation(场景约束)
T - Trade-off(权衡矩阵)
A - Approach(方案选择)
R - Result(结果数据)
+ T - Trouble(踩过的坑)
2.3 实战演示:"为什么用 Kafka 而不是 RabbitMQ?"
错误回答:
"因为 Kafka 吞吐量大,大家都在用。"
标准回答(套用框架):
S(场景):我们的风控引擎是高吞吐、可容忍秒级延迟的管道,单节点峰值 50万 TPS,消息需要保留 7 天用于回溯和模型重放。
T(权衡):
维度 Kafka RabbitMQ 我们的需求 吞吐 百万级 万级 50万+ ✅ 延迟 ms~s 级 ms 级 可容忍 <1s ✅ 消息回溯 磁盘持久化,可 replay 消费即删 必须 replay ✅ 顺序性 Partition 内有序 Queue 有序 需要用户级有序 ✅ 运维复杂度 较重 较轻 团队有 Kafka 经验 ✅ A(选择):Kafka 在吞吐和回溯上更符合需求。延迟方面通过调优
linger.ms=10+batch.size=32768+ 异步发送,把 p99 压到 200ms 以内。R(结果):上线后稳定支撑 日均 10 亿条 风控事件,消费者组扩容到 12 个节点,未出现消费积压。
T(坑):早期用默认的
acks=1,Broker 宕机时丢过消息。后来改成acks=all+min.insync.replicas=2+ 生产者幂等,配合消费端去重,解决了这个问题。
2.4 技术选型追问速查卡
| 被问"为什么不用 XXX" | 回答公式 |
|---|---|
| 为什么不用 Redis Cluster 而用 Codis? | "我们选型时 Redis Cluster 还没成熟(2018 年);Codis 提供了平滑的扩容能力和友好的 Dashboard,但代价是多了一层 proxy 跳转。如果现在重新选,会直接用 Redis Cluster 的原生方案。" |
| 为什么不用 Flink 而用 Spark Streaming? | "场景是分钟级风控报表,不是毫秒级决策;Spark Streaming 的微批处理在吞吐和 exactly-once 语义上更成熟,且团队已有 Spark 生态。但如果做实时 CEP,会选 Flink。" |
| 为什么不用 Druid 而用 StarRocks? | "Druid 的实时摄取有延迟,查询需要预聚合;StarRocks 支持实时更新和明细查询,更适合我们"即席分析 + 高并发点查"的混合负载。" |
| 为什么不用 Seata 而用最终一致? | "Seata AT 模式对业务侵入小,但需要持锁,在风控这种高并发短事务场景下容易成为瓶颈。我们用 Saga + 对账补偿,牺牲了即时一致性换取了吞吐。" |
| 为什么不用 Dubbo 3 而用 2.7? | "Dubbo 3 的 Triple 协议和 Mesh 支持很好,但我们的 Sidecar 还没 ready;2.7 的接口级服务发现 + Hystrix 熔断经过生产验证,迁移成本更低。长期看会迁到 3.x。" |
三、压力面试题:20 道标准化解法
3.1 自我认知类
Q1: "说说你最大的缺点"
致命错误:
- "我工作太拼命了"(面试官:虚伪)
- "我对技术细节不够关注"(面试官:那你怎么做风控?)
标准答案模板:
我最大的缺点是在不确定方案时容易过度分析。比如上次做 [项目] 时,为了选一个 [技术点:如分布式锁实现],我对比了 ZooKeeper / Redis Redlock / etcd 三种方案,写了 8 页调研文档,导致决策花了 3 天。
后来我的改进方法是:给调研设 时间盒(Timebox),核心指标不超过 3 个(如延迟、一致性、运维成本),达到阈值就决策,细节在迭代中优化。现在同样的决策我能在 半天内 完成。
易错点:缺点必须真实 + 有改进 + 不影响核心岗位能力。
Q2: "你过去有没有失败的经历?"
标准答案模板:
有。[具体项目] 上线时,我负责的 [模块] 因为 [具体原因:如压测时忽略了缓存预热场景],导致 [具体后果:如高峰期 Redis 连接数打满,服务降级]。
根本原因是 [根因分析:如压测脚本没有模拟真实用户的冷启动行为]。
我的处理是:1) 立即扩容 + 限流恢复服务;2) 补全压测用例,加入冷启动、缓存穿透、慢节点模拟;3) 建立上线 Checklist,强制要求压测报告 + 回滚方案。
这个经历让我深刻理解了生产环境的复杂性和压测的真实性要求。
易错点:不要推卸责任("是运维的问题");不要轻描淡写("没什么大问题")。
Q3: "你为什么离开上一家公司?"
标准答案模板:
我在上一家公司 [X] 年,学到了很多 [具体领域] 的经验。离开的主要原因是成长空间和方向匹配两点:
- 技术深度:上一家公司风控体系已经比较成熟,我更多是维护优化;我希望能在 Crypto 这种更复杂、更动态 的风控场景中做从 0 到 1 的建设。
- 业务挑战:传统金融的风控偏静态规则;大型加密货币交易所 面对的是链上交易、跨链桥、DeFi 协议交互、MEV 攻击等全新风险类型,这个技术挑战是我非常向往的。
当然,如果上家公司有类似的机会,我也会考虑留下。
绝对禁止:抱怨前公司/前领导/前同事;说 "钱太少";说 "加班太多"(大型加密货币交易所 可能更卷)。
3.2 技术能力质疑类
Q4: "你刚才说的方案,如果 QPS 再涨 10 倍,扛得住吗?"
标准答案模板:
我按 10 倍拆解一下瓶颈点:
当前架构的极限:
- 网关层:Nginx + Lua,单机 10万 QPS,集群 6 台,理论极限 60万
- 应用层:Spring Boot,单机 5千 QPS,40 台容器,理论极限 20万
- 存储层:MySQL 主从,写 5k/s,读 50k/s
- 缓存层:Redis Cluster,100万 QPS
10 倍后的压力:当前峰值 5万 QPS → 50万 QPS
瓶颈预判:
- 应用层:20万 极限 < 50万,需要扩容到 100 台或升级 异步化 + 本地缓存
- 存储层:MySQL 写 5万/s 扛不住,必须分库分表或异构到 TiDB/StarRocks
- 网络带宽:单条请求 1KB → 50万 * 1KB = 500MB/s,需要检查网卡和交换机
预案:
- 短期:水平扩容 + 读写分离 + 热点缓存(1 周内)
- 中期:引入本地缓存 Caffeine + 异步写 Kafka(1 个月内)
- 长期:存储层异构到 NewSQL / 事件溯源架构(3 个月内)
关键技巧:不要猜,要算。用数字说话,展示容量规划思维。
Q5: "你这个方案太复杂了,有没有更简单的做法?"
标准答案模板:
您说得对,让我反思一下。
最简单的版本:直接 [单库 + 单应用 + 同步处理]。这个方案在 [什么条件下] 完全够用,开发周期只要 [X 天]。
但我们没有选择它的原因是 [具体约束]:
- 监管要求 [实时拦截 / 留痕审计],不能异步
- 业务量 [日均 XX 万笔],单库会爆
- 可用性要求 [99.99%],单点不满足
如果约束放宽,比如 [假设条件],我会首选简单方案,因为复杂度是风险。
当前方案的复杂度主要在 [哪个模块],我通过 [封装/抽象/自动化] 把它对业务代码的侵入降到了最低。
关键技巧:承认面试官的观点 → 展示你的权衡思维 → 证明复杂度是必要代价。
Q6: "如果核心依赖(如 Kafka/Redis/MySQL)挂了,你的系统会怎么样?"
标准答案模板(以 Kafka 挂了为例):
我们按分级降级处理:
L1 - 熔断降级(秒级):
- Kafka 生产者检测到发送失败率 > 50%,自动熔断
- 事件写入 本地磁盘队列(
FileChannel顺序写),不丢消息- 同时触发 告警,通知运维
L2 - 降级运行(分钟级):
- 风控决策切换到 本地规则缓存(Redis 中的热规则 + 本地 Guava Cache)
- 不再做复杂特征计算,只做 基础黑名单 + 限额检查
- 标注 "降级模式",便于后续补扫
L3 - 兜底拦截(持续):
- 如果 Redis 也挂了,进入 硬拦截模式:所有大额/高风险操作 人工审批
- 历史上最大的一笔损失就是在这个环节守住的
恢复后:
- 本地队列消息 顺序回放 到 Kafka
- 补扫降级期间的事件,回填特征
- 全量对账,确认无漏判
3.3 价值观与团队合作类
Q7: "你和同事发生过最严重的冲突是什么?怎么解决的?"
标准答案模板:
最严重的一次是在 [项目] 中,[同事角色] 坚持 [方案 A],我认为 [方案 B] 更合适。
冲突点是 [技术分歧的具体点]:他认为 [理由],我认为 [理由]。
我的处理:
- 不做人身攻击,聚焦技术本身
- 写对比文档,列出两种方案的 Latency / 一致性 / 运维成本 / 回滚难度 四个维度打分
- 拉第三方评审:找架构师和 SRE 一起 review
- 保留意见但执行:最终评审选了方案 A,我负责实现,过程中优化了 [X 个点],结果证明 [好在哪里]
这件事让我学会了:技术分歧用数据解决,而不是嗓门;决策后要全力执行,而不是消极抵抗。
Q8: "如果让你带一个 5 人团队,你会怎么分工?"
标准答案模板(Risk 系统为例):
假设是 实时风控引擎团队,5 人分工:
角色 人数 负责模块 核心指标 引擎核心 1 人(资深) 规则引擎 + 决策流 延迟 p99 < 50ms 特征平台 1 人 特征计算 + 存储 + 一致性 特征新鲜度 < 1s 数据管道 1 人 Kafka + Flink + 数据对齐 吞吐 100万+ TPS,丢包率 0 策略对接 1 人 规则配置 + 效果评估 + 模型工程 策略上线周期 < 1 天 SRE/质量 1 人 监控 + 压测 + 容灾演练 MTTR < 5min 协作方式:
- 每周 技术周会 同步架构决策
- 模块间通过 Protobuf 接口契约 解耦
- 核心链路 Code Review 强制双人通过
- 每月一次 故障演练
3.4 场景压力题(大型加密货币交易所 Risk 特色)
Q9: "如果一个用户账户突然在 3 分钟内发生了 100 笔提币,且目的地都是不同地址,你怎么判断这是不是攻击?"
标准答案模板:
这是典型的 "爆发式提币攻击" 或 "洗钱拆分" 场景。我的判断链路:
第一层:统计异常
- 该用户历史平均提币频次:X 笔/天
- 当前 3 分钟 100 笔 → 偏离度 > 1000 倍,触发统计模型告警
第二层:行为异常
- 提币地址是否为新地址?是 → 高危
- 地址之间是否有 资金归集关系(链上分析)?有 → 极高危
- 是否绕过 2FA / 邮箱验证?绕过 → 账户被盗
第三层:设备/环境异常
- 登录 IP 是否变化?是 → 检查是否为代理/VPN
- 设备指纹是否变化?是 → 可能是账户接管(ATO)
- 操作时间是否符合用户习惯?凌晨 3 点连续操作 → 异常
决策:
- 如果以上任意两层命中:自动冻结提币,触发人工审核
- 如果是已知被盗案例模式:自动拦截并通知安全团队
- 如果是新攻击模式:放行但标记,事后加入规则库
事后:
- 分析链上资金流向,标记地址到黑名单
- 更新特征库和规则阈值
- 复盘是否可以通过更早的信号拦截
Q10: "如果你的风控规则误杀了一个 VIP 客户,导致他损失了 100 万美元的交易机会,你怎么处理?"
标准答案模板:
这是 "误报危机"(False Positive Crisis),处理分技术和业务两条线:
紧急止血(5 分钟内):
- 人工放行:SRE/值班人员确认身份后,临时将该客户加入白名单
- 根因定位:查看是哪条规则/模型触发的拦截,提取决策日志
- 通知客服:同步客户情况,准备解释话术
技术分析(1 小时内):
- 复盘该客户的 完整行为链路,确认是否为真正的异常
- 如果是误报:分析 特征阈值是否过紧、规则逻辑是否有漏洞
- 如果是规则问题:立即热修复规则(配置中心动态下发,不用发版)
业务善后(当天):
- 高管致歉:由业务负责人向客户解释原因
- 补偿方案:根据公司政策给予手续费减免或其他补偿
- 客户回访:确认客户体验,修复信任
系统改进(1 周内):
- 引入 "VIP 客户差异化策略":VIP 触发风控时,先沙箱模拟而非直接拦截
- 增加 "误报反馈闭环":客服系统可以直接标记误报到规则平台
- 调整模型阈值,降低高价值客户的灵敏度(Precision-Recall 权衡)
关键原则:
- 先恢复,再分析:客户体验第一
- 透明沟通:不要隐瞒或甩锅给 "系统问题"
- 系统防重:同样的误报不能出现第二次
3.5 开放思维类
Q11: "如果给你一个空白项目,让你从零设计 大型加密货币交易所 的提币风控系统,你的第一步是什么?"
标准答案模板:
我不会立即写代码。第一步是 "理解问题空间",用 2 周做以下事:
Week 1: 需求洞察
- 访谈 3-5 个利益方:安全团队(威胁情报)、客服(误报投诉)、合规(监管要求)、产品(用户体验)、财务(资金损失)
- 收集 历史 Case:过去一年最严重的 10 起资金损失事件 和 10 起严重误报事件
- 定义 核心指标:
- 拦截率(Recall)> 99.9%(尽量不漏)
- 误报率(False Positive Rate)< 0.1%(尽量不误杀)
- 决策延迟 p99 < 100ms
Week 2: 架构蓝图
- 画出 数据流图:从事件产生 → 特征计算 → 规则匹配 → 决策执行
- 确定 MVP 范围:先保护 提币 这一个场景,再扩展
- 选型 技术栈:基于团队熟悉度和 大型加密货币交易所 现有基础设施
- 定义 发布里程碑:MVP(1 个月)→ 规则引擎(2 个月)→ 模型化(4 个月)
只有做完这些,才会写第一行代码。
易错点:不要一上来就画架构图、选技术栈。展示问题定义能力比展示技术能力更重要。
Q12: "你怎么看待 AI/LLM 在风控中的应用?是 hype 还是未来?"
标准答案模板:
我的观点是:不是 hype,但现在还处在 "辅助工具" 阶段,没到 "替代核心引擎" 的阶段。
LLM 适合的场景:
- 智能研判:分析复杂交易模式,生成自然语言的风险报告(如 "该用户行为符合 "混币器洗钱" 的 7 个特征中的 5 个")
- 规则生成:根据历史 Case 自动生成风控规则草稿,供专家审核
- 知识库问答:新人风控运营查询 "什么是 MEV 攻击?如何判断?"
- 异常解释:模型给出拦截决策时,附带可解释的决策理由
LLM 不适合的场景:
- 实时决策:LLM 推理延迟 > 100ms,不适合 p99 < 50ms 的实时拦截
- 确定性要求:风控需要 100% 可解释、可审计,LLM 的 "幻觉" 是不可接受的
- 成本:大模型 API 成本是传统规则引擎的 1000 倍以上
我的实践: 在上一家公司,我们用 LLM 做 离线风险报告生成 和 规则推荐,把规则上线周期从 3 天缩短到 2 小时。但实时决策仍然用 传统规则引擎 + 轻量级 ML 模型。
未来演进:
- 短期(1 年):LLM 做 辅助分析,核心引擎不变
- 中期(2-3 年):小模型(如 7B 参数)本地化部署,用于 中等延迟(秒级) 的二次复核
- 长期(5 年):多智能体系统(Multi-Agent),LLM 负责策略推理,传统引擎负责执行
四、Risk 业务场景追问:15 道高频题
4.1 规则引擎
Q13: "规则引擎里,如果有 1000 条规则,怎么保证低延迟?"
答案要点:
- 规则分层:L1 黑名单(O(1) Hash 查)→ L2 统计规则(本地内存计算)→ L3 复杂规则(CEP/模型)
- 规则预编译:Drools / Aviator 表达式预编译成字节码,不用每次解析
- 规则剪枝:用决策树/Rete 算法,条件不满足的分支直接跳过
- 热点缓存:Top 20% 规则覆盖 80% 流量,常驻本地缓存
- 并行执行:无依赖的规则并行执行,
CompletableFuture.allOf() - 异步化:非核心规则异步计算,不阻塞主链路
易错点:不要说 "加机器",面试官要的是单节点优化。
Q14: "规则上线后效果怎么评估?"
答案要点:
- 离线评估:历史数据回灌,计算 拦截率 / 误报率 / 精确率 / 召回率
- AB 测试:灰度 5% 流量,对比新旧规则的效果
- 影子模式:新规则先跑但不拦截,只记录 "本会拦截" 的 Case
- 人工抽检:每天抽 100 条拦截记录,人工标注是否误报
- 业务指标:资金损失金额、客户投诉率、审核人力成本
4.2 实时计算
Q15: "Flink 做实时风控,怎么保证 Exactly-Once?"
答案要点:
- Checkpoint 机制:Barrier 对齐 + 状态快照,间隔 30s
- 端到端一致性:Kafka 生产者开启幂等 + 事务;Sink 用幂等写入(如 Redis
SETNX、MySQLINSERT IGNORE) - 状态后端:RocksDB 做增量 Checkpoint,减少全量快照时间
- 故障恢复:从最新 Checkpoint 恢复,Exactly-Once 语义由 Flink 引擎保证
- Risk 场景特殊处理:
- 如果 Flink 重启导致 5 秒数据延迟,风控决策可能用 "降级规则"(更严格)
- 重启后启动 "补扫任务",对延迟窗口内的事件重新计算特征
Q16: "实时特征和离线特征不一致,怎么处理?"
答案要点:
- 特征口径统一:同一个特征只有一份 SQL/逻辑,实时用 Flink SQL,离线用 Spark SQL,同源同口径
- 特征平台化:特征注册中心,定义一次,多处使用
- 一致性校验:每天对比实时特征和离线特征的 Top 100 用户 数值,差异 > 5% 告警
- 兜底策略:不一致时,离线特征为准,实时特征用于快速响应但不作为最终判定
- 大型加密货币交易所 特殊场景:链上数据是不可变的事实,以链上最终状态为准
4.3 模型与策略
Q17: "规则引擎和机器学习模型怎么配合?"
答案要点:
- 分层防御:
- 规则引擎:处理已知模式(黑名单、限额、频率),低延迟、可解释
- ML 模型:处理未知模式(异常检测、图神经网络),高召回、自动化
- 人工审核:处理模糊地带(模型分数 0.4-0.6),兜底
- 协作方式:
- 规则触发 → 模型二次确认(如 "触发频率规则后,用 XGBoost 评估整体风险分")
- 模型预警 → 规则执行(如 "异常检测发现簇,生成规则自动拦截同类行为")
- 性能优化:模型推理用 TensorRT / ONNX Runtime,延迟 < 10ms;复杂模型走异步链路
Q18: "风控模型被对抗攻击(Adversarial Attack)了怎么办?"
答案要点:
- 对抗样本检测:监控输入特征的分布漂移,异常值触发告警
- 模型ensemble:不依赖单一模型,规则 + XGBoost + 深度学习 + 图模型 投票
- 特征工程鲁棒化:不用容易被伪造的特征(如 User-Agent),用链上原生特征(如交易图谱)
- 快速回滚:模型版本化管理,发现攻击 5 分钟内切回旧版本
- 红蓝对抗:安全团队定期模拟攻击,测试模型鲁棒性
4.4 资金安全
Q19: "怎么防止内部员工挪用用户资金?"
答案要点:
- 权限分离:没有单人可以完成资金操作,必须 M-of-N 多重签名
- 操作审计:所有资金操作 不可篡改日志(WORM 存储 + 区块链存证)
- 异常监控:
- 员工账户查询用户余额 > 阈值告警
- 非工作时间访问资金系统触发审批
- 同一员工连续操作多用户账户标记
- 冷热钱包分离:热钱包只留 5% 资金,大额提币需冷钱包签名
- 零知识证明:敏感操作可验证但不可见
Q20: "用户说他的币被盗了,但你系统没告警,你怎么排查?"
答案要点:
- 还原完整链路:登录日志 → 设备指纹 → IP 地理位置 → 操作序列 → 提币地址
- 判断是否被盗:
- 是否是用户本人操作?(2FA 是否通过、设备是否常用)
- 是否是钓鱼?(登录页域名是否正确、是否有恶意插件)
- 是否是社工?(客服被冒充、SIM 卡被换)
- 系统盲区检查:
- 该攻击模式是否不在现有规则库中?
- 特征计算是否有延迟或丢失?
- 链上分析是否覆盖了相关地址?
- 应急处理:
- 如果确认被盗,标记提币地址到黑名单
- 联系链上分析公司(Chainalysis)追踪资金流向
- 复盘并补充检测规则
4.5 合规与跨境
Q21: "不同国家的 KYC/AML 要求不一样,系统怎么兼容?"
答案要点:
- 规则抽象层:把监管要求抽象为 "规则模板",具体阈值由配置决定
- 地域标签:用户注册时绑定
jurisdiction,决策时自动加载对应规则集 - 灰名单机制:高风险国家用户触发更严格的审查流程
- 监管沙盒:新法规先在小范围测试,验证通过再全量
- 审计追踪:所有决策原因必须可解释,满足监管审查要求
Q22: "如果监管突然要求你必须能解释每一个风控拦截决策,你的系统能做到吗?"
答案要点:
- 当前能力:
- 规则引擎:天然可解释("命中规则 R-102:3 分钟内提币 > 5 笔")
- ML 模型:用 SHAP / LIME 生成特征重要性解释
- 决策链路:每个决策记录完整 trace(特征值 → 规则命中 → 模型分 → 最终决策)
- 技术实现:
- 决策日志存 ClickHouse/ES,保留 7 年
- 提供 决策查询 API,输入用户 ID + 时间,输出完整决策链
- 如果做不到:
- 黑盒模型(如深度神经网络)需要改造成 可解释模型 或 加解释层
- 历史数据如果没有记录特征快照,需要补建 特征仓库
4.6 链上风控
Q23: "链上交易是不可逆的,风控拦截的窗口期只有几秒,怎么设计?"
答案要点:
- 预授权机制:用户发起提币时,先锁定资金但不广播,风控审核通过后再上链
- Mempool 监控:监听待确认交易,可疑交易用 RBF(Replace-By-Fee) 或 更高 Gas 抢跑(如果可能)
- 分层决策:
- T+0ms:本地规则(黑名单、限额)→ 99% 的决策
- T+500ms:链上分析(地址风险分、交易图谱)→ 复杂决策
- T+5s:人工审核 → 大额或模糊决策
- 乐观锁定:低风险的快速放行,高风险的延迟确认
- 事后追回:
- 与主流交易所共享黑名单,阻断洗钱通道
- 智能合约层面设置 时间锁(Timelock),给风控留窗口
Q24: "MEV(最大可提取价值)攻击怎么从风控角度检测?"
答案要点:
- MEV 特征:
- 同一区块内,用户交易前后出现 夹心交易(Sandwich)
- Gas Price 突然飙升,且交易被快速包含
- 交易顺序被重新排列(Front-running / Back-running)
- 检测方法:
- 链上数据监控:分析区块内的交易序列,识别异常模式
- Gas 价格异常检测:用户设置的 Gas Price 远低于实际被执行的价格
- 地址关联分析:攻击者地址和 Builder/Validator 地址是否有资金往来
- 防护策略:
- 集成 MEV-Blocker / Flashbots Protect,保护用户交易
- 检测到 MEV 攻击时,提醒用户调整滑点或使用隐私交易
- 与 Builder 合作,优先打包用户交易,减少被夹风险
Q25: "DeFi 协议被闪电贷攻击了,交易所怎么保护自己?"
答案要点:
- 链上监控:
- 监控主流 DeFi 协议的 TVL 异常波动
- 监控 大额闪电贷(Aave/ dYdX/ Uniswap Flash Swap)
- 监控 价格预言机(Chainlink)的异常更新
- 风控策略:
- 如果某 DeFi 协议 TVL 1 小时内下降 > 30%,自动暂停该协议的充提
- 如果某代币 价格 5 分钟内波动 > 50%,触发熔断,暂停交易
- 用户保护:
- 提前通知用户相关风险
- 如果用户在该协议中有资产,建议撤回
- 事后复盘:
- 分析攻击交易,提取特征,更新检测规则
- 与 DeFi 项目方共享情报
Q26: "冷钱包私钥管理的风控要点是什么?"
答案要点:
- 密钥分片:私钥拆成 N 份,M 份才能还原(Shamir's Secret Sharing)
- 多人控制:没有单个人掌握完整私钥,签名需要 多人 + 多设备
- 物理隔离:冷钱包离线存储,签名在 空气隔离(Air-gapped) 设备上进行
- 定期演练:每季度做一次 签名演练,确保紧急情况下能快速响应
- 灾备:密钥分片存放在 不同地理位置的保险箱,防火灾/地震/战争
- 人员风控:
- 掌握密钥分片的人员需背景调查
- 离职后立即更换对应分片
- 异常行为监控(如突然查询密钥位置)
Q27: "如果发生大规模账户接管(ATO)攻击,几千个账户同时被盗,你的系统怎么响应?"
答案要点:
- 攻击识别(分钟级):
- 监控 登录异常模式:同一 IP / 设备指纹 / 时区 批量登录不同账户
- 监控 行为异常:大量账户在同一时间修改 2FA、修改提币地址
- 触发 集体告警,自动升级至 P0 事故
- 紧急响应(5 分钟内):
- 全局提币熔断:暂停所有提币,防止资金流出
- 批量冻结:命中异常模式的账户自动临时冻结
- 通知安全团队、高管、客服
- 止损(30 分钟内):
- 分析被盗账户的 共同特征:是否用了同一第三方服务?是否被社工?
- 追踪链上资金,标记地址,联系其他交易所封锁
- 恢复(数小时~数天):
- 逐账户验证身份,解冻合法用户
- 补偿受损用户
- 修复漏洞(如第三方 API 密钥泄露、SMS 劫持)
- 复盘:
- 写 Post-mortem,分析为什么初期没检测到
- 更新检测规则,缩短下次响应时间
五、分布式 & 微服务追问:10 道连环题
5.1 Dubbo 深度追问
Q28: "Dubbo 的服务注册与发现,如果 ZooKeeper 挂了会怎样?"
答案要点:
- 客户端缓存:Dubbo Consumer 本地缓存 Provider 列表,ZK 挂了不影响现有调用
- 新服务无法注册:临时节点消失,新启动的 Provider 注册不上
- Consumer 启动失败:新启动的 Consumer 无法从 ZK 拉取服务列表
- 解决方案:
- 改用 Nacos(支持 CP + AP 模式,更健壮)
- 开启 Dubbo 的 File Cache,本地持久化服务列表
- ZK 集群至少 3 节点,避免单点
Q29: "Dubbo 的负载均衡策略有哪些?Risk 场景下选哪个?"
答案要点:
| 策略 | 特点 | Risk 适用性 |
|---|---|---|
| Random | 随机,默认 | 一般,可能打到慢节点 |
| RoundRobin | 轮询 | 好,但故障节点会拖慢 |
| LeastActive | 选活跃数最小的 | 最好,自动避开慢节点 |
| ConsistentHash | 同一参数打到同一节点 | 适合有状态服务,风控一般无状态 |
| ShortestResponse | 选响应时间最短的 | 好,但对网络抖动敏感 |
Risk 场景推荐 LeastActive + 粘滞连接(Sticky) 结合,保证同一用户请求打到同一节点,利于本地缓存命中。
5.2 分布式事务追问
Q30: "Saga 模式的补偿操作失败了怎么办?"
答案要点:
- 补偿也要幂等:补偿操作设计为可重试,失败就重试
- 最大努力通知:补偿失败进入死信队列,人工介入
- 对账兜底:每日对账,发现不一致自动修复
- 监控告警:补偿失败立即告警,不能静默丢失
5.3 缓存追问
Q31: "Redis 分布式锁,如果业务执行时间超过锁过期时间,怎么办?"
答案要点:
- 看门狗(Watch Dog):Redisson 自动续期,默认 30s 过期,每 10s 续期一次
- 业务拆分:把长业务拆成多个短事务,每个持锁时间 < 过期时间
- 乐观锁替代:如果场景允许,用 CAS / 版本号代替分布式锁
- 锁粒度细化:减少临界区代码,降低持锁时间
5.4 消息队列追问
Q32: "Kafka Consumer 重平衡(Rebalance)时,消息会重复消费吗?"
答案要点:
- Eager Rebalance:会,因为所有 Consumer 停止消费,重新分配分区,可能重复
- Cooperative Rebalance(Kafka 2.4+):不会,增量分配,只迁移必要分区
- 处理重复:Consumer 必须幂等(唯一键去重 / 状态机校验)
- 减少 Rebalance:
- 设置
session.timeout.ms合理,避免网络抖动触发 - 避免 Consumer 频繁启停
- 使用
static membership(Kafka 2.3+),Consumer 重启保留分区分配
- 设置
5.5 限流熔断追问
Q33: "Sentinel 的滑动窗口限流和令牌桶限流,哪个更适合风控场景?"
答案要点:
| 维度 | 滑动窗口 | 令牌桶 |
|---|---|---|
| 突发流量 | 平滑处理,拒绝突发 | 允许一定突发 |
| 精度 | 窗口越小越准,内存越大 | 恒定精度 |
| 实现复杂度 | 较高 | 较低 |
| 适用场景 | API 严格限速 | 容忍突发的场景 |
Risk 场景:实时决策接口用滑动窗口(严格限流,保护下游);特征计算接口用令牌桶(容忍突发,提高吞吐)。
5.6 一致性追问
Q34: "你的系统怎么保证最终一致?如果一直不一致怎么办?"
答案要点:
- 最终一致的手段:
- 消息队列保证至少送达
- 消费者幂等处理
- 补偿事务(Saga / TCC)
- 不一致检测:
- 定时对账任务,比对主库和从库/异构库的关键字段
- 差异率 > 0.01% 触发告警
- 修复机制:
- 自动修复:能确定主库为准的,自动覆盖
- 人工修复:模糊地带,人工审核后修复
- 不一致兜底:
- 不一致时间窗口内,读主库(牺牲性能换一致)
- 或 返回"数据更新中",不让用户基于不一致数据做决策
5.7 监控与告警追问
Q35: "你的系统上线后,怎么知道它有没有问题?"
答案要点:
- Metrics(指标):
- 业务指标:拦截率、误报率、决策延迟 p99
- 系统指标:QPS、Error Rate、Latency、CPU、内存、GC
- 用 Prometheus + Grafana 可视化
- Logging(日志):
- 结构化日志(JSON),统一 TraceID
- ELK / Loki 检索,快速定位问题
- Tracing(链路):
- SkyWalking / Jaeger,全链路追踪
- 特别关注风控决策链路各阶段耗时
- Alerting(告警):
- P0:服务完全不可用,电话通知
- P1:核心指标异常,企业微信通知
- P2:趋势异常,日报汇总
- On-call:
- 值班制度,5 分钟内响应
- Runbook:每种告警的排查步骤和应急预案
5.8 性能优化追问
Q36: "你的接口 p99 是 50ms,怎么优化到 10ms?"
答案要点:
- ** profiling **:先找瓶颈,用 Arthas / async-profiler 看火焰图
- 常见优化点:
- 减少 RPC 调用:本地缓存 > 近端缓存 > 远端调用
- 并行化:用
CompletableFuture并行调无依赖服务 - 异步化:非核心逻辑放 Kafka,不阻塞响应
- 减少序列化:用 Protobuf 替代 JSON,减少 70% 体积
- 减少 GC:对象池、TLAB、大对象直接进入老年代
- 数据库:
- 加索引 / 覆盖索引
- 预热连接池
- 读写分离
- 网络:
- 开启 TCP Fast Open
- 减少跨机房调用
- 本地部署 Redis
5.9 安全追问
Q37: "你的 API 怎么防止被刷?"
答案要点:
- 认证:JWT / API Key,未认证直接拒绝
- 限流:
- 用户级:每用户 100 次/分钟
- IP 级:每 IP 1000 次/分钟
- 全局限流:系统总容量保护
- 防重放:请求带时间戳 + nonce,服务端校验,5 分钟内不处理重复 nonce
- 验证码:异常行为触发图形验证码 / 短信验证码
- WAF:拦截 SQL 注入、XSS、CC 攻击
- 风控联动:刷接口的行为本身就是风控事件,触发账户审查
5.10 架构演进追问
Q38: "如果让你把单体架构的风控系统拆成微服务,你的拆分原则是什么?"
答案要点:
- 按业务领域拆分:
risk-rule-engine:规则执行risk-feature-platform:特征计算risk-decision-service:决策编排risk-case-management:案件管理risk-model-service:模型推理
- 按稳定性拆分:
- 核心链路(决策)和非核心链路(报表)分离
- 核心链路独立部署,不受非核心影响
- 按数据拆分:
- 读多写少的服务独立扩读节点
- 写密集型服务独立优化写性能
- 防腐层:
- 外部依赖(如链上数据、KYC 服务)用适配器封装
- 外部接口变更不影响核心服务
- 不盲目拆分:
- 团队 < 10 人、QPS < 1万 时,单体更合适
- 拆分的前提是有明确的边界和独立发布需求
六、Java 并发追问:10 道挖坑题
6.1 ThreadLocal
Q39: "ThreadLocal 的内存泄漏是怎么发生的?怎么解决?"
答案要点:
- 原因:ThreadLocalMap 的 Entry 是 WeakReference 引用 ThreadLocal,但 Value 是强引用。如果 ThreadLocal 被回收,Value 还在,且线程是线程池的(长期存活),Value 就泄漏了。
- 解决:
- 用完调用
threadLocal.remove() - 或者用
TransmittableThreadLocal(TTL)做父子线程传递,自动清理
- 用完调用
- 大型加密货币交易所 场景:风控请求用线程池处理,特征计算中如果用 ThreadLocal 存临时数据,必须 finally remove。
6.2 线程池
Q40: "线程池的拒绝策略,Risk 场景下选哪个?"
答案要点:
| 策略 | 行为 | Risk 适用性 |
|---|---|---|
| AbortPolicy | 抛异常 | 默认,但会导致请求失败 |
| CallerRunsPolicy | 调用者线程执行 | 最好,降级为同步处理,不丢请求 |
| DiscardPolicy | 静默丢弃 | 绝对不能选,风控请求不能丢 |
| DiscardOldestPolicy | 丢弃最老任务 | 不能用,老任务可能是高危事件 |
Risk 场景选 CallerRunsPolicy,并配合 队列长度监控,队列 > 80% 时告警扩容。
6.3 synchronized
Q41: "synchronized 修饰静态方法和实例方法,锁的对象分别是什么?"
答案要点:
- 实例方法:
this对象 - 静态方法:
Class对象(RiskService.class) - 代码块:
synchronized(obj)括号里的对象
易错点:静态方法和实例方法的锁不互斥,可以同时执行。
6.4 volatile
Q42: "volatile 能保证线程安全吗?"
答案要点:
- 不能保证复合操作的原子性,如
i++(读-改-写三步) - 能保证 可见性(一个线程修改,其他线程立即可见)和 有序性(禁止指令重排)
- 只有 单次读写 的变量用 volatile 才安全,如
boolean flag = true
6.5 AQS
Q43: "AQS 的独占模式和共享模式有什么区别?"
答案要点:
- 独占模式:如
ReentrantLock,同一时刻只有一个线程能获取锁 - 共享模式:如
Semaphore、CountDownLatch,多个线程可以同时获取资源 - AQS 用 state 变量控制,独占模式 state 0/1,共享模式 state 可以是任意正数
6.6 ConcurrentHashMap
Q44: "ConcurrentHashMap 的 size() 是精确的吗?"
答案要点:
- JDK7:分段锁,
size()需要统计所有 Segment,不精确(可能重复计数) - JDK8:CAS + synchronized 节点,
size()用 baseCount + counterCells 累加,也不是绝对精确,但并发性能更好 - 如果需要精确 size,用
Collections.synchronizedMap(new HashMap<>()),但性能差
6.7 CompletableFuture
Q45: "CompletableFuture 的 thenApply 和 thenCompose 有什么区别?"
答案要点:
thenApply:转换结果,T -> U,返回普通值thenCompose:扁平化,T -> CompletionStage<U>,返回另一个异步操作- 类比:
thenApply是map,thenCompose是flatMap
6.8 死锁
Q46: "线上出现死锁,怎么定位?"
答案要点:
- jstack:
jstack -l <pid>,找Found one Java-level deadlock: - Arthas:
thread -b,直接找阻塞线程 - 日志:如果代码里记录了锁的获取顺序,从日志还原
- 预防:
- 锁按固定顺序获取(如按对象 hashCode 排序)
- 用
tryLock代替lock,超时放弃 - 用无锁数据结构(
ConcurrentHashMap替代HashMap + synchronized)
6.9 CAS
Q47: "ABA 问题是怎么产生的?怎么解决?"
答案要点:
- 产生:线程 A 读值 V,线程 B 改成 V2 又改回 V,线程 A CAS 成功,但实际上值被修改过
- 解决:
AtomicStampedReference:加版本号AtomicMarkableReference:加布尔标记
- Risk 场景:账户余额更新,如果用 CAS,ABA 可能导致重复扣款。用 版本号 或 悲观锁 更安全。
6.10 伪共享
Q48: "什么是伪共享(False Sharing)?怎么避免?"
答案要点:
- 原因:CPU 缓存行(Cache Line)64 字节,两个变量在同一个缓存行,不同 CPU 修改会互相失效
- 避免:
@Contended(JDK8):自动填充缓存行- 手动填充:
long p1, p2, p3, p4, p5, p6, p7;把变量隔开
- Risk 场景:高并发计数器,多个线程修改相邻的
LongAdder单元,可能伪共享。用Striped64(LongAdder底层)已经处理了这个问题。
七、被质疑时的挽回话术
7.1 "你不懂这个吧?"
错误应对:
- "我懂!"(然后强行解释,越说越错)
- "确实不懂..."(直接放弃)
正确应对:
这个我实际工作中接触不深,但我知道它和 [相关概念] 有关。据我了解,[说出 1-2 个正确事实]。如果给我一点时间,我可以快速学会并应用。
不过我在 [你熟悉的领域] 上有比较多的经验,比如 [具体项目],不知道那个方向我们是否可以多聊一些?
7.2 "你刚才说的方案有明显漏洞"
错误应对:
- "哪里有问题?我没觉得啊"(防御性反驳)
- "哦,那可能是我考虑不周"(直接认输,不展示思考)
正确应对:
您说得对,让我重新想一下。
我目前的方案在 [具体场景] 下确实有 [具体问题]。
可能的改进方向:
- [方案 A]:解决 [问题],代价是 [trade-off]
- [方案 B]:解决 [问题],代价是 [trade-off]
您觉得哪个方向更合适?或者您是否有更好的建议?
7.3 "你这个项目好像没什么难点?"
错误应对:
- "其实挺难的..."(苍白辩解)
- "确实不难..."(自我贬低)
正确应对:
这个项目的技术难点确实不是架构复杂度,而是 [真实难点]:
- 一致性保证:在 [具体约束] 下,如何确保 [数据/状态] 不丢失/不重复
- 性能调优:从 [初始性能] 优化到 [最终性能],我做了 [具体优化]
- 稳定性:上线 [X 个月] 零故障,我做了 [具体措施]
有时候把简单的事做到极高可靠性,比做复杂架构更有挑战。
7.4 "你的技术栈和我们不太匹配"
错误应对:
- "我可以学"(太苍白)
- "技术都是相通的"(太傲慢)
正确应对:
我理解您的顾虑。
我的技术栈确实偏 [Java/Dubbo/Kafka],但核心的分布式系统原理(CAP、一致性、高可用)是通用的。
而且我在 [具体技术] 上有 [X 年]经验,比如 [具体成就]。我相信技术迁移的成本主要在 2-4 周的熟悉期,我的架构思维和问题解决能力可以很快补平这个 gap。
您最担心的是我哪方面的 gap?我可以针对性地说明我的学习计划。
7.5 "你上一家公司规模不大,大型加密货币交易所 的量级你能适应吗?"
正确应对:
上一家公司规模确实不如 大型加密货币交易所,但我在有限的资源下解决过和大厂类似的问题:
比如 [具体问题],当时我们只有 [X 台机器],支撑了 [Y QPS],相当于大厂 [Z 分之一的资源] 做同样的事。这个过程中我学到的 性能压榨、优雅降级、资源规划 经验,在大规模场景下反而更有价值。
当然,大型加密货币交易所 的量级会带来全新的挑战,比如 [具体挑战],这正是我想来的原因。
八、面试结束前反问问题清单
8.1 必问问题(展示你的思考深度)
技术方向
- "Risk 团队目前最大的技术挑战是什么?是延迟、一致性、还是模型效果?"
- 展示你关心真实痛点,不是来养老的
- "实时风控链路目前的 p99 延迟是多少?目标是多少?"
- 展示你对性能指标的敏感度
- "团队有没有在做 LLM + 风控的结合?如果有,是辅助决策还是探索阶段?"
- 展示你关注前沿技术
- "风控规则和模型的迭代频率是怎样的?每天上线几条规则?"
- 展示你关心工程效率
- "团队的技术债务主要在哪些方面?有没有专门的还债计划?"
- 展示你务实,不只看光鲜面
团队与文化
- "这个岗位的日常工作节奏是怎样的?On-call 频率如何?"
- 展示你关心工作生活平衡(同时也是摸底)
- "团队的技术决策是怎么做的?是个人主导还是集体讨论?"
- 展示你关心团队文化
- "入职后前 3 个月的期望是什么?有没有具体的 OKR?"
- 展示你目标导向
业务方向
- "大型加密货币交易所 目前在哪个风控子领域投入最大?是链上分析、KYC、还是交易监控?"
- 展示你对业务方向的关注
- "未来 1 年 Risk 团队最想解决的 3 个问题是什么?"
- 展示你战略性思考
8.2 不要问的问题
- ❌ "加班多吗?"(太直接,问 On-call 更专业)
- ❌ "薪资能给多少?"(等 HR 面或 Offer 阶段)
- ❌ "你们用 Java 还是 Go?"(应该面试前就知道)
- ❌ "我能不能远程办公?"(除非 JD 写了 hybrid)
- ❌ "你们公司是做什么的?"(显得完全没准备)
九、面试当日时间轴 Checklist
9.1 面试前 24 小时
- 复习 I1 项目模板,确保每个项目都能 3 分钟讲清楚
- 复习 I3 系统设计的 4S 框架,脑中过一遍架构图
- 看一遍本文的 "被质疑时的挽回话术"
- 检查设备:网络、摄像头、麦克风、电源(线上面试)
- 准备白纸 + 笔(现场面试画架构图用)
- 打印 2 份简历(现场面试备用)
- 查好路线,提前 30 分钟到(现场面试)
- 设置闹钟,提前 15 分钟进入面试间(线上面试)
9.2 面试前 1 小时
- 手机静音 / 勿扰模式
- 准备一杯温水(紧张时喝)
- 深呼吸 5 次,降低心率
- 快速浏览本文的 "技术深度追问速查卡"
- 默念一遍个人介绍的精简版
- 确认面试链接 / 会议室位置
9.3 面试中
- 开场微笑,眼神交流(视频面试看摄像头,不是屏幕)
- 回答前先停顿 2 秒,组织语言
- 不知道的问题,诚实说 "这个我不确定",不要编
- 每个技术问题用 "结论先行" 结构
- 主动提及 trade-off,展示深度思考
- 遇到压力题,先深呼吸,再回答
- 记录面试官提到的团队痛点(反问时用)
- 结束前确认 "您还有什么想了解的吗?"
9.4 面试后 1 小时
- 立即记录面试问题(用备忘录 / 笔记软件)
- 复盘:哪些问题答得好?哪些答得差?
- 答得差的问题,立即查资料补充
- 给 HR / 猎头发感谢信(如果有联系方式)
- 调整后续面试策略
9.5 面试后 24 小时
- 如果没有收到反馈,礼貌跟进一次
- 继续准备其他面试(不要把鸡蛋放一个篮子)
- 复盘总结,更新面试题库
十、附录:面试官潜台词翻译表
| 面试官说 | 潜台词 | 你的应对 |
|---|---|---|
| "你还有什么问题吗?" | 我在考察你的思考深度,也是给你机会展示兴趣 | 问一个能展示你研究过公司和岗位的问题 |
| "你对我们了解多少?" | 你是不是海投的?有没有针对性准备? | 说出具体业务、最近新闻、技术挑战 |
| "你觉得自己的优势是什么?" | 你和别的候选人有什么区别? | 用具体数据和项目证明,不是形容词 |
| "你为什么选择 大型加密货币交易所?" | 你的动机是什么?会待多久? | 结合个人成长和 大型加密货币交易所 独特挑战回答 |
| "你的期望薪资是多少?" | 我想知道你的 level 和灵活性 | 给出范围,强调更看重成长空间 |
| "你手上还有其他 Offer 吗?" | 我想知道你的紧迫感和市场竞争力 | 如实说(如果有),但不要吹牛 |
| "我们需要考虑考虑" | 你可能是备选,或者面试官没决定权 | 礼貌询问时间线,继续推进其他面试 |
| "你最大的失败是什么?" | 你怎么面对挫折?有没有成长? | 真实案例 + 深刻反思 + 具体改进 |
| "如果你的上级不同意你的方案,怎么办?" | 你服从性怎么样?沟通能力如何? | 坚持数据说话 + 保留意见但执行 |
| "你平时怎么学习新技术?" | 你是不是只工作不学习? | 具体的学习渠道 + 最近学的技术 + 实践 |
快速索引卡(面试前 30 分钟看)
必背三句话
-
开场白:"我是 XXX,X 年经验,专注实时风控,主导过日处理 10 亿事件的系统,技术栈 Java + Dubbo + Kafka + Redis + StarRocks。"
-
被问倒时:"这个我工作中接触不多,但我知道它和 XXX 有关。据我了解... 我能快速学习。"
-
结束时:"感谢您的时间。我对 Risk 团队的 [具体挑战] 非常感兴趣,希望能有机会加入,一起解决这些问题。"
必背三个数字
- 你系统的 峰值 QPS:_____
- 你系统的 p99 延迟:_____
- 你系统的 可用性(SLA):_____
必背三个项目
- [项目名称]:解决了 [什么问题],结果是 [什么数据]
- [项目名称]:解决了 [什么问题],结果是 [什么数据]
- [项目名称]:解决了 [什么问题],结果是 [什么数据]
必背三个技术选型理由
- 为什么用 Kafka 不用 RabbitMQ:吞吐 + 回溯 + 顺序性
- 为什么用 Saga 不用 2PC:性能 + 可用性 + 风控短事务场景
- 为什么用 StarRocks 不用 Druid:实时更新 + 明细查询 + 点查性能
必背三个失败案例
- [什么失败] → [怎么发现的] → [怎么解决的] → [怎么防止再发生]
- ...
- ...
最后一句:面试不是考试,是双向选择。你在展示能力的同时,也在评估这个团队值不值得加入。保持自信、诚实、专业,结果不会差。
祝你好运,Offer 到手。