以下是针对Java性能优化的面试题，涵盖前后端技术栈的常见优化方式，适合评估候选人对性能调优的理解和实际应用能力：

---

1. JVM性能调优

题目:

• 请说明JVM垃圾回收（GC）的常见类型及其适用场景，并描述如何通过JVM参数优化GC性能。
• 编写一个代码示例，模拟内存泄漏场景，并说明如何通过工具定位和修复该问题。

参考答案:

• GC类型与适用场景:

  • Serial GC：单线程，适用于单核CPU的小型应用。
  • Parallel GC（吞吐量优先）：多线程，适用于注重吞吐量的批处理任务。
  • CMS（低延迟）：以最短停顿时间为目标，适用于实时系统。
  • G1（平衡吞吐与延迟）：适用于大堆内存（>4GB）的高并发场景。
  • ZGC/RHGC（超低延迟）：毫秒级停顿，适用于大内存低延迟场景（如金融交易系统）。

• JVM参数优化示例:

  # 启用G1 GC，设置最大堆内存4GB，控制GC停顿时间目标为200ms
  java -XX:+UseG1GC -Xms4g -Xmx4g -XX:MaxGCPauseMillis=200 -jar myapp.jar
  

• 内存泄漏示例与修复:

  // 内存泄漏场景：未关闭的资源导致对象无法回收
  public class LeakExample {private static List<BufferedReader> readers = new ArrayList<>();public void loadData(String filePath) throws IOException {BufferedReader reader = new BufferedReader(new FileReader(filePath));readers.add(reader); // 静态集合导致reader无法被回收// ... 使用reader ...}
  }
  

  修复方法:

  1. 使用try-with-resources自动关闭资源。
  2. 避免静态集合长期持有对象引用。
     定位工具:
  • MAT（Memory Analyzer）：分析堆转储（heap dump），查找内存泄漏嫌疑对象。
  • jstat/jmap：监控GC行为和堆内存使用情况。

---

2. 高并发场景下的线程池优化

题目:

• 请说明线程池核心参数的作用，并解释如何根据任务类型（计算密集型 vs I/O密集型）调整线程池大小。
• 编写一个线程池配置示例，模拟高并发订单处理场景，并说明其优化逻辑。

参考答案:

• 线程池核心参数:

  • corePoolSize：核心线程数，常驻线程数量。
  • maximumPoolSize：最大线程数，任务激增时的扩展上限。
  • keepAliveTime：空闲线程存活时间。
  • workQueue：任务队列，用于缓冲等待执行的任务。
  • threadFactory：线程工厂，自定义线程名称或优先级。

• 线程池大小计算公式:

  • 计算密集型：线程数 = CPU核心数 + 1
  • I/O密集型：线程数 = CPU核心数 × (1 + 平均等待时间/平均工作时间)

• 订单处理线程池示例:

  // 高并发订单处理场景：I/O密集型任务（如远程服务调用）
  int corePoolSize = Runtime.getRuntime().availableProcessors() * 2;
  ExecutorService executor = new ThreadPoolExecutor(corePoolSize,corePoolSize * 2,60L, TimeUnit.SECONDS,new LinkedBlockingQueue<>(1000),new ThreadFactoryBuilder().setNameFormat("order-pool-%d").build(),new ThreadPoolExecutor.CallerRunsPolicy() // 拒绝策略：由调用线程处理
  );
  

• 优化逻辑:

  • 使用有界队列（LinkedBlockingQueue）防止内存溢出。
  • 通过拒绝策略（CallerRunsPolicy）避免任务丢失。
  • 监控线程池状态（如ThreadPoolTaskExecutor的getTaskCount()）。

---

3. 数据库与SQL优化

题目:

• 请列举数据库查询性能优化的常见手段，并说明索引的优缺点。
• 编写一个SQL查询示例，模拟订单分页查询的性能瓶颈，并说明如何优化。

参考答案:

• 数据库优化手段:

  • 索引优化：在频繁查询的字段（如主键、外键）创建索引。
  • 分库分表：水平分表（如按时间分片）或垂直分库（按业务模块拆分）。
  • 连接池配置：使用HikariCP减少连接创建开销。
  • 批量操作：使用batchInsert减少网络往返。
  • 读写分离：主库写入，从库读取，降低主库压力。

• 索引的优缺点:

  • 优点：加速查询，减少全表扫描。
  • 缺点：增加写入开销，占用额外存储空间。

• 分页查询优化示例:

  -- 传统分页（性能差）
  SELECT * FROM orders WHERE user_id = 1 ORDER BY create_time DESC LIMIT 10 OFFSET 100000;-- 优化方案：基于游标的分页（适用于有序数据）
  SELECT * FROM orders 
  WHERE user_id = 1 AND create_time < '2025-06-16' 
  ORDER BY create_time DESC 
  LIMIT 10;
  

• 优化逻辑:

  • 避免OFFSET在大数据量下的性能问题。
  • 利用上次查询的create_time作为游标条件。

---

4. 缓存策略（Redis & 本地缓存）

题目:

• 请说明Redis缓存穿透、击穿、雪崩的解决方法，并编写一个本地缓存（如Caffeine）的代码示例。
• 描述如何设计一个高并发场景下的缓存预热策略。

参考答案:

• 缓存问题与解决方案:

  • 缓存穿透：恶意查询不存在的数据 → 布隆过滤器拦截非法请求。
  • 缓存击穿：热点数据过期 → 互斥锁（Redis.setnx）或永不过期策略。
  • 缓存雪崩：大量缓存同时失效 → 随机过期时间 + 熔断降级（如Hystrix）。

• 本地缓存示例（Caffeine）:

  // 使用Caffeine构建本地缓存，最大条目数1000，过期时间10分钟
  Cache<String, Object> cache = Caffeine.newBuilder().maximumSize(1000).expireAfterWrite(10, TimeUnit.MINUTES).build();public Object getData(String key) {return cache.get(key, k -> fetchFromDB(k)); // 命中缓存或回源
  }
  

• 缓存预热策略:

  • 定时任务预热：在业务低峰期加载热点数据到缓存。
  • 冷启动预热：服务启动时批量加载核心数据（如商品库存）。
  • 监控驱动预热：根据历史访问日志动态加载数据。

---

5. 前端性能优化

题目:

• 请列举前端性能优化的常见手段，并说明CDN和HTTP/2的作用。
• 编写一个代码示例，模拟资源加载优化（如懒加载、资源合并）。

参考答案:

• 前端优化手段:

  • 减少HTTP请求：合并CSS/JS文件，使用CSS Sprites。
  • 资源压缩：Gzip压缩HTML/CSS/JS，WebP格式图片。
  • 懒加载：延迟加载非首屏资源（如图片、组件）。
  • CDN加速：将静态资源分发到全球节点，减少网络延迟。
  • HTTP/2：多路复用、头部压缩，减少请求延迟。

• 资源加载优化示例:

  <!-- 图片懒加载 -->
  <img src="placeholder.jpg" data-src="image.jpg" class="lazyload"><!-- 动态加载脚本 -->
  <script>function loadScript(src) {const script = document.createElement('script');script.src = src;script.async = true;document.head.appendChild(script);}window.addEventListener('scroll', () => {if (isInViewport('.lazyload')) {loadScript('main.js');}});
  </script>
  

• CDN与HTTP/2作用:

  • CDN：通过就近节点提供静态资源，降低延迟。
  • HTTP/2：支持并行加载资源，减少TCP连接数，提升页面加载速度。

---

6. 异步处理与消息队列

题目:

• 请说明异步处理的优势，并描述如何使用消息队列（如Kafka）优化系统性能。
• 编写一个Spring Boot中使用@Async注解的代码示例。

参考答案:

• 异步处理优势:

  • 解耦业务流程（如订单创建与短信通知）。
  • 提升响应速度（避免同步阻塞）。
  • 平滑流量高峰（削峰填谷）。

• 消息队列优化场景:

  • Kafka：用于日志收集、订单异步处理，支持高吞吐量。
  • RabbitMQ：用于实时任务（如支付通知）。

• Spring Boot异步示例:

  @Configuration
  @EnableAsync
  public class AsyncConfig {@Bean(name = "taskExecutor")public Executor taskExecutor() {ThreadPoolTaskExecutor executor = new ThreadPoolTaskExecutor();executor.setCorePoolSize(4);executor.setMaxPoolSize(8);executor.setQueueCapacity(100);executor.setThreadNamePrefix("async-pool-");executor.initialize();return executor;}
  }@Service
  public class AsyncService {@Async("taskExecutor")public void sendNotification(String message) {// 模拟耗时操作try {Thread.sleep(1000);} catch (InterruptedException e) {Thread.currentThread().interrupt();}System.out.println("Sent: " + message);}
  }
  

• 使用场景:

  • 用户注册后发送邮件/短信。
  • 日志记录、数据统计等后台任务。

---

7. 微服务性能优化

题目:

• 请说明微服务架构中的常见性能瓶颈，并描述如何通过服务治理（如熔断、限流）优化性能。
• 编写一个Resilience4j熔断器的代码示例。

参考答案:

• 性能瓶颈与治理:

  • 服务依赖链过长：引入分布式追踪（如SkyWalking）。
  • 雪崩效应：熔断（Hystrix/Resilience4j）隔离故障服务。
  • 突发流量：限流（令牌桶算法）保护核心服务。

• Resilience4j熔断器示例:

  // 配置熔断器（失败率阈值50%，最小请求数10）
  Resilience4jConfig config = Resilience4jConfig.custom().failureRateThreshold(50).minimumNumberOfCalls(10).waitDuration(10, TimeUnit.SECONDS).build();// 应用熔断器
  @Bean
  public CircuitBreaker circuitBreaker(CircuitBreakerConfig config) {return CircuitBreaker.of("orderService", config);
  }@Service
  public class OrderService {@CircuitBreaker(name = "orderService", fallbackMethod = "fallback")public String getOrderDetails(String orderId) {// 调用远程服务return restTemplate.getForObject("http://order-service/" + orderId, String.class);}public String fallback(Throwable t) {return "Fallback response for order details";}
  }
  

• 优化逻辑:

  • 当失败率超过阈值时，熔断器打开，直接返回降级响应。
  • 结合限流（RateLimiter）防止突发流量压垮服务。

---

总结

以上题目覆盖了Java性能优化的核心领域，包括JVM调优、高并发处理、数据库优化、缓存策略、前后端资源加载、异步处理及微服务治理。通过这些问题，可以全面评估候选人对性能瓶颈的分析能力、优化手段的应用经验以及实际编码能力。