📌 第1章 · 岗位能力画像与简历优化
本章帮助你构建分布式缓存稳定性工程师的岗位能力模型，并将能力转化为高匹配度的简历语言。以下先通过能力画像图看清岗位全貌，再通过结构化表格与面试问答卡片，掌握简历优化和面试表达的底层逻辑。
📋 简历结构模板（含关键词清单）
| 模块 | 必备关键词（🔑 高亮） | 成果量化句式 |
|---|---|---|
| 专业技能 | Redis Cluster / 哨兵 / 持久化(RDB/AOF) / 缓存穿透/击穿/雪崩 / 一致性哈希 | “通过配置Redis哨兵+主从切换，将缓存可用性从99.9%提升至99.99%。” |
| 项目经验 | 热点Key发现 / 大Key拆分 / 限流降级 / 数据一致性方案 / 故障自愈 | “设计热Key自动识别+本地缓存+限流组合方案，QPS从5k峰值稳定至12k，0故障。” |
| 稳定性保障 | 容灾演练 / 慢查询优化 / 内存碎片整理 / 监控告警(Grafana) / 全量+增量数据校验 | “建立缓存慢查询TOP5自动分析+定期碎片清理机制，P99延迟降低42%。” |
🎯 面试问答卡片（本章核心）
Q1：如何避免缓存雪崩？你实际项目中是怎么做的？
🎯 考察点： 缓存高可用设计、防雪崩策略、工程思维。
🧠 回答框架： 定义雪崩 → 分析原因（同一时间大量缓存失效/缓存节点宕机）→ 对应策略（过期时间随机化、多级缓存、本地缓存兜底、服务限流熔断）→ 带项目案例。
📝 示例回答： 我在电商大促场景中，将所有缓存key的过期时间增加基础值±10%的随机偏移，防止同时失效。同时部署Redis Cluster多副本，并配置本地Caffeine缓存作为二级兜底。大促期间缓存命中率稳定在98%，0次雪崩故障。
❓ 可能追问： 如果缓存节点全部宕机呢？你的本地缓存容量如何评估？
Q2：缓存穿透如何解决？说说布隆过滤器的工程落地细节。
🎯 考察点： 对穿透本质的理解、布隆过滤器原理与参数调优、缓存空值策略的权衡。
🧠 回答框架： 定义穿透（查询不存在key）→ 两种方案（布隆过滤器/缓存空值并设置较短过期时间）→ 布隆过滤器选择（Redis bitmaps实现或Guava）→ 参数（预期数据量n、误判率p决定位数组大小m和hash函数k）→ 更新策略（数据库写入时同步重置过滤器）。
📝 示例回答： 我在用户画像系统使用Redis布隆过滤器，预期1000万key，误判率设为1%，计算位数组约1200MB。上线后穿透请求从日均10万降至200，同时对未命中key缓存空值(5s过期)作为双重防护。数据库负载下降85%。
❓ 可能追问： 布隆过滤器怎么删除元素？误判率对业务的影响？有没有用布谷鸟过滤器？
Q3：描述一次你处理的缓存数据不一致问题（缓存与MySQL）。
🎯 考察点： 数据一致性方案、分布式事务认知、实际故障排错能力。
🧠 回答框架： 背景（双写场景）→ 不一致现象（读脏数据）→ 原因分析（先更新DB再删缓存，但删除失败；或者先删缓存再更新DB，中间有并发读写）→ 解决方案（延迟双删、异步binlog监听+重试、读写锁）→ 效果。
📝 示例回答： 在订单状态更新场景，曾出现先更新DB后删除缓存失败导致脏读。我方案：更新DB后延迟200ms再删一次缓存（延迟双删）；同时增加MQ异步监听binlog变更，若缓存未删除则重试。最终不一致从日均30次降为0。
❓ 可能追问： 延迟双删的延迟时间如何确定？如果第二次删除也失败怎么办？