美团AI面试面经

零、基本情况

📍面试公司：美团

👜面试岗位：软件开发工程师（后端方向）

面试问题

一、选择题：选择语言C++

二、专业题：

1.CSRF 攻击盗用用户身份方式。防御措施中的 token 机制原理。

CSRF 攻击盗用用户身份的方式

利用用户已登录状态：用户登录目标网站后，浏览器会保存相关的登录凭证（如 Cookie）。攻击者诱使用户访问恶意网站，在用户不知情的情况下，恶意网站向目标网站发送请求，浏览器会自动携带用户的登录凭证，使目标网站误以为请求来自合法用户，从而执行攻击者期望的操作，如转账、修改密码等。
构造伪装请求：攻击者分析目标网站的操作接口，构造与目标网站合法请求相似的请求。当用户访问恶意网站时，通过脚本等方式自动发起这些伪装请求到目标网站，利用用户的身份执行非法操作。

防御措施中 token 机制的原理

生成与验证：用户访问目标网站时，服务器为用户生成一个唯一的 token，通常是一个随机的字符串，并将其发送给用户的浏览器，浏览器将 token 存储在本地。当用户提交表单或执行其他敏感操作时，浏览器会将 token 与请求数据一起发送到服务器。服务器接收到请求后，会验证 token 的有效性和合法性。如果 token 有效且与服务器记录匹配，则认为请求是合法的，否则拒绝请求。
防止伪造：token 具有随机性和唯一性，攻击者难以猜测或伪造正确的 token。即使攻击者诱使用户发送请求，由于无法获取正确的 token，服务器也能识别出请求的非法性，从而有效防止 CSRF 攻击。

2.物理内存和虚拟内存。

内存通常包括物理内存和虚拟内存，以下是关于它们的介绍：

物理内存

• 定义：物理内存是计算机硬件的一部分，由随机存取存储器（RAM）芯片组成，用于暂时存储正在运行的程序和数据，CPU可直接对其进行访问，数据的读写速度很快。
• 作用：当计算机启动程序时，会将程序和相关数据从硬盘等存储设备加载到物理内存中，以便CPU快速读取和处理，提高程序的运行效率。物理内存的大小直接影响计算机同时运行程序的数量和运行速度。
• 举例：我们常说的计算机配备8GB、16GB或32GB内存，指的就是物理内存的容量。

虚拟内存

• 定义：虚拟内存是计算机系统内存管理的一种技术，它利用硬盘空间模拟物理内存，为每个程序提供一个独立的、连续的地址空间，让程序以为自己拥有足够大的内存空间。
• 作用：当物理内存不足时，系统会将物理内存中暂时不使用的数据存储到硬盘上的虚拟内存空间中，腾出物理内存给其他需要运行的程序使用。当需要再次使用这些数据时，再从虚拟内存中读取回物理内存。
• 举例：在同时打开多个大型软件时，若物理内存不够用，系统会自动使用虚拟内存，可能会出现硬盘灯频繁闪烁，这就是系统在进行物理内存和虚拟内存之间的数据交换。

3.联合索引的最左匹配原则。有这个限制的原因。在设计和使用联合索引时，这个原则来优化查询性能。

以下是关于联合索引最左匹配原则的相关内容：

最左匹配原则

联合索引的最左匹配原则是指在使用联合索引时，MySQL会从索引的最左边开始匹配，只有当查询条件中包含索引的最左边列时，索引才会被使用。比如有一个联合索引（col1, col2, col3），只有当查询条件中有col1时，索引才可能被用到，如果没有col1而只有col2和col3，一般情况下该联合索引不会被使用。

存在限制的原因

• 索引结构：联合索引是按照索引列的顺序存储和组织数据的，从最左列开始构建B+树等索引结构，先根据最左列进行排序和划分节点，再依次考虑后面的列，所以只有从最左列开始匹配，才能利用索引的有序性快速定位数据。
• 查询优化器原理：数据库的查询优化器在评估查询执行计划时，基于最左匹配原则来判断是否使用联合索引以及如何使用，这样可以更高效地计算出最优的查询路径，减少数据的扫描范围。

设计和使用时的优化策略

• 分析查询语句：在设计联合索引前，对经常使用的查询语句进行分析，找出那些经常一起出现在WHERE子句中的列，将这些列按照使用频率和重要性从左到右排列，创建联合索引。
• 顺序调整：如果有多个查询场景，需要综合考虑各查询条件的使用情况，尽量将最常作为限制条件的列放在联合索引的最左边，以满足更多查询的最左匹配。
• 覆盖索引：利用最左匹配原则，尽量让联合索引覆盖更多的查询列，使得查询结果可以直接从索引中获取，减少回表查询，提高查询性能。
• 避免列运算：在查询条件中，尽量避免对索引列进行函数运算或表达式计算，因为这可能会导致最左匹配原则失效，使索引无法正常使用。

4.C++ 中 new 和 malloc 有什么区别？各自底层实现原理。

C++中new和malloc主要有以下区别及底层实现原理：

区别

• 语法和功能：new是C++关键字，malloc是C标准库函数。new可自动计算所需内存大小，还能调用构造函数进行对象初始化，malloc只分配内存，需手动指定字节数且不进行初始化。如int* p1 = new int(5);，int* p2 = (int*)malloc(sizeof(int));。
• 返回值类型：new返回对应类型的指针，无需强制转换；malloc返回void*，使用时通常需强制转换为所需类型指针。
• 异常处理：new在分配内存失败时会抛出bad_alloc异常，malloc失败时返回NULL。
• 数组处理：new有专门的new[]语法用于分配数组内存，会调用数组中每个元素的构造函数，delete[]用于释放；malloc分配数组内存后，释放用free，不会调用构造和析构函数。

底层实现原理

• new的底层实现：先调用operator new函数来分配内存，该函数内部通常调用malloc分配内存空间，若分配成功，再根据对象类型调用相应构造函数初始化对象。
• malloc的底层实现：在不同操作系统上实现不同，一般通过系统调用（如Linux的brk或mmap）向操作系统申请内存。以brk为例，它通过移动堆顶指针来分配内存，维护一个内存块链表，记录已分配和未分配的内存块信息，分配时遍历链表找合适大小的未分配块，找到后标记为已分配并返回指针。

5.C++ 中函数指针。定义函数指针。使用场景。

以下是关于C++中函数指针的相关内容：

函数指针的定义

函数指针是一种指向函数的指针变量，它存储了函数的入口地址，通过函数指针可以调用其所指向的函数，就像使用普通指针访问变量一样。

函数指针的定义方式

一般形式为返回值类型 (*指针变量名)(参数列表)。例如，int (*pFunc)(int, int)定义了一个名为pFunc的函数指针，它可以指向一个接受两个int类型参数并返回int类型值的函数。

函数指针的使用场景

• 回调函数：在很多库函数中，常需要传入一个回调函数，由库函数在合适的时机调用。比如qsort函数用于排序，可传入一个比较函数的指针作为参数，来定义排序规则。
• 函数指针数组：可用于创建函数表，根据不同的条件选择调用不同的函数。如实现一个简单的计算器，用函数指针数组存储加法、减法、乘法、除法等运算函数，根据用户输入选择调用相应函数。
• 状态机：在状态机的实现中，函数指针可用于表示不同状态下的行为。每个状态对应的处理函数可以通过函数指针来调用，使得状态机的逻辑更清晰，易于维护和扩展。

6.为校园论坛设计帖子点赞接口的防刷机制。+追问

为校园论坛设计帖子点赞接口的防刷机制，可以从以下几个方面入手：

用户行为限制

• 限制点赞频率：记录用户对每个帖子的点赞时间，规定在一定时间内（如1分钟内）只能对同一个帖子点赞一次。
• 设置每日点赞上限：根据校园论坛的活跃程度，为每个用户设置每日点赞数量的上限，如每天最多点赞50次。

技术手段检测

• IP限制：记录用户点赞时的IP地址，限制同一IP地址在一定时间内的点赞次数。若一个IP地址短时间内对大量帖子进行点赞，可判定为异常行为。
• 设备指纹识别：通过浏览器指纹或设备唯一标识等技术，识别用户的设备。限制同一设备在一定时间内的点赞数量，防止用户通过切换账号来刷赞。

数据异常分析

• 点赞行为分析：利用大数据分析技术，建立用户点赞行为模型。分析点赞的时间分布、点赞对象的分布等，若发现某个用户的点赞行为与正常用户行为模式差异较大，如瞬间点赞大量不同类型的帖子，可判定为刷赞行为。
• 点赞来源分析：统计点赞用户的来源渠道，若发现大量点赞来自同一个或少数几个异常渠道，如某个特定的来路链接或特定的Referer，可怀疑存在刷赞行为。

验证码与安全验证

• 验证码机制：在点赞操作时，要求用户输入验证码，增加刷赞的难度。可以使用图形验证码、短信验证码等方式。
• 安全验证：采用更高级的安全验证方式，如二次密码验证、指纹识别、面部识别等，提高点赞操作的安全性。

数据库设计与存储

• 点赞记录存储：在数据库中详细记录每个点赞操作的相关信息，包括点赞用户ID、帖子ID、点赞时间、IP地址、设备信息等，以便进行后续的查询和分析。
• 索引优化：为点赞记录表中的关键列，如用户ID、帖子ID、点赞时间等建立索引，提高查询和统计的效率，方便快速检测异常点赞行为。

6.1.三种防刷机制、用户行为限制、技术手段检测和数据异常分析。详细说明一下，在数据异常分析中，如何利用机器学习算法来识别异常点赞行为？具体来说，选择哪些算法，并如何训练和评估这些模型的有效性？

在校园论坛帖子点赞接口防刷机制的数据异常分析中，利用机器学习算法识别异常点赞行为可从以下几方面着手：

可选算法

• 孤立森林（Isolation Forest）：能快速处理大规模数据，擅长识别数据中的孤立点，可用于检测点赞行为中的异常点。
• DBSCAN密度聚类算法：不需要事先知道要形成的簇类的数量，能够发现任意形状的簇，将点赞行为数据聚类，把处于低密度区域的点识别为异常点赞行为。
• 逻辑回归：可通过对点赞行为特征与是否为异常点赞的关联进行建模，判断点赞行为是否异常。

模型训练

• 数据收集与预处理：收集包含正常点赞和异常点赞的历史行为数据，对数据进行清洗，去除重复和错误数据，然后进行特征工程，提取如点赞时间间隔、点赞频率、点赞IP地址的稳定性等特征。
• 划分数据集：将预处理后的数据划分为训练集、验证集和测试集，一般按照7:2:1的比例划分。
• 模型训练：以孤立森林算法为例，在训练时，它会随机选择一个特征和该特征上的一个值，将数据空间划分为两部分，不断重复这个过程构建树形结构，最终根据样本被孤立的路径长度来判断其是否为异常点。对于逻辑回归，通过梯度下降等算法来更新模型的参数，使得损失函数最小化。

模型评估

• 评估指标选择：可采用准确率、精确率、召回率、F1值等指标。准确率反映模型预测正确的比例；精确率衡量预测为异常的样本中真正异常的比例；召回率是实际异常样本中被正确预测的比例；F1值是精确率和召回率的调和平均数，综合反映模型性能。
• 交叉验证：使用K折交叉验证，将训练集分成K份，每次用K-1份作为训练数据，1份作为验证数据，重复K次，取平均结果来评估模型的稳定性和泛化能力。
• 对比实验：将训练好的模型在测试集上进行测试，与其他传统的异常检测方法或简单的规则模型进行对比，观察各项评估指标的优劣，以确定模型的有效性。

三、开放题

1.如何开始学习一个全新的领域。具体事例。+追问。+追问。

面对全新领域，可参考以下学习方法和步骤：

学习方法

• 明确学习目标：确定在该领域想要达到的具体目标，如掌握特定技能、通过某项考试、能够解决某类问题等，为学习提供方向和动力。
• 构建知识框架：查阅相关的综述文章、书籍或课程大纲，了解领域的基本概念、主要分支和核心内容，搭建起整体的知识框架，明确各部分之间的关联。
• 学习基础知识：选择经典教材、在线课程等系统学习资源，从基础理论和概念入手，逐步深入学习，做好笔记，记录重点和疑问。
• 实践与应用：找实际项目、案例或练习题进行实践，将所学知识应用到具体问题中，加深理解和掌握，在实践中发现问题并解决，提升能力。
• 交流与合作：加入学习小组、论坛或社区，与同行交流讨论，分享学习经验和见解，也可向领域专家请教，获取指导和建议。
• 持续更新知识：关注领域内的前沿动态、研究成果和新技术发展，通过阅读专业期刊、参加研讨会等方式不断更新知识，保持对领域的深入了解。

学习事例

以学习机器学习领域为例，首先明确要能够运用机器学习算法解决实际的数据分析和预测问题这一目标。接着通过阅读《机器学习》等经典书籍和网上的一些课程大纲，了解到机器学习包含监督学习、无监督学习、深度学习等主要分支及相关算法概念，构建起知识框架。然后利用在线课程系统学习线性回归、决策树等基础算法的原理和实现。学习过程中，通过Kaggle等平台上的竞赛项目进行实践，用所学算法对数据进行处理和分析，尝试构建预测模型。同时加入机器学习相关的论坛和社区，与其他学习者交流遇到的问题和解决方法，还关注了一些知名学者的博客和论文，了解最新的研究动态，不断更新自己的知识体系，逐步掌握了机器学习领域的知识和技能。

1.1.通过设定目标、搭建知识框架、学习基础知识、实践应用、交流合作和持续更新来学习全新领域。在你学习英语的过程中，能否具体描述一个你通过交流合作发现并纠正自己错误的实际案例？

1.2.通过交流合作发现并纠正了自己在英语听力、阅读和写作中的一些错误，并采用了更有效的方法来提高正确率。在这些改进中，详细描述一个具体的交流合作的场景。在这个过程中，如何与他人进行深入的沟通，并最终领悟到这些更为高效的方法的。请分享一下这个过程中的细节和思考转变。

假设我是一名英语学习者，以下是一个交流合作提高英语写作的场景：

• 场景背景：加入了一个线上英语写作交流群，群里每周会给出一个写作主题，大家各自完成后互相批改交流。这周的主题是“人工智能对未来生活的影响”。
• 沟通过程：我完成写作后，将文章分享到群里。一位有留学经历的群友主动帮我批改，他指出我的文章逻辑不够清晰，观点阐述较为散乱。比如，我在论述人工智能提高生活效率时，突然插入一段对人工智能安全性的担忧，却没有过渡和衔接。他建议我可以采用“总-分-总”结构，开头提出观点，中间分点论述，结尾总结升华。在语言表达上，他发现我反复使用“very”来强调程度，显得单调。他举例告诉我，像“extremely”“incredibly”等词能让表达更丰富。
• 思考转变：起初，我对他提出的逻辑问题不太理解，觉得自己想到什么就写什么很自然。但当他结合优秀范文，详细分析每一段的作用和逻辑关系后，我开始意识到清晰的结构能让读者更好地理解文章。对于词汇使用，我一直觉得只要能表达意思就行，经过他的讲解，我认识到多样且准确的词汇能提升文章的档次。之后，我按照他的建议重新梳理文章结构，替换了一些普通词汇。在这个过程中，我深刻领悟到与他人交流合作能从不同视角审视自己的不足，打开新的思路，掌握更高效的写作方法，这比自己盲目摸索要有效得多 。

2.通过持续改进过程来解决重复出现的问题的例子。具体情况。解决方案。+追问。+追问。+追问。

以下是一个通过持续改进过程来解决重复出现问题的例子：

假设在一个软件开发项目中，经常出现用户反馈注册页面加载速度慢的问题。

最初，开发团队通过简单检查，发现是服务器带宽在注册高峰期不够用，于是增加了服务器带宽，暂时解决了问题。但过了一段时间，该问题又出现了。

这次团队进行了更深入的分析，利用性能监测工具发现，除了带宽问题，注册页面的代码存在大量冗余，导致加载时间过长。于是开发人员对代码进行了优化，删除冗余部分，提取公共代码模块，提高了代码的执行效率。

然而，不久后问题再次出现。团队进一步调查发现，随着用户数量增加，数据库中注册信息表的数据量庞大，索引设计不合理，影响了数据查询速度，进而导致注册页面加载缓慢。于是数据库管理员重新设计了索引，优化了查询语句。

经过这一系列持续改进的措施，注册页面加载速度慢的问题得到了有效解决，用户反馈良好，系统的稳定性和用户体验都得到了显著提升。在这个过程中，团队通过不断地发现问题、分析原因、采取措施、验证效果，逐步找到了问题的根源并彻底解决，体现了持续改进的重要性。

2.1.通过持续改进解决了注册页面加载缓慢的问题，涉及带宽、代码优化和数据库设计。在重新设计数据库索引和优化查询语句后，能否详细描述一下具体是如何验证这些改进措施确实有效的？用了哪些指标或方法来确保问题不会再出现？

在重新设计数据库索引和优化查询语句后，我们采用了以下多种方式来验证改进措施的有效性，并确保问题不会再出现：

性能指标监测

• 响应时间：使用性能监测工具（如New Relic、Datadog等）来记录注册页面的响应时间。在改进前，记录下注册页面在不同时间段（尤其是高峰期）的平均响应时间。改进后，持续监测相同时间段的响应时间，对比发现响应时间明显缩短，比如从原来的平均5秒降低到了2秒以内，这直观地表明了页面加载速度的提升。
• 吞吐量：通过工具监测系统在单位时间内能够处理的注册请求数量。优化前，统计系统在高并发情况下的吞吐量，改进后再次测量。如果吞吐量从原来的每秒处理50个请求提升到了每秒80个请求，说明系统处理能力增强，改进措施有效。
• 数据库查询时间：在数据库层面，利用数据库自带的性能分析工具（如MySQL的EXPLAIN命令），查看注册相关查询语句的执行计划和执行时间。对比优化前后的查询时间，发现原本一些耗时较长的查询（如查询用户注册信息时需要全表扫描）在优化后，通过合理的索引利用，查询时间大幅缩短，从原来的几百毫秒降低到了几十毫秒。

用户行为分析

• 用户反馈：在改进后，通过在注册页面设置反馈渠道（如反馈表单、在线客服等），主动收集用户的反馈。如果用户不再抱怨注册页面加载缓慢的问题，或者反馈的相关问题数量显著减少，说明改进措施在用户体验方面取得了效果。
• 用户行为数据统计：分析用户在注册页面的停留时间、跳出率等行为数据。如果改进后用户在注册页面的停留时间缩短，跳出率降低，表明页面加载速度的提升使得用户更愿意完成注册流程，进一步验证了改进措施的有效性。

压力测试

• 模拟高并发场景：使用压力测试工具（如JMeter、LoadRunner等），模拟大量用户同时访问注册页面的高并发场景。在测试过程中，观察系统的性能表现，包括响应时间、吞吐量、错误率等指标。如果系统在高并发情况下仍能保持较低的响应时间和较高的吞吐量，且错误率没有明显增加，说明改进后的系统具备更好的性能和稳定性，能够应对实际使用中的高负荷情况，问题不会再轻易出现。
• 持续监测和优化：即使通过上述验证措施表明改进有效，仍持续对系统进行性能监测。定期分析性能指标数据，及时发现潜在的性能问题，并采取相应的优化措施，确保系统性能始终保持在良好状态，防止问题再次出现。

通过以上多种指标和方法的综合验证，我们能够较为全面地评估改进措施的效果，并采取措施预防问题的再次发生，确保注册页面的性能稳定可靠。

2.2.通过性能指标监测、用户行为分析和压力测试来验证数据库索引和查询优化的有效性。压力测试是如何通过具体实施具体实施的？用什么工具来模拟模拟高并发场景？

压力测试中模拟高并发场景可以使用JMeter和LoadRunner等工具，以下以JMeter为例介绍具体实施过程：

测试计划搭建

• 创建测试计划：在JMeter中新建一个测试计划，这是整个测试的框架基础，可对全局设置进行配置，如线程组的数量、测试时间等。
• 添加线程组：在线程组中设置并发用户数、启动时间、持续时间等参数。比如要模拟1000个用户同时并发访问，可将线程数设为1000，设置合适的Ramp-Up时间，让线程均匀启动，避免瞬间压力过大。
• 添加取样器：根据注册页面的实际请求情况，添加HTTP请求取样器，设置请求的URL、方法、参数等信息，模拟用户注册操作。

配置元件设置

• 添加HTTP信息头管理器：根据注册页面要求，设置请求的HTTP头信息，如Content-Type等，确保请求格式正确。
• 添加参数化配置：若注册页面有动态参数，如验证码等，可通过CSV Data Set Config等元件进行参数化设置，从外部文件读取参数值，模拟不同用户的不同输入。

监听器添加

• 添加聚合报告：用于查看各项性能指标，如平均响应时间、吞吐量、错误率等，直观了解系统在高并发下的性能表现。
• 添加图形结果：以图表形式展示响应时间、吞吐量等指标随时间的变化趋势，方便分析性能波动情况。

执行测试

• 启动测试：完成上述设置后，点击启动按钮开始压力测试，JMeter会按照设定的参数模拟大量用户并发访问注册页面。
• 监控与分析：测试过程中实时观察监听器中的数据和图表，若发现响应时间过长、错误率升高等问题，及时停止测试，分析原因，调整测试策略或优化系统。

测试报告生成

• 生成报告：测试结束后，JMeter可生成详细的测试报告，包含各项性能指标的统计数据、图表等，为评估系统性能和优化效果提供依据。

LoadRunner的实施过程与JMeter类似，不过在操作细节和功能特点上有所不同，它更侧重于企业级的性能测试，支持更多的协议和更复杂的测试场景。

3.未来 3 年的职业规划。

未来三年，我会从技能提升、业务贡献、职业晋升三个层面来规划我的职业发展。

在技能提升上，第一年我会着重夯实岗位所需的基础技能。比如如果是从事新媒体运营，我会全力提升文案撰写、图片编辑和短视频剪辑的能力。利用业余时间参加线上线下课程，每周至少学习5小时，每月完成至少3个相关项目练习。同时，积极考取行业相关的基础证书，像新媒体运营师初级证书，为后续发展筑牢根基。

在业务贡献方面，第二年我希望能够在工作中崭露头角。深入了解公司业务，挖掘用户需求，针对性地策划并执行一系列高质量的运营活动。预计将活动参与度提升30%，用户转化率提高20%。通过不断复盘优化，形成一套可复用的运营策略，分享给团队成员，带动整体业务能力提升。

职业晋升层面，第三年我期望能够晋升为项目负责人。通过前两年积累的技能和经验，带领团队承接重要项目，合理分配任务，把控项目进度和质量。同时，拓展行业人脉，参加至少5次行业研讨会，与同行交流合作，引入先进理念和方法，为公司创造更大价值，助力公司业务实现新的突破 。