恒生电子面试题总结

简介: 恒生电子面试题总结

CPU使用率突然飙升,如何排查

 

1.找出哪个进程占用了cpu

top -c

2. 键大写的P,对CPU使用率排序,

3.查看该进程下占用 CPU 最高的线程

top -Hp PID  显示进程PID下所有的线程

输入大写P,线程按照CPU使用率排序

4.定位问题代码

将线程号转化成16进制,之所以需要转化为16进制,因为jvm的进程快照中线程显示是16进制的。

然后我们使用jstack命令,拉到26045进程快照信息,输出到文件中,方便我们查看。

jstack -l 26045 > ./26045.stack

然后我们cat该文件,并且grep通过16进制找一下该线程

cat 26045.stack | grep '65be' -C 20

至此我们就已经找到了问题代码在哪了。


什么情况下会使用索引,什么时候不用?


什么时候需要创建索引


主键自动建立唯一索引


频繁作为查询条件的字段应该创建索引

查询中排序的字段创建索引将大大提高排序的速度(索引就是排序加快速查找)

查询中统计或者分组的字段;


什么时候不需要创建索引


频繁更新的字段不适合创建索引,因为每次更新不单单是更新记录,还会更新索引,保存索引文件

where条件里用不到的字段,不创建索引;

表记录太少,不需要创建索引;

经常增删改的表;

数据重复且分布平均的字段,因此为经常查询的和经常排序的字段建立索引。注意某些数据包含大量重复数据,因此他建立索引就没有太大的效果,例如性别字段,只有男女,不适合建立索引。


索引的优缺点


优点:


通过创建唯一性索引,可以保证数据库表中的每一行数据的唯一性。

可以加快数据的检索速度

可以加速表与表之间的连接

在使用分组和排序进行检索的时候,可以减少查询中分组和排序的时间


缺点


创建索引和维护索引要耗费时间,这种时间随着数据量的增加而增加。

索引需要占用物理空间,数据量越大,占用空间越大

会降低表的增删改的效率,因为每次增删改索引,都需要进行动态维护


线程加锁会造成什么问题?


加锁通常会严重地影响性能。线程会因为竞争不到锁而被挂起,等锁被释放的时候,线程又会被恢复,这个过程中存在着很大的开销,并且通常会有较长时间的中断,因为当一个线程正在等待锁时,它不能做任何其他事情。

目录
相关文章
|
消息中间件 存储 监控
RabbitMQ 面试题及答案整理,最新面试题
RabbitMQ 面试题及答案整理,最新面试题
411 1
|
存储 JSON Kubernetes
查看k8s的etcd数据
查看k8s的etcd数据
2166 0
查看k8s的etcd数据
|
Linux 调度 数据安全/隐私保护
Qt之QFtp
简述 QFtp 类提供了一个 FTP 协议的客户端实现。 该类提供了一个到 FTP 的直接接口,允许对请求有更多的控制。但是,对于新的应用程序,建议使用 QNetworkAccessManager 和 QNetworkReply,因为这些类拥有一个更简单、还更强大的 API。 简述 QFtp 工作流程 基本使用 连接并登录 FTP 服务器 切换工作目录 列出目
7691 1
|
缓存 监控 前端开发
优化 Flutter 应用启动速度的策略,涵盖理解启动过程、资源加载优化、减少初始化工作、界面布局优化、异步初始化、预加载关键数据、性能监控与分析等方面
本文探讨了优化 Flutter 应用启动速度的策略,涵盖理解启动过程、资源加载优化、减少初始化工作、界面布局优化、异步初始化、预加载关键数据、性能监控与分析等方面,并通过案例分析展示了具体措施和效果,强调了持续优化的重要性及未来优化方向。
615 10
|
算法 计算机视觉
数字图像处理实验(四)|图像压缩与编码实验{JPGE编码、离散余弦变换DCT、图像分块dctmtx|blkproc}(附matlab实验代码和截图)
数字图像处理实验(四)|图像压缩与编码实验{JPGE编码、离散余弦变换DCT、图像分块dctmtx|blkproc}(附matlab实验代码和截图)
1429 0
数字图像处理实验(四)|图像压缩与编码实验{JPGE编码、离散余弦变换DCT、图像分块dctmtx|blkproc}(附matlab实验代码和截图)
|
3月前
|
机器学习/深度学习 人工智能 自然语言处理
41_涌现能力:从zero-shot到in-context学习
在人工智能领域,2022年以来,大语言模型(LLM)展现出的一系列惊人能力引发了广泛关注。其中最令人着迷的现象之一,就是**涌现能力**(Emergent Abilities)——当模型规模超过某个临界点时,突然表现出的在小模型中不存在的新能力。这种量变引发质变的神奇现象,彻底改变了我们对AI发展路径的认知。从最初只能进行简单文本生成的模型,到如今能够理解复杂指令、执行多步推理、甚至在未经过专门训练的任务上表现出色的AI系统,大语言模型正逐步逼近人类级别的认知能力。
|
3月前
|
机器学习/深度学习 自然语言处理 监控
23_Transformer架构详解:从原理到PyTorch实现
Transformer架构自2017年Google发表的论文《Attention Is All You Need》中提出以来,彻底改变了深度学习特别是自然语言处理领域的格局。在短短几年内,Transformer已成为几乎所有现代大型语言模型(LLM)的基础架构,包括BERT、GPT系列、T5等革命性模型。与传统的RNN和LSTM相比,Transformer通过自注意力机制实现了并行化训练,极大提高了模型的训练效率和性能。
|
10月前
|
机器学习/深度学习 人工智能 自然语言处理
PaddleSpeech:百度飞桨开源语音处理神器,识别合成翻译全搞定
PaddleSpeech是百度飞桨团队推出的开源语音处理工具包,集成语音识别、合成、翻译等核心技术,基于PaddlePaddle框架提供高性能解决方案。
1003 18
PaddleSpeech:百度飞桨开源语音处理神器,识别合成翻译全搞定
|
6月前
|
人工智能 缓存 运维
智能体场景中,传统QPS指标不适用该怎么办?一文了解智能体性能评估的5大关键流程
本文由产品专家三桥君探讨了智能体应用中的性能评估与优化策略。三桥君指出传统QPS指标已无法全面反映智能体场景的用户体验瓶颈,强调需关注模型推理耗时与用户感知时延。三桥君提出五步评估流程:请求量分析、时段采样、耗时测算、压测对比及性能指标确定,并从推理(模型剪枝/硬件优化)、编排(异步处理/缓存)及运维(多活部署/监控)三个层面给出优化方案。通过系统化方法,可显著提升智能体响应速度与用户体验。
363 0
|
人工智能 自然语言处理 Cloud Native
智保未来:国泰产险的 AI 网关革新之旅
国泰产险在数智化转型中,全面拥抱大模型技术,通过阿里云云原生API网关简化接入复杂性,提升数据安全性和成本管控能力。公司在外呼、客服、内容生成等业务场景深度应用大模型,解决了多模型统一接入、认证鉴权、内容安全、成本管控和审计风控五大挑战,成为保险行业数智化转型的典范。
415 14