Slice扩容
- slice切片扩容机制？为什么不一直用2倍扩容？
go1.18版本之后，slice扩容使用了更加平滑的方式，不再使用1024作为临界点，而是使用threshold作为临界点(threshold 设定为256)。 当slice容量 < threshold 时，每次扩容为原来的两倍。
当slice容量 > threshold 时，每次增加 (oldcap + 3*threshold)*3/4的容量。
如果每次扩容都用两倍扩容，那这是一个2的指数级增加，后面扩容会扩非常大，浪费很大的空间。
内存分配
- Go内存分配机制？多级缓存？组件？（mspan/mcache/mcentral...)
Go 内存会自己管理，释放的内存不会立马归还给操作系统，而是尽量对内存进行复用，减少和操作系统的沟通(涉及到内核态和用户态的转换，消耗较大)。
Go内存管理非常高效，每一个线程M独享一个mcache，在申请内存时优先从mcache上获取，如果mcache没有足够内存，则向mcentral获取内存到mcache中，如果mcentral中也没有足够的内存则向mheap申请，如果mheap也没有足够的内存的话就向操作系统申请了（mcache->mcentral->mheap->OS）。
高效体现在从mcache获取内存和释放都是无锁的，速度很快，向mcentral和mheap申请内存虽然需要竞争锁，但是mcentral 和mheap通过 span class 进行分类(设置桶锁而不是一把大锁)，锁的粒度更小，申请内存时都是通过span class 找到对应的桶获取内存，锁竞争会减少很多，性能也得到了提升。
Go垃圾回收 GC原理
- go垃圾回收？三色标记法？读写屏障？STW？
go1.18之后垃圾回收采用三色标记法和混合写屏障。
三色标记法：
将对象标记为白色，灰色或黑色。
白色：不确定对象（默认色）；黑色：存活对象。灰色：存活对象，子对象待处理。
标记开始时，先将所有对象加入白色集合（需要STW）。首先将根对象标记为灰色，然后将一个对象从灰色集合取出，遍历其子对象，放入灰色集合。同时将取出的对象放入黑色集合，直到灰色集合为空。最后的白色集合对象就是需要清理的对象。
这种方法有一个缺陷，如果对象的引用被用户修改了，那么之前的标记就无效了。因此Go采用了写屏障技术，当对象新增或者更新会将其着色为灰色。 一次完整的GC分为四个阶段：
- 准备标记（需要STW），开启写屏障。
- 开始标记
- 标记结束（STW），关闭写屏障
- 清理（并发）
基于插入写屏障和删除写屏障在结束时需要STW来重新扫描栈，带来性能瓶颈。混合写屏障分为以下四步：
- GC开始时，将栈上的全部对象标记为黑色（不需要二次扫描，无需STW）；
- GC期间，任何栈上创建的新对象均为黑色
- 被删除引用的对象标记为灰色
- 被添加引用的对象标记为灰色
总而言之就是确保黑色对象不能引用白色对象，这个改进直接使得GC时间从 2s降低到2us。
CSP并发模型
- channel使用场景？CSP思想？优势？
在并发编程中，两个goroutine之间使用channel进行通信。
CSP思想是指通过通信来共享内存，而不是通过共享内存来实现通信。
CSP思想优势是使用非常灵活，缺点是容易造成死锁。
互斥锁和读写锁
- go的锁有哪些？互斥锁的读写锁的区别？
互斥锁和读写锁。
互斥锁是有一个goroutine获取到互斥锁后，其他goroutine必须要等待锁被释放才能获取到锁。
而读写锁是可以允许多个goroutine获取到读锁执行读操作，但是写锁被获取了就和互斥锁一样了，其他goroutine必须等待写锁释放才能获取到读锁或者写锁。
sync
- sync包还有什么？sync.map介绍一下？如何保证并发安全？
sync.waitgroup, sync.map ,sync.Lock, sync.RWLock，sync.Pool....
sync.map 底层有两个map，一个是read，一个是dirty, 在读操作时优先在read中查找，read没有就去dirty中查找，写操作时如果read中有则利用CAS机制尝试更新value值，read中没有则写入 dirty 中。在 misses >= len(dirty)时，同步read 和 dirty的数据。
在read中不需要加锁，在dirty中需要加锁
sync.map通过read和dirty实现读写分离来减少锁时间来提高并发效率
协程池
- sync.Pool？了解线程池吗？优势亮点？未工作的线程如何等待？协程池？
sync.Pool 其实就是一个线程安全的对象池，用于保存和复用临时对象，在大批量申请和释放相同类型的临时对象时使用 sync.Pool 可以减少很多内存分配和回收操作，减小GC压力。
线程池是一种并发编程的技术，可以管理和复用线程，提供一种高效的方式来处理并发。
线程池优势亮点：
- 提高性能，线程池通过复用线程，减少线程频繁地创建和销毁，避免线程的频繁创建和销毁的开销。
- 控制并发度，线程池可以控制并发任务的数量，通过设计线程池的大小来控制并发度，避免激烈的锁竞争导致系统性能的下降。
- 提高响应速度， 线程池可以提前创建好线程，在任务到来时可以立即处理任务，提高系统的响应速度。
- 资源管理，线程池可以更好的对线程进行调度和管理，避免线程资源的浪费。
未工作的线程可以通过以下方式等待：
- 使用条件变量：线程可以使用条件变量来等待某个条件的发生。当线程需要等待时，它可以调用条件变量的等待函数，将自己置于等待状态，直到条件满足时被唤醒。
- 使用信号量：线程可以使用信号量来进行等待操作。线程在需要等待时，可以调用信号量的等待操作，将自己阻塞，直到其他线程释放信号量时被唤醒。
- 使用锁和条件变量组合：线程可以使用锁和条件变量的组合来实现等待操作。线程在需要等待时，可以先获取锁，然后检查条件是否满足，如果条件不满足，则调用条件变量的等待函数将自己置于等待状态，直到条件满足时被唤醒。
协程池和线程池基本差不多，可以更好地管理和复用协程，提高系统的性能和资源利用率。
协程泄露
- 防止Go协程泄露/未关闭？(waitgroup,context)
通过管道channel通知关闭，使用waitgroup监控协程全部退出，使用contex上下文来设置超时或者手动cancle关闭协程
select的用法？执行顺序？
select{ case <-ctx.Done(): return case <- default: }
执行顺序是随机的
map
- 什么可以作为map的键？结构体可以吗？
实现了 == 操作的可以比较的就可以作为map的键（基本数据类型、数组等），结构体中如果所有字段都可以比较那么久可以作为键，否则不行。
微服务
- 微服务之间通信方式 rpc、grpc、http等
介绍一下grpc？protobuf/json区别与优势？
GRPC是一种高性能、开源的远程过程调用（RPC）框架，由Google开发并基于HTTP/2协议实现。它允许在不同的计算机之间进行跨语言和跨平台的通信，使得构建分布式系统变得更加简单和高效。
GRPC使用Protocol Buffers（简称Protobuf）作为默认的序列化机制，而不是使用JSON。
Protobuf是一种轻量级的数据交换格式，具有以下优势：
- 效率高：Protobuf使用二进制编码，相比于文本格式的JSON，它的编码和解码速度更快，传输的数据量更小，节省了带宽和存储空间。
- 可读性好：虽然Protobuf是二进制格式，但它的定义文件是可读的，易于理解和维护。相比之下，JSON是一种文本格式，可读性较好，但在大型数据结构的情况下，Protobuf的定义文件更加清晰和简洁。
- 跨语言支持：Protobuf支持多种编程语言，包括Java、C++、Python等，这使得在不同语言之间进行通信变得更加方便。
- 版本兼容性：Protobuf支持向后和向前兼容的数据格式演化，这意味着可以在不破坏现有客户端和服务端的情况下，对数据结构进行扩展和修改。
相比之下，JSON是一种常用的文本格式，具有以下特点：
- 可读性好：JSON使用文本格式，易于阅读和理解，对于调试和开发过程中的数据交换非常方便。
- 平台无关性：JSON是一种独立于编程语言的数据格式，几乎所有的编程语言都支持JSON的解析和生成。
- 灵活性：JSON支持动态的数据结构，可以轻松地添加、删除和修改字段，适用于一些需要频繁变动的数据。
总的来说，GRPC使用Protobuf作为默认的序列化机制，相比于JSON，Protobuf在性能、可读性和跨语言支持方面具有优势。然而，选择使用GRPC还是JSON取决于具体的应用场景和需求。
介绍一下Gorm优势？
简单易用、支持多种数据库、自动迁移、支持事务、
Redis
1.常见数据结构
答：（字符串、set、zset、hash、list...） hash和zset底层使用 skiplist 和 ziplist，同时满足两个条件时使用 ziplist，否则 skiplist
- 集合元素个数小于redis.conf 中 zset-max-ziplist-entries 属性的值，其默认值为128
- 每个集合元素大小都小于 redis.conf 中 zset-max-ziplist-value 属性的值，其默认值为 64 字节
list 底层使用了快表(quicklist)，quickList 本质上是 zipList 和 linkedList 的混合体。其将 linkedList 按段切分，每一段使用 zipList 来紧凑存储若干真正的数据元素，多个 zipList 之间使用双向指针串接起来。对于每个zipList 中最多可存放多大容量的数据元素，在配置文件中通过 list-max-ziplist-size 属性可以指定。
2.zset介绍一下？zset底层借助那些数据结构实现？跳表介绍一下？查找过程？复杂度？
zset是redis中的有序集合，借助了跳表和哈希表(哈希表存储成员和对应的分数)实现有序集合，跳表是一种有序的链表结构，它通过在每个节点中维护多个指针，使得在查找和插入操作时可以跳过部分节点，从而提高了查找的效率。跳表的高度是通过随机函数决定的，因此在平均情况下，查找的时间复杂度为O(log n)，其中n是跳表中的节点数量。
3.set介绍？
set 底层使用哈希表。
4.压缩列表介绍？
压缩列表的设计目标是在尽可能节省内存的同时，提供高效的插入、删除和访问操作。它通过使用连续的内存块来存储数据，减少了指针和额外的元数据开销，从而节省了内存空间。
5.渐进式rehash？
渐进式rehash是Redis在进行哈希表扩容时采用的一种策略。当哈希表需要扩容时，Redis会创建一个新的哈希表，并将原有哈希表中的数据逐步迁移到新的哈希表中。这个过程是逐步进行的，每次只迁移一小部分数据，以避免在一次性迁移过程中对系统性能造成较大的影响。
渐进式rehash的过程如下：
- Redis会创建一个新的空哈希表，大小是原有哈希表的两倍。
- Redis会将原有哈希表中的一个桶（bucket）中的键值对逐个迁移到新的哈希表中。这个迁移过程是逐个键值对进行的，而不是一次性迁移整个桶。
- 在每次迁移过程中，Redis会将新哈希表中对应的桶指向原有哈希表中的桶，以保持对原有哈希表的访问能力。
- 迁移完成后，Redis会将新哈希表设置为当前使用的哈希表，并释放原有哈希表的内存空间。
通过渐进式rehash，Redis可以在不中断服务的情况下进行哈希表的扩容。这种方式可以避免在一次性迁移过程中对系统性能造成较大的影响，因为每次只迁移一小部分数据。同时，渐进式rehash还可以保持对原有哈希表的访问能力，确保在迁移过程中数据的一致性。
