字节推荐架构后端

1.自我介绍2.三高理解，谈谈如何在开发中保证三高3.谈谈冷热分离架构，在机架层和在业务层怎么做4.服务的可用性在mysql集群架构什么问题5.手撕记录一个id，时间戳，数量找到哪个时间点数量总和最大6.设计一个map-reduce架构解决这个问题7.遇到数据倾斜怎么办呢8.加盐怎么知道要对什么key加盐呢9.除了加盐还能怎么变呢10.宽窄依赖11.开发中一般要避免什么，为什么12.spark的内存模型13.既然他是基于jvm的，是怎么做到对堆外内存的管理，是怎么做的，做到什么效果的，这个地方详细讲讲14.rdd是存放在哪里15.如果有oom了，怎么分析排查哪里触发了oom16.除了代码问题导致oom，还有什么可能导致了oom17.你在设计开发的时候会注意什么东西避免出现oom，以及其他问题18.举算子导致触发宽依赖19.groupbykey和reducebykey区别20.详细分析spark从输入到rdd到输出中间三个阶段的一致性是怎么实现的，尤其中间commitcoordinator 详细展开讨论讨论21.详细分析spark容错的机制，有什么层面的容错，是怎么做容错的，展开讨论讨论22.详细分析spark节点间是怎么通信的，用什么协议，怎么用的，有什么好处23.详细分析下spark持久化机制是怎么做的，spark是怎么和hdfs交互的，这个过程的细节24.spark的shuffle机制是怎么样的，有哪些shuffle，详细展开讲讲25.这shuffle中间有和内存模型相关的东西，请你再详细讲讲他们的关系毫无心理准备，spark直接被全方位问穿

文章内容收录到个人网站，方便阅读：http://hardyfish.top/这是一个典型的“消息分发模型”设计问题，微博/社交平台在设计大V发博分发时，推模式（push） 和 拉模式（pull） 各有利弊。下面结合你提到的“大V发博客”场景详细分析：一、两种模式简介推模式（push）大V一发微博，系统立即将内容推送到每一个粉丝的时间线中（如写入粉丝的消息队列或Feed中）拉模式（pull）粉丝查看时间线时，实时去拉取他关注的人（如大V）最新发布的内容，再合并排序显示二、微博类应用场景选型✅ 小V/普通用户：使用 推模式粉丝数少，推送量小；内容分发量级低；直接推送到粉丝的 Feed 表中，读取快...

一面 1.简历项目介绍2.如何做attention，为什么attention要除以根号dk?3.讲讲你对Embedding了解多少？4.对推荐系统都有哪些了解？常用技术点有哪些？5.从从ROC到AUC、再到GAUC，它们分别是什么，有什么区别？6.为什么Transformer选用LayerNorm而不是BatchNorm？7.如何进行模型的在线训练，和离线训练有什么区别？8.项目中涉及的模型是如何进行输出的，是否涉及在线预估？9.介绍多路召回策略。10.交叉熵怎么理解？11.算法题：三数之和

腾讯测评做完了三周了，我的面试邀约到底发不发呀？也不挂也不发面试，纯馋人是吧