这些都是在牛客上看到别人发的面经中涉及到Caffeine的面经，我截取下来做了个汇总，可能不是很全面，也很感谢写面经的同学

一、Caffeine 基础相关

Caffeine 的原理、特性是什么？

Caffeine 缓存主要存储什么数据？

Caffeine 缓存的数据具体是怎么添加的？

二、Caffeine 与其他组件的区别

Caffeine 与 HashMap 的区别？

Caffeine 与 Guava Cache 的区别？Caffeine 解决了 Guava 的哪些问题？

Caffeine/Guava 等本地缓存与 Java 普通哈希方法的区别？

Caffeine 与 Redis 缓存的区别？

三、Caffeine 核心机制

Caffeine 为什么比 Guava 快？

Caffeine 本地缓存的更新机制和过期策略是怎样的？

Caffeine 本地缓存的失效（淘汰）算法是什么？

Caffeine 本地缓存是如何实现的？

多线程请求数据时，Caffeine 缓存未命中的内部处理逻辑是什么？（例：多线程同时请求同一数据）

给 Caffeine 预留固定内存（如 128M），并发量高导致数据存不下时如何处理？

四、Caffeine 的优缺点与选型

用 Caffeine 缓存有什么缺点？

本地缓存为什么选择 Caffeine？

五、缓存一致性问题

Redis 和 Caffeine 的缓存一致性如何保证？

本地缓存的一致性如何保证？本地缓存失败了怎么办？

六、多级缓存架构

Redis 缓存和本地缓存（Caffeine/Guava）如何取舍？

采用 Redis+Caffeine 两级缓存是出于什么考虑？

多级缓存主要解决了什么问题？

七、缓存命中率问题

若 Caffeine 本地缓存命中率不高，会产生什么问题？如何解决？

这些对应答案我是根据ai的回答加上自己的理解之后的总结，其中一些可能会涉及到项目业务，就需要大家根据自己的项目做出对应的回答。背景应该与二级缓存Caffeine+Redis业务相关。目前我也在尝试写个人博客，如果大家感兴趣的话可以去看一看

一、Caffeine 基础相关

Caffeine 的原理、特性是什么？

原理

采用 W-TinyLFU 淘汰算法，底层通过分段锁减少并发竞争，结合惰性删除、异步加载等机制实现高性能

特性

性能高：基于 W-TinyLFU 淘汰算法，命中率 / 吞吐量比传统的 LRU、LFU 算法要好

缓存策略比较丰富：支持基于大小、时间、引用类型的过期 / 淘汰策略；

加载比较灵活：支持手动加载、自动加载、异步加载

高并发性能：无锁设计，分段锁机制

事件监听：支持缓存淘汰、过期、移除的事件监听，便于问题排查

兼容性：API 几乎和 Guava Cache 一致，迁移成本低

Caffeine 缓存主要存储什么数据（可以根据自己的业务回答）？

热点数据（秒杀商品库存）、高频访问 + 低变更数据（商品基础信息）

Caffeine 缓存的数据具体是怎么添加的？

手动添加（cache.put，直接添加缓存项）， 同步加载（cache.get，通过加载器自动加载，未命中时执行加载逻辑），异步加载（也可以根据自己的实际业务作出回答）

二、Caffeine 与其他组件的区别

Caffeine 与 HashMap 的区别？

Caffeine 与 Guava Cache 的区别？

区别性能：Caffeine 命中率高，吞吐量大；

并发：Caffeine 支持异步加载，Guava 仅同步加载；

算法：Caffeine 用 W-TinyLFU，Guava 用 LRU；

功能：Caffeine 支持异步刷新，Guava 同步刷新易阻塞。

兼容性好：API 兼容 Guava，迁移成本低解决的问题

Caffeine 解决了 Guava 的哪些问题？

Guava 的 LRU 易被偶发冷数据冲掉热点，W-TinyLFU 兼顾热点保留与冷数据淘汰；

Guava 同步加载导致高并发下线程阻塞，Caffeine 异步加载避免此问题；

Guava 无原生异步加载，需手动封装，Caffeine 内置

Caffeine/Guava 等本地缓存与 Java 普通哈希方法的区别？

答案参考Caffeine 与 HashMap 的区别

Caffeine 与 Redis 缓存的区别？

三、Caffeine 核心机制

Caffeine 为什么比 Guava 快？

算法：W-TinyLFU 算法时间复杂度更低，命中率更高

并发：分段锁替代 Guava 全局锁，锁粒度更细

异步支持：内置异步加载，避免同步阻塞

惰性操作：过期数据惰性清理，避免后台线程开销

Caffeine 本地缓存的更新机制和过期策略是怎样的？

见Caffeine特性

Caffeine 本地缓存的失效（淘汰）算法是什么？

W-TinyLFU解决传统 LRU/LFU 缺陷

LRU：缓存 “突发流量的临时数据”，挤占常用数据

LFU：缓存 “历史高频但当前无用” 的数据；

对新数据不友好计数最小草图（Count-Min Sketch）用 “近似统计” 替代 “精确统计”解决 LFU 的 “频率统计内存开销大” 问题；

频率衰减解决 LFU “历史高频数据占坑” 问题单独开辟一个 “窗口缓存”，专门接纳新数据，给新数据一个 “观察期”，避免刚进来就被淘汰，解决 LFU 的 “新数据歧视” 问题

Caffeine 本地缓存是如何实现的？

数据结构：改进的ConcurrentHashMap内置 W-TinyLFU 算法进行缓存淘汰

加载机制：手动，自动，异步

并发控制：分段锁 + 请求合并（多线程请求同一 key 时，仅一个线程加载）

统计功能：内置计数器，记录命中率、加载时间等

多线程请求数据时，Caffeine 缓存未命中的内部处理逻辑是什么？（例：多线程同时请求同一数据）

核心是 请求合并（避免缓存击穿）第一个线程请求未命中时，标记 key 为 “加载中”，执行加载逻辑；

后续线程请求同一 key 时，不重复加载，等待第一个线程完成；

加载完成后，结果放入缓存，所有等待线程获取结果；

加载异常时，所有线程抛出异常，缓存不存储异常结果。

给 Caffeine 预留固定内存（如 128M），并发量高导致数据存不下时如何处理？

临时调整缓存配置（缩短过期时间+提高淘汰优先级+临时扩容）通过配置中心关闭非核心场景的 Caffeine 缓存，非核心热点 key 直接走 Redis若 JVM 堆内存剩余较多，临时提高 Caffeine 内存上限（比如，128 ——> 256）

四、Caffeine 的优缺点与选型

用 Caffeine 缓存有什么缺点？

仅支持本地缓存，无法解决分布式场景下的数据共享问题

JVM 重启丢失，可能引发数据库瞬时压力仅能存热点数据，无法存储大规模数据一致性难保证，更新需手动失效，易遗漏

本地缓存为什么选择 Caffeine？

对比 Guava/Ehcache，见Caffeine 与 Guava Cache 的区别

五、缓存一致性问题

Redis 和 Caffeine 的缓存一致性如何保证？

最终一致性写流程：更新数据库 → 更新 Redis → 删 Caffeine；

读流程：查 Caffeine → 查 Redis → 查数据库（查库后更新 Redis 和 Caffeine）；

兜底：Redis 设置短过期（30 分钟），Canal 监听 binlog 异步刷新缓存，MQ 广播缓存失效事件（集群场景）

本地缓存的一致性如何保证？

采用双写策略：先更新数据库，再更新 Redis 和 Caffeine

通过消息队列或发布-订阅机制同步更新设置较短的过期时间，保证数据最终一致性

本地缓存失败了怎么办？

降级策略：本地缓存失败时直接读Redis

监控告警：缓存命中率低于阈值时告警

六、多级缓存架构

Redis 缓存和本地缓存（Caffeine/Guava）如何取舍？

选 Caffeine：访问频率高、数据量小、单节点使用的热点数据；

选 Redis：数据需共享、容量大、需持久化 / 分布式支持的场景

采用 Redis+Caffeine 两级缓存是出于什么考虑？

性能：本地缓存减少网络延迟稳定性：即使 Redis 故障，Caffeine 仍可提供服务

数据库保护：大幅减少数据库查询压力

缓存压力：分流热点请求，降低 Redis 负载

多级缓存主要解决了什么问题？

性能瓶颈：应对突发流量，保护下游存储

数据库的读压力过大

网络延迟导致的响应时间长

单级故障不影响全局

七、缓存命中率问题

若 Caffeine 本地缓存命中率不高，会产生什么问题？

如何解决？

问题性能下降：请求穿透到 Redis / 数据库，接口响应变慢资源浪费：占用 JVM 内存但无缓存效果

解决

优化配置：调整过期时间，增加缓存大小

缓存预热：系统启动时加载热点数据到缓存

监控与告警：实时监控缓存命中率，设置告警阈值