Redis缓存穿透，击穿，雪崩问题改如何解决？

无论在开发过程中还是面试过程中，这三个问题总是被遇到。下面是各个问题的原因和解决方案。

缓存穿透

原因

1. 缓存穿透其实是缓存的单点问题，是指查询一个一定不存在的数据。如果从存储层查不到数据则不写入缓存，这将导致这个不存在的数据每次请求都要到 DB 去查询，可能导致 DB 挂掉。这种情况大概率是遭到了攻击。
2. 同时也可能是由于恶意请求或非常罕见的请求导致的，原理同上。如果这种情况频繁发生，会导致大量的请求直接访问底层数据源，增加了系统的负载并降低了性能。

解决方案

缓存空值

public class Cache {
    private Map<String, String> cacheMap;  //这里也可以使用RedisTemplate

    public Cache() {
        cacheMap = new HashMap<>();
    }

    public String getFromCache(String key) {
        // 先从缓存中查找数据
        String value = cacheMap.get(key);

        // 如果缓存中不存在该数据
        if (value == null) {
            // 查询底层数据源
            value = queryDataFromDataSource(key);

            // 如果底层数据源中不存在该数据
            if (value == null) {
                // 将空值缓存起来，防止缓存穿透
                cacheMap.put(key, "");
            } else {
                // 将数据放入缓存
                cacheMap.put(key, value);
            }
        }

        return value;
    }

    private String queryDataFromDataSource(String key) {
        // 查询底层数据源的逻辑
        // ...
        return null; // 假设底层数据源中不存在该数据
    }
}

将空值给缓存起来，这样就减少了数据库的交互。

布隆过滤器

布隆过滤器是一种空间效率高、查询时间快的概率型数据结构，用于判断一个元素是否存在于一个集合中。它可以帮助我们快速判断一个请求是否是恶意请求，从而减轻底层数据源的负载。

以下是使用布隆过滤器来解决缓存穿透问题的具体步骤：

1. 初始化布隆过滤器：根据预估的数据规模和期望的误判率，初始化一个布隆过滤器。布隆过滤器的大小和误判率是成正比的，需要根据实际情况来选择合适的参数。

2. 添加元素到布隆过滤器：将所有可能存在于缓存中的关键字都添加到布隆过滤器中。每个关键字经过多次哈希函数计算后，会在布隆过滤器中的对应位上被标记为1。

3. 查询请求是否存在于布隆过滤器中：当一个请求到来时，先用相同的哈希函数计算出请求的关键字。然后检查布隆过滤器中对应的位是否都为1。如果所有位都为1，说明请求可能存在于缓存中；如果有任何一位为0，说明请求一定不存在于缓存中。

4. 进一步验证请求：如果布隆过滤器判断请求可能存在于缓存中，那么可以进一步查询缓存来验证请求的确切结果。如果布隆过滤器判断请求一定不存在于缓存中，可以直接返回缓存不存在的结果，避免查询底层数据源。

   import com.google.common.hash.BloomFilter;
   import com.google.common.hash.Funnels;
   
   public class BloomFilterExample {
       public static void main(String[] args) {
           // 创建一个布隆过滤器，预期插入的元素数量为10000，期望的误判率为0.1%
           BloomFilter<String> bloomFilter = BloomFilter.create(Funnels.unencodedCharsFunnel(), 10000, 0.001);
           
           // 向布隆过滤器中添加元素
           bloomFilter.put("exampleKey1");
           bloomFilter.put("exampleKey2");
           
           // 检查元素是否存在于布隆过滤器中
           boolean exists1 = bloomFilter.mightContain("exampleKey1");
           boolean exists2 = bloomFilter.mightContain("exampleKey3");
           
           System.out.println("Exists 1: " + exists1); // 输出: Exists 1: true
           System.out.println("Exists 2: " + exists2); // 输出: Exists 2: false
       }
   }
   

   注意：

   标签：缓存,请求,过期,Redis,jedis,雪崩,过滤器,String
   From： https://www.cnblogs.com/pronting/p/17714201.html