缓存穿透
一、认识
缓存穿透 是指请求的数据既不在缓存中，也不在数据库中 (请求的数据根本不存在)，导致请求直接穿透缓存访问数据库，导致后端数据库压力剧增。通常是恶意攻击或查询不存在的 key。
二、定位
我们收集指定接口总调用数、Redis 缓存层 命中数、存储层命中数在一定时间范围内的数据，我们就可以定位到是否有这 缓存穿透。
三、解决
3.1 缓存空值
对于数据库中不存在的数据，将其对应的结果（如 null 或特定标记）写入缓存，并设置短暂过期时间。示例：SET key "null" EX 60
3.2 参数校验
在业务逻辑中对输入参数进行校验，过滤掉非法或异常请求。
3.3 布隆过滤器（Bloom Filter）拦截
布隆过滤器（Bloom Filter） 是一种空间高效的概率数据结构，用可以快速判断某个元素是否在集合中。
布隆过滤器（Bloom Filter）特点: 1. 空间高效,节省内存: 相比于存储整个集合的数据，布隆过滤器只需要存储一段位数组，大大降低了内存占用; 2. 速度快, 速度快: 插入和查询操作都具有常数时间复杂度（O(1)）, 利用 Redis 的高并发性能，可以在内存中快速进行布隆过滤器的插入和查询操作。3. 概率误判, 布隆过滤器允许出现 假阳性（false positives），即可能会判断某个不存在的元素为存在，但不会出现 假阴性（false negatives），即判断一个存在的元素为不存在。另外, 布隆过滤器（Bloom Filter） 一旦设置好后不支持删除单个元素（计数布隆过滤器可以部分解决该问题，但复杂度会增加）。
布隆过滤器（Bloom Filter）原理: 布隆过滤器使用一个 位数组（Bit Array） 和多个哈希函数。当一个元素插入时，使用所有哈希函数计算该元素的多个哈希值，并将位数组中对应的位置设置为 1；查询时，使用相同的哈希函数计算哈希值，如果所有对应位置都是 1，则判断该元素可能存在，否则一定不存在。参数: m 个二进制向量, n 个预备数据, k 个 hash 函数。影响误差率的因素有两个: m/n比率 越大, 误差率可能越低; hash 函数个数, 函数越多, 误差率也会越低。
因此, 我们可以在缓存层之前增加 布隆过滤器, 在访问数据库之前，通过布隆过滤器判断请求的数据是否存在。如果判断不存在，则直接返回，减少对数据库的压力。