Redis基于布隆过滤器解决缓存穿透问题（15）

news2025/1/12 4:01:16

Redis基于布隆过滤器解决缓存穿透问题

1.布隆过滤器基本介绍
2.布隆过滤器的优缺点
3.布隆过滤器的原理
4.缓存穿透问题
5.解决Redis缓存穿透问题

1.布隆过滤器基本介绍

布隆过滤器适用于判断某个数据是否在集合中存在，可能存在一定的误判， Bloom Filter基本实现原理采用位数组与联合函数一起实现；实现的原理采用二进制向量数组和随机映射hash函数。
布隆过滤器为什么会产生冲突，会根据key计算hash值，可能与布隆过滤器中存放的元素hash产生冲突都是为1，布隆可能会产生误判可能存在。
如何解决这个问题，可以将二进制数组长度设置比较大，可以减少布隆误判的概率。
【适合的场景】

防止缓存穿透直接访问数据库
判断用户是否阅读过某一个视频或文章；类似抖音，快手，可能误判，但是不会看到重复的内容
做黑名单过滤，针对不同的用户是否存在白名单和黑名单，可能误判，但一定程度可以解决问题等等

2.布隆过滤器的优缺点

优点
1. 支持海量数据场景下高效的判断元素是否存在
2. 空间占用极小，因为本身不存储数据而是用比特位表示数据是否存在，某种程度有保密的效果。

缺点
1. 不存储数据本身，所以只能添加但不可以删除，因为删除会导致误判率增加
2. 由于存在hash碰撞，不一定百分百判断准确，存在一定误差

3.布隆过滤器的原理

布隆过滤器的原理是，当一个元素被加入集合时，通过 K 个散列函数将这个元素映射成一个位数组中的 K 个点（offset），把它们置为 1。检索时，我们只要看看这些点是不是都是 1 就（大约）知道集合中有没有它了：如果这些点有任何一个 0，则被检元素一定不在；如果都是 1，则被检元素很可能在。这就是布隆过滤器的基本思想。

简单来说就是准备一个长度为 m 的位数组并初始化所有元素为 0，用 k 个散列函数对元素进行 k 次散列运算跟 len(m)取余得到 k 个位置并将 m 中对应位置设置为 1。
在这里插入图片描述

4.缓存穿透问题

缓存穿透是指使用不存在的key进行大量的高并发查询，导致缓存无法命中，每次请求都要都要穿透到后端数据库查询，使得数据库的压力非常大，甚至导致数据库服务卡死；
应对的方案：

对我们的服务接口api实现限流、用户授权、黑名单和白名单拦截；
从缓存和数据库都查询不到结果的话，将数据库空值结果缓存到Redis中；设置合理过期时间(如：5s)避免使用同一个id对数据库攻击。
如果黑客真的在攻击的情况下，随机成id肯定是不一样的，可采用布隆过滤器。
布隆过滤器

<dependency>
    <groupId>com.google.guava</groupId>
    <artifactId>guava</artifactId>
    <version>32.1.2-jre</version>
</dependency>

public class BlongTest {
    /**
     * 在布隆中存放100万条数据
     */
    private static Integer size = 1000000;

    public static void main(String[] args) {
        BloomFilter<Integer> integerBloomFilter = BloomFilter.create(Funnels.integerFunnel(), size, 0.01);
        for (int i = 0; i < size; i++) {
            integerBloomFilter.put(i);
        }
        // 从布隆中查询数据是否存在
        ArrayList<Integer> strings = new ArrayList<>();
        for (int j = size; j < size + 10000; j++) {
            if (integerBloomFilter.mightContain(j)) {
                strings.add(j);
            }
        }
        System.out.println("误判数量:" + strings.size());
    }
}

5.解决Redis缓存穿透问题

public static BloomFilter<Integer> integerBloomFilter = null;

@RequestMapping("/getOrder")
public OrderEntity getOrder(Integer orderId) {
    if (integerBloomFilter != null) {
        if (!integerBloomFilter.mightContain(orderId)) {
            System.out.println("从布隆过滤器中检测到该key不存在");
            return null;
        }
    }

    // 1.先查询Redis中数据是否存在
    OrderEntity orderRedisEntity = (OrderEntity) redisTemplateUtils.getObject(orderId + "");
    if (orderRedisEntity != null) {
        System.out.println("直接从Redis中返回数据");
        return orderRedisEntity;
    }
    // 2. 查询数据库的内容
    System.out.println("从DB查询数据");
    OrderEntity orderDBEntity = orderMapper.getOrderById(orderId);
    if (orderDBEntity != null) {
        System.out.println("将Db数据放入到Redis中");
        redisTemplateUtils.setObject(orderId + "", orderDBEntity);
    }
    return orderDBEntity;
}

@RequestMapping("/dbToBulong")
public String dbToBulong() {
    List<Integer> orderIds = orderMapper.getOrderIds();
    integerBloomFilter = BloomFilter.create(Funnels.integerFunnel(), orderIds.size(), 0.01);
    for (int i = 0; i < orderIds.size(); i++) {
        integerBloomFilter.put(orderIds.get(i));
    }
    return "success";
}