1-引言：初始缓存穿透

1-1 缓存穿透是什么？(What)

举个例子，比如对于一个文章接口，其有一个缓存场景

• 对于 get 请求 ：api/news/getById/1
• 正常使用缓存的流程：会先查 Redis ——> 若 Redis 中没有，则会去查 MySQL ——> MySQL的结果返回前将数据存储到 Redis

缓存穿透

• 查询一个 不存在 的数据，MySQL 查询不到数据也不会直接写入缓存，就会导致每次请求都查数据库

1-2 缓存穿透是怎么造成的？(Why)

• 如果有坏人，恶意调用接口，查询 Redis 以及 MySQL 中都不存在的数据，会导致很大访问量的请求打到 MySQL 上，如果并发过大会导致击垮 MySQL 。

---

2- 核心：如何避免缓存穿透（How）

2-1 方案1：缓存空数据

• 对于上述例子，如果查询的文章不在 MySQL 中，此时就写入一个 空的 key value 到 Redis 中
• 例如： { key:1 , value:null }

优缺点：

• 优点：简单
• 缺点：消耗内存，可能会发生不一致的问题（比如一开始不存在 id 为 1 的文章，之后添加了文章，但缓存中还是有id为1，value 为 null 的数据，会导致 Redis 和 MySQL 不一致）

---

2-2 方案2：布隆过滤器

2-2-1 布隆过滤器原理

• 布隆过滤器实现：布隆过滤器是用来判断是否存在当前请求 id 的文章数据。
  • 如果布隆过滤器中不存在该数据，则直接返回，此时都无需访问 Redis。
  • 如果布隆过滤器中存在该数据，则去 Redis 中访问

概述：布隆过滤器的实现原理实际上是和 bit(位图) 和 哈希函数有关。

• bitmap(位图)：相当于是一个以 （bit） 位 为单位的数组，数组找那个每个单元只能存储二进制数据 0 或 1
• 布隆过滤器的作用：布隆过滤器可以用于检索一个元素是否在一个集合中

举例说明工作原理

• ① 存储数据： 一开始位图中所有位置上的数据都初始化为 0。比如此时要存储一个 id 为 1 的数据，通过多个 hash 函数获得 hash 值，根据 hash 计算的数组对应的位置值 改为1
• **② 查询数据：**使用相同 hash 函数获取 hash 值，判断对应位置是否都为 1。如果都为 1 证明该数据存在，但有可能存在误判场景。

2-2-2 布隆过滤器误判

场景

• 比如对于 id 为 1 和 id 为 2 的数据，通过哈希更新了 bitmap 上的值
• 此时来了 id 为 3 的数据，此时 ，会发现与之前 id1 和 id2 的 bitmap 上的值刚好重叠了，判断 id3 的数据在 Redis 中

• 误判率：数组越小误判率就越大，数组越大误判率就越小，但是同时带来了更多内存的消耗。（其实 5% 是可以接受的，因为无论如何都存在误判的，所以 5% 的误判在高并发的情境下不会出现压垮数据库的情况）。
• 具体误判率的优化，可以根据布隆过滤器的实现方案来

优缺点：

• 优点：内存占用计较少，没有多余的key
• 缺点：实现复杂，存在误判

---

2-3 方案3：限流策略

• 限流策略：针对频繁请求的特定数据，可以设置限流策略，例如使用令牌桶算法或漏桶算法，限制对这些数据的请求频率，减轻数据库的压力。

---

3- 小结

3-1 Redis的使用场景有哪些？

---

3-2 什么是缓存穿透怎么解决？

---

3-3 布隆过滤器的原理？

---