Redis缓存穿透

缓存穿透是指查询一个根本不存在的数据，缓存层和存储层都不会命中，通常处于容错的考虑，如果从存储层查不到数据则不写入缓存层。
缓存层将导致不存在的数据每次请求都要存储层去查询，失去了缓存保护后端存储的意义。
造成缓存穿透的基本原因有两个：

1. 自身业务代码或者数据出现问题。
2. 一些恶意攻击、爬虫等造成大量空命中。

缓存穿透问题解决方案

1. 缓冲空对象

   下面是伪代码

   String get(String key) {
       // 从缓存中获取数据
       String cacheValue = cache.get(key);
       // 缓存为空
       if (StringUtils.isBlank(cacheValue)) {
           // 从存储中获取
           String storageValue = storage.get(key);
           cache.set(key, storageValue);
           // 如果存储数据为空， 需要设置一个过期时间(300秒)
           if (storageValue == null) {
               cache.expire(key, 60 * 5);
           }
           return storageValue;
       } else {
           // 缓存非空
           return cacheValue;
       }
   }

2. 布隆过滤器

   对于恶意攻击，向服务器请求大量不存在的数据造成的缓存穿透，还可以用布隆过滤器先做一次过滤，对于不存在的数据布隆过滤器一般都能够过滤掉，不让请求再往后端发送。当布隆过滤器说某个值存在时，这个值可能不存在；当他说不存在时，那就肯定不存在。
   

   布隆过滤器就是一个大型的位数组和几个不一样的无偏hash函数。所谓无偏就是能够把元素的hash值算的比较均匀。

   向布隆过滤器中添加key时，会使用多个hash函数对key进行hash算的一个整数索引值，然后对位数组长度进行取模算的一个位置，每个hash函数都会算得一个不同的位置。再把位数组的这几个位置都置为1就完成了add操作。 向布隆过滤器询问key是否存在时，跟add一样，也会把hash的几个位置都算出来，看看位数组中几个位置是否都为1，只要有一个为0，那么说明布隆过滤器中这个key不存在。如果都是1，这并不能说明这个key就一定存在，只是极有可能存在，因为这些位置为1可能是因为其他的key存在导致的。如果这个位数组比较稀疏，这个概率就会很大，如果这个位数组比较拥挤，这个概率就会降低。

   这种方法适用于数据命中不高、数据相对固定、实时性低（通常是数据集较大）的应用场景，代码维护较为复杂，但是缓存空间占用很少。

   布隆过滤器的实现

   可以用redission实现布隆过滤器，引入依赖：

   <dependency>
      <groupId>org.redisson</groupId>
      <artifactId>redisson</artifactId>
      <version>3.6.5</version>
   </dependency>

   示例伪代码：

   package com.redisson;
   
   import org.redisson.Redisson;
   import org.redisson.api.RBloomFilter;
   import org.redisson.api.RedissonClient;
   import org.redisson.config.Config;
   
   public class RedissonBloomFilter {
   
       public static void main(String[] args) {
           Config config = new Config();
           config.useSingleServer().setAddress("redis://localhost:6379");
           //构造Redisson
           RedissonClient redisson = Redisson.create(config);
   
           RBloomFilter<String> bloomFilter = redisson.getBloomFilter("nameList");
           //初始化布隆过滤器：预计元素为100000000L,误差率为3%,根据这两个参数会计算出底层的bit数组大小
           bloomFilter.tryInit(100000000L,0.03);
           //将zhuge插入到布隆过滤器中
           bloomFilter.add("zhangsan");
   
           //判断下面号码是否在布隆过滤器中
           System.out.println(bloomFilter.contains("lisi"));//false
           System.out.println(bloomFilter.contains("wangwu"));//false
           System.out.println(bloomFilter.contains("zhangsan"));//true
       }
   }

   使用布隆过滤器需要把所有数据提前放入布隆过滤器，并且在增加数据时也要往布隆过滤器里放，布隆过滤器缓存过滤伪代码：

   //初始化布隆过滤器
   RBloomFilter<String> bloomFilter = redisson.getBloomFilter("nameList");
   //初始化布隆过滤器：预计元素为100000000L,误差率为3%
   bloomFilter.tryInit(100000000L,0.03);
           
   //把所有数据存入布隆过滤器
   void init(){
       for (String key: keys) {
           bloomFilter.put(key);
       }
   }
   
   String get(String key) {
       // 从布隆过滤器这一级缓存判断下key是否存在
       Boolean exist = bloomFilter.contains(key);
       if(!exist){
           return "";
       }
       // 从缓存中获取数据
       String cacheValue = cache.get(key);
       // 缓存为空
       if (StringUtils.isBlank(cacheValue)) {
           // 从存储中获取
           String storageValue = storage.get(key);
           cache.set(key, storageValue);
           // 如果存储数据为空， 需要设置一个过期时间(300秒)
           if (storageValue == null) {
               cache.expire(key, 60 * 5);
           }
           return storageValue;
       } else {
           // 缓存非空
           return cacheValue;
       }
   }

   注意：布隆过滤器不能删除数据，如果要删除得重新初始化数据。