有三类基本问题
- 缓存穿透；
- 缓存击穿；
- 缓存雪崩
缓存穿透（Cache Penetration）
定义
缓存穿透是指请求的数据在缓存和底层数据库中都不存在，导致每次请求都会绕过缓存直接访问数据库，使数据库承受过大压力
发生原因
- 查询不存在的数据
- 恶意攻击（如发送大量ID为-1的请求）
- 缓存设计不当，未缓存空结果2
解决方法
-
布隆过滤器：快速判断请求的数据是否存在
-
缓存空结果：为不存在的数据设置空缓存值，并给予较短的TTL
缓存击穿（Cache Breakdown/Stampede）
定义
缓存击穿指的是某个热点数据缓存过期的同时，大量请求并发访问该数据，导致这些请求绕过缓存直接访问数据库，对数据库造成瞬时压力13。
发生原因
- 热点数据的缓存恰好过期
- 同时有大量请求访问这个热点数据
解决方法
- 互斥锁：第一个请求获取锁并更新缓存，其他请求等待
- 热点数据预热：定期刷新热点数据缓存
- 热点数据不设置过期时间，或者设置一个比较长的时间。
缓存雪崩（Cache Avalanche）
定义
缓存雪崩是指大量缓存同时失效或缓存服务器宕机，导致大量请求直接访问数据库，使数据库被巨大压力压垮，引发系统级联故障
发生原因
- Redis服务器宕机
- 大量缓存在同一时间过期
- 重启后面对堆积的请求，可能再次导致系统崩溃
解决方法
- 随机过期时间：设置不同的缓存 TTL，避免同时过期
- Redis 高可用架构：使用 Redis 集群或哨兵模式
- 熔断机制：当检测到缓存服务异常时，暂时阻断对数据库的请求，返回降级结果
- 服务降级：当检测到系统出现缓存雪崩的迹象时，对一些非核心业务进行服务降级，暂时关闭或限制部分不重要的业务功能，减少对数据库的请求压力，保证核心业务的正常运行。
布隆过滤器详解
什么是布隆过滤器？
布隆过滤器(Bloom Filter)是一种空间效率极高的概率型数据结构，由Burton Howard Bloom在1970年提出。它用于快速判断一个元素是否可能存在于集合中，具有极低的内存占用和常量级的查询时间复杂度12。
关键特点是：布隆过滤器可能会告诉你一个不在集合中的元素误判为存在（称为”假阳性”），但绝不会将一个存在于集合中的元素误判为不存在（不会有”假阴性”）。用专业术语说就是：可能有假阳性，但绝不会有假阴性。
工作原理
布隆过滤器的核心结构非常简单：一个很长的位数组（bit array）和多个哈希函数
布隆过滤器的数学原理
布隆过滤器的假阳性率与以下因素相关1:
- m: 位数组大小
- k: 使用的哈希函数数量
- n: 预计插入的元素数量
假阳性率计算公式：(1 - e^(-kn/m))
理想情况下，当 k = (m/n)ln(2) 时，假阳性率最小。
布隆过滤器的优点
- 空间效率极高：每个元素只需要几个比特位，而不是存储元素本身5
- 查询时间复杂度O(k)：k是哈希函数数量，通常是个小常数
- 插入时间复杂度O(k)：同样是哈希函数数量
- 可以处理大规模数据集：即使有数十亿元素，内存占用也很小
- 支持并行操作：不同元素的插入和查询可以并行化1
布隆过滤器的局限性
- 不支持删除操作：标准布隆过滤器无法安全删除元素（但有变种如计数布隆过滤器可以支持）
- 存在假阳性：可能误报元素存在，误报率取决于位数组大小、元素数量和哈希函数数量
- 无法获取具体元素：只能判断成员资格，不能列举成员