高并发场景下，缓存“穿透”了该怎么办？

通常情况下，被访问的数据即使不在缓存当中，请求也是可以访问数据库然后将结果回填到缓存中的。缓存“穿透”是指，访问的 key 并不存在（即业务系统中没有这个 key），之后请求“穿透”到数据库中，从数据库查询出来的是空值（NULL）。

用户访问一个不存在的 key，“穿透”到数据库中，数据库返回空值，并不会回填到缓存中，那么后续不管查询这个key多少次，都会缓存命中失败，直接“穿透”到数据库中。这样会严重影响数据库的性能。

如果是恶意破坏的请求，或者恶意地大量访问不存在的key，则会使系统的整体性能严重下降，并最终影响正常的用户请求。

1. 解决方案

大量的缓存“穿透”会对系统产生致命的影响，所以，对于缓存“穿透”需要重视起来。一般有以下两种解决方案。

（1）回种空值。

发生“穿透”的原因是，在数据库中根本不存在被访问的数据。这样无论访问多少次都获取不到这些数据，“穿透”会一直发生。

所以，在访问不存在的数据时，虽然第一次“穿透”到数据库获取的是空值（NULL），但可以用这个空值（NULL）回填缓存（称为“回种空值”）。

但是空值并不是真实的业务数据，如果有人恶意访问这些并不存在的 key，则会占用很大的内存空间，从而将正常的业务 key 给自动淘汰掉。所以，在将这些不存在 key 写入缓存时，可以加上一个很短的有效期以使其快速过期，伪代码如下：

Object nullValue = new Object();
    try {    
        // 从数据库中查询数据
        Object valueFromDB = selectFromDB(uid);
        if (valueFromDB == null {
            // 如果从数据库查询到空值，则把空值写入缓存，并设置较短的超时时间
            redisCache.set(uid, nullValue, 10);
        } else {
            redis.Cache.set(uid, valueFromDB, 1000);
        }
    } catch Exception(e) {    
        redisCache.set(uid, nullValue, 10)
    }

回种空值这种方案，会阻挡很大一部分的“穿透”请求。但是如果大批量地访问不存在的 key，则这种方案会造成缓存容量的紧张，甚至占满内存空间。

在具体实施过程中。如果要解决这种“穿透”，则需要额外增加很多的缓存节点，有点得不偿失，此时可以考虑使用第二种方案“实用布隆过滤器”。

（2）使用布隆过滤器

布隆过滤器用来检测一个元素是否在一个集合中。这种算法由一个二进制数组加上一个Hash算法组成。其基本原理如下：

1. 数据结构： 布隆过滤器通常由一个位数组（Bit Array）和一组哈希函数组成。

2. 位数组： 位数组是布隆过滤器的主要存储结构，它通常初始化为全部为0。每个元素在位数组中对应多个位，初始时都被设为0。

3. 哈希函数： 布隆过滤器需要 k 个哈希函数。这些哈希函数可以将任意大小的数据映射到位数组的某个位置。对于每个元素，通过这 k 个哈希函数计算出 k 个哈希值，然后将对应的位数组位置设为1。

4. 插入操作： 当向布隆过滤器中插入一个元素时，通过 k 个哈希函数计算出 k 个哈希值，并将对应的位数组位置设为1。

5. 查询操作： 当查询一个元素是否存在于集合中时，同样通过 k 个哈希函数计算出 k 个哈希值，然后检查这 k 个位置的值。如果所有的位置都为1，则认为元素可能存在；如果有任何一个位置为0，则元素一定不存在。

由于哈希函数的存在，布隆过滤器有一定的误判率，即可能存在 "误判为存在" 的情况，但不存在 "误判为不存在" 的情况。

优点：

• 布隆过滤器的查询时间复杂度是常量级别的，非常高效。
• 空间效率较高，因为只需要存储位数组和少量哈希函数。

缺点：

• 有一定的误判率。
• 不支持删除操作，删除一个元素可能会影响其他元素的判断结果。

应用场景：

• 缓存系统，用于快速判断某个数据是否在缓存中。
• 防止缓存穿透，即防止查询不存在的数据频繁地访问数据库。
• 分布式系统中的去重操作等。