一、缓存使用方式

1、客户端请求业务系统

2、业务系统首先判断redis是否存在数据

3、如果数据存在redis则返回给业务系统

4、业务系统返回给客户端

5、如果redis不存在数据，则业务服务区数据库中查询数据

6、然后将数据库中的数据返回给客户端

这个使用方法使我们在业务系统中再常见不过的方式。但是在高并发场景下，他们会存在什么样的问题呢？

二、缓存穿透问题

缓存穿透是指存在用户不断地访问缓存和数据库中都没有的数据，从而导致数据库压力过大，从而可能引发服务处理缓慢甚至数据库崩溃等问题。如发起为id为“-1”的数据或id为特别大不存在的数据。这时的用户很可能是攻击者。

解决方式

解决方法很多，一般有以下几种方式

1、接口层校验

接口层增加校验，如用户鉴权校验，id做基础校验，id<=0的直接拦截，实现比较简单，但是只能拦截部分请求；

2、缓存空对象

从缓存取不到的数据，在数据库中也没有取到，这时也可以将key-value对写为key-null，缓存有效时间可以设置短点，如30秒（设置太长会导致正常情况也没法使用）。 这样可以防止攻击用户反复用同一个id暴力攻击，保护了后端数据源；

存在问题

1、如果空值能够被缓存起来，这就意味着缓存需要更多的空间存储更多的键，因为这当中可能会有很多的空值的键；

2、即使对空值设置了过期时间，还是会存在缓存层和存储层的数据会有一段时间窗口的不一致，这对于需要保持一致性的业务会有影响。

3、布隆过滤器

布隆过滤器是一个bit向量或者bit，如果我们要映射一个值到布隆过滤器中，我们要使用多个不同的哈希函数生成多个哈希值，并将每个生成的哈希值指向的bit位设置为1。

可以看到，不同的词对应的bit位置可能相同，当词很多的情况时，可能大部分bit位置都是1，这时查询商品1可能对应的位置都为1，只能说明商品1一词可能存在，不是一定存在的。

布隆过滤器的巨大用处就是，能够迅速判断一个元素是否在一个集合中。命中的可能存在，但不命中的话肯定不存在！

如Gava给我们提供的布隆过滤器，以下程序实现了生成1000000数据进行初始化布隆过滤器，过滤器误判率为3%，然后故意取10000个不存在布隆过滤器里的值，输出误判数量为300.

public class BloomFilterTest {
    private static int size = 1000000;
    private static BloomFilter<Integer> bloomFilter = BloomFilter.create(Funnels.integerFunnel(), size, 0.03);
    public static void main(String[] args) {
        for (int i = 0; i < size; i++) {
            bloomFilter.put(i);
        }
        List<Integer> list = new ArrayList<Integer>(1000);
        //故意取10000个不在过滤器里的值，看看有多少个会被认为在过滤器里
        for (int i = size + 10000; i < size + 20000; i++) {
            if (bloomFilter.mightContain(i)) {
                list.add(i);
            }
        }
        System.out.println("误判的数量：" + list.size());
    }
} 

使用场景

1. 网页爬虫对URL的去重，避免爬取相同的URL地址
2. 反垃圾邮件，从数十亿个垃圾邮件列表中判断某邮箱是否垃圾邮箱（同理，垃圾短信）
3. 缓存穿透，将所有可能存在的数据缓存放到布隆过滤器中，当黑客访问不存在的缓存时迅速返回避免缓存及DB挂掉。

优点

1. 思路简单
2. 保证一致性
3. 性能强

缺点

1. 代码复杂度增大
2. 需要另外维护一个集合来存放缓存的Key
3. 布隆过滤器不支持删值操作
4. 初始化布隆过滤器和更新过滤器比较复杂

以下代码为redis中取不到值使用布隆过滤器方式判断数据是否存在数据库中，从而减少数据库访问IO。可以提供给大家参考。

三、缓存击穿问题

缓存击穿各位同学肯定经常和缓存穿透搞混，以为两个是同一个东西。因为我在面试中经常遇到这样的童鞋

缓存击穿是指缓存中没有但数据库中有的数据（一般是缓存时间到期），这时由于并发用户特别多，同时读缓存没读到数据，又同时去数据库去取数据，引起数据库压力瞬间增大，造成过大压力。

解决方式

1、设置热点数据永远不过期。

嗯...场景有，但不科学

2、互斥锁

当从缓存中没有取到数据时，那么为了防止大量数据打到数据库，我们可以通过加互斥锁的方式，进行限流。同一时间同一个数据只有一个请求可以进到数据库中拿到数据，当从数据库中拿到数据之后再将数据写回redis，其他阻塞的请求再从redis中取数据。以减少数据库压力。

互斥锁参考代码如下：

四、缓存雪崩

缓存雪崩是指缓存中数据大批量到过期时间，或者缓存层故障不可用，而查询数据量巨大。请求直接绕过缓存而直接请求数据库，引起数据库压力过大甚至down机。

解决方案

1、redis高可用

这个思想的含义是，既然redis有可能挂掉，那我多增设几台redis，这样一台挂掉之后其他的还可以继续工作，其实就是搭建的集群。可以参考redis的高可用部署以及哨兵机制。这个后面我们会讲

2、过期时间分布均匀

将redis过期时间不要设置统一时间点，比如过期时间为1个小时，可以随机上下增加5分钟随机数，保证数据不在同一时间点过期。

五、几种故障对比

按照故障类型以及表现方式列了个表格，希望可以方便大家的理解。