从线上问题说起
前不久，我们线上环境压测，在QPS压倒2W之后RT达到了几十秒，排查后发现是redis的连接数不够导致大量的连接超时。
经过考虑之后，我们最终决定弃用redis缓存的方案，改为本地缓存，因为我们缓存的都是一些配置信息，实际上几个月都不太可能修改，而redis配置的连接数是200，5分钟超时，数据量实际上也就只有几千条而已，实际上来说并没有很大的必要，本地缓存完全就可以解决问题了。
本地缓存使用Guava的LoadingCache实现。
但是修改完之后，压测之后还是发现有接口全部走到数据库查询，先排查代码，是否是代码的BUG导致实际没有生效，后来发现实际上发生了缓存穿透，压测使用了一些数据库中不存在的记录，导致了穿透的问题，实际上这个问题在使用redis的时候也一直存在，只是由于连接数的问题一直没有发现而已。
接下来就是考虑怎么解决的问题？
由于我们都是缓存的一些配置信息，几千条数据而已，最终考虑简单解决的办法。直接把所有的key全部从数据库查出来缓存下来，查数据库之前直接根据key过滤一把，如果不存在就直接返回，不要走数据库查询了。
当然，这是由于我们的场景比较简单，这样直接处理就行了，那么，如果再复杂一点，比如上亿的缓存数据呢？
解决方案
前置过滤
如果说类似我这种比较简单的一些缓存，使用我上面说的解决方案也可以，还有一些缓存的key是比如ID之类，也可以根据一定的范围规则去提前过滤，比如缓存的key明确知道在1-10万的范围之后，那么过滤掉在这个范围之外的请求直接返回就可以了。
当然，很明显这种简单的规则过滤适用于数据量不是很大，并且数据不会频繁发生改变的情况。
布隆过滤器
对于上述场景，因为数据量很小，简单的代码实现缓存即可，如果说数据量很大的话，比如有一亿个key，使用布隆过滤器就是个更优解。
我们可以每天定时把所有的配置信息从数据库中查询出来构建成bitmap。
关于布隆过滤器我前面的文章也有写过，贴上之前的图一张，如果查询的位置都是1的话说明key存在，反之只要有一个0则说明肯定不存在。
使用布隆过滤器的缺点也很明显，存在一定概率的误判。当然，既然用了，对于误判比例、内存占用等等问题应该事先评估好。
缓存空值
这个是网上说烂的问题，但是缓存空值的空值太多明显也是有问题的，再进一步解决方案就是快速过期。
一般来说，普通的缓存的写法如下，先查缓存，如果缓存存在则直接返回，如果缓存没有则去数据库查询，结果不是空就保存到缓存中。
改进版的写法就是缓存空对象，针对空的数据，设置过期时间，比如10分钟，快速过期，防止太多的空值问题。
但是这个解决方案仍然有点小问题，就是短暂的数据不一致的问题。
想象一下如果缓存的空值这时候实际上已经有值了，那么在过期时间的这段时间内就可能存在短暂的数据不一致。
总结
缓存穿透的问题总结下来就是三点，这三个方式不是说是隔离的解决方案，他们可以结合在一起使用。
首先看数据量，如果数据量很小并且没有频繁变更的话，选择前置过滤的方式，根据具体的业务规则来处理就可以。
如果数据量大的话，可以选择使用布隆过滤器，但是存在一定概率的误判。
通过前置的拦截，应该拦截住大部分的流量，避免直接打爆数据库。
最后，可以使用缓存空值并且设置快速过期的方式来作为一个兜底的方案。
如果还有问题，那么就是限流、降级了。
