Redis 缓存穿透解决_redis缓存穿透解决办法

Redis 缓存穿透

当使用 Redis 作为数据库的前置缓存时，可能会出现查询的参数并不在数据库中此字段的值中，这时候 Redis 中肯定查询不到此值，就会直接去查询数据库，造成数据库压力过大；

解决办法

1）简单解决

每次查询数据库后查询不到值的也都存入 Redis，key 为查询条件，value 为 null，并设置 ttl，这样以后再有同样的查询时候就会被 Redis 拦截；

优点：简单、易实现，对查询量不大且基本是由于页面上查询范围设置不合理等正常情况下可用；

缺点：如果是查询量非常大且条件随意性范围很大时或者恶意攻击时，此方法很难启到作用，因为每次访问 key 不同的概率非常大，很少相同，因此，这时候再设置 Redis 反而加大了系统负担；可以用第 2 种方法解决；

2）使用布隆过滤器

先将数据库中已有的 key 存入布隆过滤器，再有访问时候先查布隆过滤器，如果不存在直接返回，存在的再到 Redis、MySQL 中获取数据；

优点：布隆过滤器可以准确判断一个元素不在其中，且计算效率很高，存储也很小；

缺点：删除比较困难，一般生产数据删除的情况也比较少，因此可以使用；

布隆过滤器

原理就是用多个哈希函数计算元素的 hash 值，然后将对应的 bit 数组中的值置为1，类似 bitmap；

示例：自定义 Hash 函数实现布隆过滤器

package com.zsoft.java;
 
import java.util.BitSet;
 
/**
 * 自己实现布隆过滤器
 */
public class MyBloomFilter {
    /**
     * 位数组大小
     */
    private static final int DEFAULT_SIZE = 2 << 24;
 
    /**
     * 通过这个数组创建多个Hash函数
     */
    private static final int[] SEEDS = new int[]{6, 18, 64, 89, 126, 189, 223};
 
    /**
     * 初始化位数组，数组中的元素只能是 0 或者 1
     */
    private BitSet bits = new BitSet(DEFAULT_SIZE);
 
    /**
     * Hash函数数组
     */
    private MyHash[] myHashes = new MyHash[SEEDS.length];
 
    /**
     * 初始化多个包含 Hash 函数的类数组，每个类中的 Hash 函数都不一样
     */
    public MyBloomFilter() {
        // 初始化多个不同的 Hash 函数
        for (int i = 0; i < SEEDS.length; i++) {
            myHashes[i] = new MyHash(DEFAULT_SIZE, SEEDS[i]);
        }
    }
 
    /**
     * 添加元素到位数组
     */
    public void add(Object value) {
        for (MyHash myHash : myHashes) {
            bits.set(myHash.hash(value), true);
        }
    }
 
    /**
     * 判断指定元素是否存在于位数组
     */
    public boolean contains(Object value) {
        boolean result = true;
        for (MyHash myHash : myHashes) {
            result = result && bits.get(myHash.hash(value));
        }
        return result;
    }
 
 
 
    public static void main(String[] args) {
        String str = "a";
        MyBloomFilter bloomFilter = new MyBloomFilter();
 
        System.out.println("a 是否存在：" + bloomFilter.contains(str));
        myBloomFilter.add(a);
        System.out.println("a 是否存在：" + bloomFilter.contains(str));
    }
}
 
class MyHash {
    private int cap;
    private int seed;
 
    MyHash(int cap, int seed) {
        this.cap = cap;
        this.seed = seed;
    }
 
    int hash(Object obj) {
        return (obj == null) ? 0 : Math.abs(seed * (cap - 1) & (obj.hashCode() ^ (obj.hashCode() >>> 16)));
    }
}

也可以使用谷歌的 Guava 或者利用 Redis 实现 布隆过滤器