缓存穿透及解决方案

缓存穿透常见的解决方案如下：

解决方案1: 还为数据库中不存在的数据在缓存中设置默认值Null。为了避免占用资源，过期时间一般较短。

解决方案2:可以设置一些过滤规则，比如Bloom filter

方案1比较简单，但也很容易破解。例如，如果攻击者分析数据格式并反复请求数据库中不存在该数据，那么选项1将无效。相对来说，方案2更加稳定，接下来重点讲解方案2如何实现。

方案2的设计思路是在数据库查询之前设置过滤规则来过滤数据。如果发现数据不存在，则不再进行数据库查询，从而减轻数据库的访问压力。

目前方案2中过滤规则的主流载体之一是布隆过滤器。布隆过滤器是一种概率数据结构，其特点是高效的插入和查询，可以用来告诉你“某物一定不存在”或者可能存在”。

与List、Set、Map等传统数据结构相比，布隆过滤器是位数组，效率更高，占用空间更少。然而，缺点是返回的结果是概率性的，而不是精确的。

如果我们要将一个值映射到布隆过滤器中，我们需要使用多个不同的哈希函数来生成多个哈希值，并将每个生成的哈希值指向的位位置设置为1，例如对于值“zhangsan”三个不同的哈希函数分别生成哈希值1、4、7。

我们现在存储另一个值“lisi”。如果哈希函数返回4, 5, 8，则图继续变为：

当我们想要判断布隆过滤器是否记录了某个数据时，布隆过滤器首先会对该数据进行同样的哈希处理。例如“wangwu”的哈希函数返回2、5、8。值。结果我们发现第2位的值为0，也就是说没有值映射到该位，所以我们可以肯定地说数据“王屋”不存在。

但同时我们会发现第4位被覆盖了，因为“zhangsan”和“lisi”的哈希函数都返回了该位。那么随着布隆过滤器保存的数据不断增加，重复的概率也会不断增加。因此，当我们对某个数据进行过滤时，如果发现它的三个哈希值都被记录在过滤器中，那么也只能说明该数据可能被包含在过滤器中，但并不能绝对确定，因为其他数据的哈希值可能影响了结果。这也解释了上面提到的布隆过滤器只能表明“某些东西一定不存在或可能存在”。至于为什么要使用三个不同的哈希函数来获取值，因为只要三个哈希值之一不存在不存在，则意味着该数据一定不在过滤器中，这样可以减少由于哈希冲突（两个数据具有相同哈希值）而出错的概率。