3. 缓存失效与击穿：缓存雪崩、缓存击穿、缓存穿透的定义与区别、常见解决方案（互斥锁、布隆过滤器）

在分布式缓存系统中，缓存失效是引发后端连锁故障的主要诱因之一。根据失效的规模与访问模式，业界将缓存异常场景归纳为三种经典模式：缓存雪崩、缓存击穿与缓存穿透。三者虽然名称相近，但成因、影响范围及应对策略截然不同。本节将逐一剖析其定义、区别，并深入讲解互斥锁与布隆过滤器等核心解决方案。

3.1 三种缓存异常的定义与区别

下表从触发条件、影响范围、数据存在性三个维度对三种异常进行对比，帮助快速建立认知框架。

3.2 缓存雪崩：成因与解决方案

成因分析：缓存雪崩通常由以下因素引发：

• 缓存服务器宕机或集群重启；
• 大量缓存键设置了相同的过期时间（如统一午夜过期）；
• 缓存中间件（如 Redis）主从切换期间短暂不可用。

解决方案：

1. 过期时间打散（TTL 随机化）：在基础过期时间上增加随机偏移量，避免集中失效。
2. 多级缓存架构：本地缓存（如 Caffeine）+ 分布式缓存（如 Redis）组合，本地缓存扛住第一波流量。
3. 缓存预热 + 互斥锁降级：系统启动时主动加载热点数据，失效时通过互斥锁控制回源请求。
4. 服务限流与熔断：对数据库访问层实施限流，保护后端存储。

// 示例：TTL 随机化（Java 伪代码）
int baseTTL = 3600; // 基础过期时间 1 小时
int randomOffset = ThreadLocalRandom.current().nextInt(600); // 0~600 秒随机
int finalTTL = baseTTL + randomOffset;
cache.set(key, value, finalTTL, TimeUnit.SECONDS);

3.3 缓存击穿：互斥锁方案详解

缓存击穿是雪崩的“单点版本”，解决思路的核心是保证同一时刻只有一个线程回源查询数据库，其他线程等待或快速失败。互斥锁（Mutex Lock）是最经典的实现方式。

互斥锁实现流程：

1. 请求到达，尝试从缓存获取数据；
2. 若缓存未命中，尝试获取分布式锁（如 Redis SETNX）；
3. 获取锁成功的线程，查询数据库并回写缓存；
4. 获取锁失败的线程，自旋等待或直接返回降级数据（如旧缓存值）；
5. 缓存写入后释放锁，后续请求直接命中缓存。

// 互斥锁伪代码（Redis + SETNX）
public String getData(String key) {
    String value = cache.get(key);
    if (value != null) return value;

    // 尝试获取锁，key_lock 为锁标识，过期时间 3 秒防止死锁
    boolean locked = redis.setnx("lock:" + key, "1", 3, TimeUnit.SECONDS);
    if (locked) {
        try {
            value = db.query(key);
            cache.set(key, value, 3600);
            return value;
        } finally {
            redis.del("lock:" + key);
        }
    } else {
        // 未获取到锁，等待 50ms 后重试或返回旧缓存
        Thread.sleep(50);
        return cache.get(key); // 此时大概率已有数据
    }
}

3.4 缓存穿透：布隆过滤器方案详解

缓存穿透的根源在于请求的数据在数据库中根本不存在，导致每次请求都穿透缓存直达数据库。布隆过滤器（Bloom Filter）是一种空间效率极高的概率型数据结构，用于判断一个元素一定不存在或可能存在。

布隆过滤器工作原理：

1. 初始化一个长度为 m 的位数组（bit array），所有位初始为 0；
2. 使用 k 个独立的哈希函数，将每个数据映射到位数组的 k 个位置，并将这些位置置为 1；
3. 查询时，对查询键计算 k 个哈希值，若所有对应位均为 1，则判定“可能存在”；若任意一位为 0，则判定“一定不存在”；
4. 在缓存层之前增加布隆过滤器拦截：若判定不存在，直接返回空，不再查询缓存或数据库。

// 布隆过滤器使用示例（Guava 实现）
import com.google.common.hash.BloomFilter;
import com.google.common.hash.Funnels;

// 预计插入 10000 个元素，误判率 1%
BloomFilter<String> bloomFilter = BloomFilter.create(
    Funnels.stringFunnel(Charset.defaultCharset()), 10000, 0.01);

// 预热：将所有合法商品 ID 加入过滤器
for (String id : allValidProductIds) {
    bloomFilter.put(id);
}

// 查询拦截
public String getProduct(String productId) {
    if (!bloomFilter.mightContain(productId)) {
        return null; // 一定不存在，直接返回
    }
    // 继续走缓存 + 数据库查询
    return cache.get(productId);
}

3.5 三种异常的综合对比与选型建议