2. 缓存穿透原理：缓存穿透的成因分析、空值缓存与布隆过滤器原理、穿透对数据库的压力模型

2.1 缓存穿透的成因分析

缓存穿透是指查询一个根本不存在的数据，导致请求绕过缓存层，直接穿透到后端数据库（DB）的现象。由于缓存层对该 key 没有命中（不存在），每次请求都会直接访问数据库，而数据库也查不到该记录，因此不会回写缓存。这种“空查询”在高并发场景下会形成对数据库的直接冲击。

常见触发场景包括：

• 恶意攻击或爬虫：攻击者构造大量不存在的 key（如随机 ID、负数 ID、超长字符串）发起请求。
• 业务逻辑漏洞：前端未做参数校验，允许传入非法或无效的查询参数。
• 缓存与数据库数据不一致：数据已被删除，但缓存未及时失效，导致后续请求查不到缓存后直接查 DB。
• 缓存预热不完整：新上线功能或数据迁移后，部分合法 key 未被加载到缓存中。

2.2 空值缓存原理

空值缓存（Null Cache）是最直接的防御手段。当数据库查询结果为空时，仍然将该 key 写入缓存，但 value 标记为空值占位符（如 null、""、"NULL"），并设置一个较短的过期时间（通常 30~60 秒）。后续相同 key 的请求会直接命中缓存中的空值，从而避免穿透到 DB。

// 伪代码示例：空值缓存逻辑
public Object getWithNullCache(String key) {
    // 1. 查缓存
    Object cacheValue = cache.get(key);
    if (cacheValue != null) {
        // 命中缓存（包括空值占位符）
        if (cacheValue instanceof NullPlaceholder) {
            return null; // 返回空，但不再查 DB
        }
        return cacheValue;
    }
    
    // 2. 缓存未命中，查数据库
    Object dbValue = db.query(key);
    if (dbValue == null) {
        // 3. 数据库也不存在，写入空值缓存（TTL=30s）
        cache.set(key, new NullPlaceholder(), 30);
        return null;
    }
    
    // 4. 数据库存在，写入正常缓存（TTL=3600s）
    cache.set(key, dbValue, 3600);
    return dbValue;
}

空值缓存的优缺点对比：

2.3 布隆过滤器原理

布隆过滤器（Bloom Filter）是一种空间效率极高的概率型数据结构，用于判断一个元素是否可能存在于集合中。它由一个很长的二进制位数组和多个哈希函数组成。其核心特性是：

• 判断不存在：100% 准确。如果布隆过滤器说某个 key 不存在，那它一定不存在。
• 判断存在：存在误判率（False Positive）。可能误判某个不存在的 key 为存在。

在缓存穿透治理中，布隆过滤器作为前置过滤器：所有查询请求先经过布隆过滤器，如果判定 key 不存在，则直接拒绝（返回空），不再查询缓存和 DB；如果判定存在，才允许进入缓存层。

// 伪代码示例：布隆过滤器 + 缓存穿透防御
public class BloomFilterGuard {
    private BloomFilter<String> bloomFilter; // 预加载所有合法 key
    private Cache cache;
    private Database db;
    
    public Object get(String key) {
        // 1. 布隆过滤器前置判断
        if (!bloomFilter.mightContain(key)) {
            // 一定不存在，直接返回
            return null;
        }
        
        // 2. 查缓存
        Object cacheValue = cache.get(key);
        if (cacheValue != null) {
            return cacheValue;
        }
        
        // 3. 查数据库（此时 key 大概率存在）
        Object dbValue = db.query(key);
        if (dbValue != null) {
            cache.set(key, dbValue, 3600);
        }
        return dbValue;
    }
}

布隆过滤器的关键参数：

2.4 穿透对数据库的压力模型

缓存穿透对数据库的压力可以用一个量化模型来描述。假设系统总 QPS 为 Q，缓存命中率为 H，穿透请求占比为 P（即请求中不存在的 key 比例），则数据库实际承受的查询压力为：

DB_QPS = Q × (1 - H) × P

其中：
- Q：系统总请求量（次/秒）
- H：缓存命中率（0~1）
- P：穿透请求占比（0~1）

当 P 接近 1（恶意攻击场景）且 H 较低时，DB_QPS 会接近甚至等于 Q，即所有请求全部打到数据库。以一个典型电商场景为例：

压力模型的非线性特征还体现在：数据库连接池、线程池、磁盘 IO 等资源在达到阈值后会快速恶化。例如，MySQL 在 QPS 超过 5,000 时，查询延迟可能从 5ms 飙升到 500ms，触发连接超时和重试风暴，最终导致缓存雪崩（大量请求同时穿透）。