4. 缓存穿透：定义、危害、布隆过滤器原理与Redis实现

4.1 缓存穿透的定义

缓存穿透是指客户端请求的数据在缓存层和数据库层中都不存在，导致每次请求都直接穿透缓存层，直达数据库层。由于缓存层无法命中，所有请求的压力全部落在数据库上，形成“穿透”效应。

4.2 缓存穿透的危害

• 数据库连接耗尽： 大量无效请求同时到达数据库，快速耗尽连接池，导致正常请求也被阻塞。
• 数据库CPU/IO飙升： 每次穿透都执行一次完整SQL查询，即使结果为空，数据库仍需解析SQL、检查索引、返回空结果集，消耗计算资源。
• 缓存层失效： 缓存层无法拦截无效key，完全失去保护作用，退化为“透明代理”。
• 引发级联故障： 数据库响应变慢 → 上游服务超时 → 线程阻塞 → 服务雪崩，最终可能导致整个微服务集群不可用。

4.3 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。它由一个位数组和多个哈希函数组成。

4.3.1 核心操作

1. 初始化： 创建一个长度为 m 的位数组，所有位初始化为 0；选择 k 个独立的哈希函数。
2. 添加元素： 对元素分别计算 k 个哈希值，将位数组中对应位置置为 1。
3. 查询元素： 计算 k 个哈希值，检查对应位是否全部为 1。如果全部为 1，则元素可能存在；如果任意一位为 0，则元素一定不存在。

4.4 布隆过滤器的Redis实现

4.4.1 原生Redis位图实现

Redis 的 SETBIT 和 GETBIT 命令可以直接操作位数组，适合实现简单的布隆过滤器。

# 添加元素：用户ID 10086
SETBIT bloom:user 10086 1
SETBIT bloom:user 20086 1

# 查询元素
GETBIT bloom:user 10086  # 返回 1，可能存在
GETBIT bloom:user 30086  # 返回 0，一定不存在

# 批量添加（使用管道或Lua脚本提升性能）
EVAL "
  for i, id in ipairs(KEYS) do
    redis.call('SETBIT', 'bloom:user', id, 1)
  end
" 0 10086 20086 30086

4.4.2 RedisBloom模块实现

Redis 官方模块 RedisBloom 提供了专业的布隆过滤器数据结构，支持动态扩容和自动调整误判率。

# 安装RedisBloom后，使用BF命令

# 创建一个布隆过滤器，预期容量100万，误判率0.01
BF.RESERVE bloom:user 0.01 1000000

# 添加元素
BF.ADD bloom:user "user_10086"
BF.ADD bloom:user "user_20086"

# 批量添加
BF.MADD bloom:user "user_30086" "user_40086"

# 查询元素
BF.EXISTS bloom:user "user_10086"  # 返回 1
BF.EXISTS bloom:user "user_99999"  # 返回 0

# 批量查询
BF.MEXISTS bloom:user "user_10086" "user_99999"

4.5 缓存穿透的解决方案对比

4.6 布隆过滤器在微服务中的部署架构

4.7 关键避坑指南

• 布隆过滤器不能删除元素： 标准布隆过滤器不支持删除操作，因为多个元素可能共享同一个位。如果需要删除，考虑使用 Counting Bloom Filter 或 Cuckoo Filter。
• 误判率与容量的平衡： 预期容量设置过小会导致误判率急剧上升。建议按实际数据量的 1.5~2 倍设置预期容量。
• 预热问题： 服务启动时布隆过滤器为空，所有请求都会穿透。需要在启动时从数据库全量加载已有key到布隆过滤器。
• 数据一致性： 新增数据入库后，必须同步更新布隆过滤器。可以使用消息队列异步写入，保证最终一致性。