📚 课程目录第2章缓存穿透解决方案

2. 缓存穿透解决方案：布隆过滤器原理、空值缓存策略、参数校验与限流

缓存穿透是指查询一个根本不存在的数据，缓存层和数据库层都无法命中，导致每次请求都直接打到数据库。在高并发场景下，这会将数据库压垮。本节深入剖析三种主流解决方案的原理、适用场景与协同策略。

2.1 缓存穿透的成因与危害

穿透的本质是缓存层失效与数据不存在的叠加效应。攻击者或异常流量利用这一点，构造大量不存在的 Key 发起请求，绕过缓存直接穿透到数据库。

维度	说明
触发条件	查询 Key 在缓存中不存在，且数据库中也不存在该记录
直接后果	每次请求都穿透缓存，数据库连接数飙升，响应延迟剧增
典型场景	恶意攻击（遍历不存在的 ID）、业务漏洞（前端未做参数校验）
危害等级	高——可导致数据库连接池耗尽、服务雪崩

关键认知：缓存穿透与缓存击穿（热点 Key 过期）不同。穿透是数据本身不存在，击穿是数据存在但缓存刚好过期。治理策略完全不同，不可混淆。

2.2 布隆过滤器原理与实现

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。它允许一定的误判率（假阳性），但绝不漏判（假阴性概率为 0）。

2.2.1 核心原理

位数组：初始化一个长度为 m 的二进制位数组，所有位初始为 0。
多个哈希函数：使用 k 个相互独立的哈希函数，每个函数将输入元素映射到位数组的某个位置。
插入操作：对每个元素，用 k 个哈希函数计算得到 k 个位置，将这些位置全部置为 1。
查询操作：对查询元素，同样计算 k 个哈希位置。如果所有位置都是 1，则元素可能存在；如果任意一个位置是 0，则元素一定不存在。

数学特性：误判率 p 与位数组长度 m、哈希函数个数 k、插入元素数量 n 相关。最优哈希函数个数 k = (m/n) * ln2。实际工程中，通常将误判率控制在 1% 以内。

2.2.2 工程实现要点

参数	推荐值	说明
位数组长度 m	预估数据量 n × 10 ~ 20	越大误判率越低，但内存占用增加
哈希函数个数 k	7 ~ 13	根据 m/n 计算最优值
误判率 p	≤ 1%	业务可接受范围，过高会失去过滤意义
数据结构	Redis Bitmap / Guava BloomFilter	分布式场景用 Redis，单机用 Guava

// Java 示例：使用 Guava 布隆过滤器
import com.google.common.hash.BloomFilter;
import com.google.common.hash.Funnels;

// 预估插入 100 万条数据，误判率 1%
BloomFilter<Integer> bloomFilter = BloomFilter.create(
    Funnels.integerFunnel(), 1_000_000, 0.01);

// 插入所有合法 ID
for (Integer id : validIdList) {
    bloomFilter.put(id);
}

// 查询时先过布隆过滤器
public Object queryWithBloom(String key) {
    if (!bloomFilter.mightContain(key)) {
        // 一定不存在，直接返回空
        return null;
    }
    // 可能存在，继续查缓存 + 数据库
    return queryFromCacheOrDB(key);
}

实践建议：布隆过滤器无法删除元素。如果业务需要频繁删除，考虑使用计数布隆过滤器（Counting Bloom Filter）或布谷鸟过滤器（Cuckoo Filter），后者支持删除且空间效率更高。

2.3 空值缓存策略

空值缓存（Cache-Through for Null）是最简单直接的穿透治理手段：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，并设置较短的过期时间。

2.3.1 实现流程

请求到达，先查缓存。
缓存命中且值为空占位符，直接返回空（避免查库）。
缓存未命中，查数据库。
数据库结果为空，将 Key 写入缓存，Value 设为 NULL_PLACEHOLDER，TTL 设为 30~60 秒。
数据库结果非空，正常写入缓存并返回。

// 空值缓存伪代码
public Object queryWithNullCache(String key) {
    // 1. 查缓存
    Object cacheValue = cache.get(key);
    if (cacheValue != null) {
        if (NULL_PLACEHOLDER.equals(cacheValue)) {
            return null; // 空值命中，直接返回
        }
        return cacheValue;
    }
    // 2. 缓存未命中，查数据库
    Object dbValue = db.query(key);
    if (dbValue == null) {
        // 3. 空值缓存，TTL 设为 30 秒
        cache.set(key, NULL_PLACEHOLDER, 30);
        return null;
    }
    // 4. 正常缓存
    cache.set(key, dbValue, 3600);
    return dbValue;
}

2.3.2 优缺点对比

维度	布隆过滤器	空值缓存
空间开销	极低（位数组）	较高（每个空 Key 占用完整缓存条目）
误判风险	有（假阳性）	无（精确判断）
实现复杂度	中等（需维护哈希函数）	低（简单 if-else）
适用场景	海量 Key、内存敏感	Key 数量可控、对精确性要求高
删除支持	困难（标准布隆不支持）	容易（直接删除缓存条目）

避坑指南：空值缓存的 TTL 不宜过长（建议 ≤ 60 秒），否则当真实数据写入后，缓存中仍然是空占位符，导致数据不一致。如果业务对一致性要求高，可在数据写入时主动删除空值缓存。

2.4 参数校验与限流

参数校验和限流是第一道防线，在请求进入缓存层之前就拦截非法流量。

2.4.1 参数校验策略

格式校验：ID 必须是正整数、UUID 格式、长度范围等。
业务规则校验：如订单号必须包含日期前缀、用户 ID 必须在合法范围内。
黑名单校验：对已知的恶意 Key 模式（如 ../../etc/passwd）直接拒绝。

// 参数校验示例
public boolean validateKey(String key) {
    // 1. 非空校验
    if (key == null || key.trim().isEmpty()) return false;
    // 2. 格式校验：必须是数字
    if (!key.matches("\\d+")) return false;
    // 3. 范围校验：ID 必须在 1 ~ 1亿 之间
    long id = Long.parseLong(key);
    if (id < 1 || id > 100_000_000) return false;
    // 4. 黑名单校验
    if (BLACKLIST.contains(key)) return false;
    return true;
}

2.4.2 限流策略

限流用于控制单位时间内的请求速率，防止突发穿透流量打垮数据库。常用算法包括：

算法	特点	适用场景
令牌桶	允许突发流量，平滑速率	通用场景，推荐首选
漏桶	强制固定速率，不允许突发	对稳定性要求极高的场景
滑动窗口	精确控制时间窗口内的请求数	需要精确计数的场景

2.5 三种方案协同策略

在实际生产系统中，三种方案通常组合使用，形成纵深防御体系：

第一道防线（入口层）：参数校验 + 限流，拦截明显非法的请求。
第二道防线（缓存层前置）：布隆过滤器，快速过滤掉绝大多数不存在的 Key。
第三道防线（缓存层内部）：空值缓存，兜底处理布隆过滤器的假阳性以及少量合法但数据不存在的请求。

推荐组合：布隆过滤器 + 空值缓存 + 限流。布隆过滤器拦截 99% 的不存在 Key，空值缓存处理剩余 1% 的假阳性，限流防止突发流量。三者配合可将数据库穿透请求降低 99.99% 以上。

2.6 本章小结

布隆过滤器：空间高效，适合海量 Key 场景，但存在假阳性且不支持删除。
空值缓存：实现简单，精确判断，但占用缓存空间，需注意 TTL 设置。
参数校验与限流：第一道防线，成本最低，必须前置。
协同策略：三层防护层层递进，缺一不可。