2. 缓存穿透保护算法总览：布隆过滤器、空值缓存、参数校验、限流降级等方案对比

缓存穿透是指查询一个根本不存在的数据，缓存层无法命中，请求直接穿透到后端存储（如数据库、磁盘），导致存储层压力骤增。若攻击者利用大量不存在的 key 发起请求，可能直接打垮数据库。本章对四种主流穿透保护方案进行系统性对比，帮助你在不同场景下做出正确选型。

2.1 四种方案核心原理

2.2 布隆过滤器（Bloom Filter）

布隆过滤器使用一个长度为 m 的位数组和 k 个独立的哈希函数。插入 key 时，将 k 个哈希位置置为 1；查询时，若所有 k 个位置均为 1，则 key 可能存在；若任一位置为 0，则 key 一定不存在。

• 优点：空间效率极高（百万级 key 仅需几 MB），查询时间复杂度 O(k)，支持高并发。
• 缺点：存在误判率（假阳性），无法删除元素（标准版），需要提前知道 key 全集。
• 关键参数：位数组大小 m、哈希函数个数 k、预期元素数量 n。误判率 p ≈ (1 - e^-kn/m)^k。

// 布隆过滤器核心参数估算（Java Guava 实现）
int expectedInsertions = 1_000_000;   // 预期插入量 n
double fpp = 0.01;                    // 期望误判率 p
BloomFilter<String> bloomFilter = BloomFilter.create(
    Funnels.stringFunnel(Charset.defaultCharset()),
    expectedInsertions,
    fpp);
// 内部自动计算最优 m 和 k

2.3 空值缓存（Null Cache）

当查询一个不存在的 key 时，将 key 写入缓存，value 设为空值标记（如 null 或 "__EMPTY__"），并设置一个较短的 TTL（如 30~60 秒）。后续相同 key 的请求在 TTL 内直接返回空值，不再穿透到数据库。

• 优点：实现简单，无误判，支持动态 key 空间。
• 缺点：占用缓存空间（大量空 key 可能撑爆内存），TTL 设置不当会导致数据不一致（真实数据写入后仍返回空值）。
• 关键参数：空值 TTL、空值最大数量限制、空值淘汰策略。

// 空值缓存伪代码（Redis + Lua 脚本）
String cacheKey = "user:" + userId;
String value = redis.get(cacheKey);
if (value != null) {
    if ("__EMPTY__".equals(value)) {
        return null;  // 空值命中，直接返回
    }
    return deserialize(value);
}
// 缓存未命中，查询数据库
User user = userDao.findById(userId);
if (user == null) {
    // 设置空值缓存，TTL=30秒
    redis.setex(cacheKey, 30, "__EMPTY__");
    return null;
}
redis.setex(cacheKey, 3600, serialize(user));
return user;

2.4 参数校验与限流降级

参数校验是第一道物理防线。例如用户 ID 必须是正整数且不超过系统最大用户数，订单号必须符合特定格式。校验不通过直接返回 400 错误，不进入缓存层。

限流降级是最后一道防线。当检测到某个 key、用户或 IP 的请求频率超过阈值时，直接拒绝或返回降级结果（如默认值、静态页）。常用算法：令牌桶、漏桶、滑动窗口。

2.5 方案组合策略

单一方案无法应对所有穿透场景。推荐分层组合架构：

1. L1 参数校验：在网关层过滤明显非法的请求（如 ID ≤ 0、格式错误）。
2. L2 布隆过滤器：拦截大部分不存在的 key（需提前加载合法 key 全集）。
3. L3 空值缓存：兜住布隆过滤器误判和动态 key 的穿透。
4. L4 限流降级：在应用层对同一 key 或 IP 的穿透频率进行限制。

2.6 方案对比总结