4. 缓存穿透与解决方案：布隆过滤器原理、空值缓存、接口层校验

缓存穿透是指查询一个根本不存在的数据，由于缓存层不命中，请求直接穿透到后端数据库（如 MySQL、MongoDB），导致数据库压力骤增，甚至引发雪崩。本章将深入剖析穿透的成因，并系统讲解三种主流解决方案：布隆过滤器、空值缓存与接口层校验。

4.1 缓存穿透的成因与危害

穿透通常由以下场景触发：

• 恶意攻击：攻击者构造大量不存在的 Key（如连续递增的 ID 但实际已删除），绕过缓存直接攻击数据库。
• 业务误操作：前端或上游服务传入非法参数（如负数 ID、超长字符串），导致查询必然为空。
• 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，导致后续查询穿透。

4.2 解决方案一：接口层校验

接口层校验是第一道防线，在请求进入缓存层之前，对参数进行合法性检查，快速拒绝明显无效的请求。

4.2.1 校验策略

• 参数格式校验：ID 必须为正整数、字符串长度限制、枚举值范围检查。
• 业务规则校验：如订单状态只能查询已存在的状态码、用户 ID 必须存在于用户表中。
• 频率限制：对同一 IP 或 Token 的请求速率进行限流（如 100 QPS）。

// 接口层校验示例（Java）
public Response<User> getUserById(Long userId) {
    // 1. 参数基础校验
    if (userId == null || userId <= 0) {
        return Response.fail("参数错误：userId 必须为正整数");
    }
    // 2. 业务规则校验（如用户 ID 范围）
    if (userId > MAX_VALID_USER_ID) {
        return Response.fail("参数错误：userId 超出合法范围");
    }
    // 3. 限流校验（伪代码）
    if (!rateLimiter.tryAcquire(userId.toString())) {
        return Response.fail("请求过于频繁，请稍后重试");
    }
    // 4. 进入缓存查询
    return cacheService.getUser(userId);
}

4.3 解决方案二：空值缓存

当数据库查询结果为空时，仍然将该 Key 写入缓存，并设置一个较短的过期时间（如 30~60 秒）。这样后续相同的请求可以直接命中缓存，避免穿透到数据库。

4.3.1 实现要点

// 空值缓存实现伪代码
public User getUser(Long userId) {
    // 1. 查缓存
    Object cacheValue = redis.get("user:" + userId);
    if (cacheValue != null) {
        // 2. 判断是否是空值标记
        if ("NULL".equals(cacheValue)) {
            return null; // 直接返回空，不查 DB
        }
        return (User) cacheValue;
    }
    // 3. 缓存未命中，查数据库
    User user = userDao.findById(userId);
    if (user == null) {
        // 4. 写入空值缓存，TTL 30 秒
        redis.setex("user:" + userId, 30, "NULL");
        return null;
    }
    // 5. 写入正常缓存，TTL 1 小时
    redis.setex("user:" + userId, 3600, user);
    return user;
}

4.4 解决方案三：布隆过滤器

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于一个集合中。它由一个位数组和多个哈希函数组成。

4.4.1 工作原理

1. 初始化：创建一个长度为 m 的位数组，所有位初始化为 0。
2. 添加元素：使用 k 个哈希函数对元素计算哈希值，将位数组中对应位置置为 1。
3. 查询元素：同样使用 k 个哈希函数计算，如果所有对应位都是 1，则元素可能存在；如果任意一位为 0，则元素一定不存在。

4.4.2 在 Redis 中使用布隆过滤器

Redis 4.0 之后提供了 Bloom Filter 模块（redisbloom），支持以下命令：

// 布隆过滤器 + 缓存穿透防护示例
public User getUserWithBloom(Long userId) {
    // 1. 先检查布隆过滤器
    if (!bloomFilter.exists("user_filter", userId)) {
        // 一定不存在，直接返回 null，避免查缓存和 DB
        return null;
    }
    // 2. 查缓存
    Object cacheValue = redis.get("user:" + userId);
    if (cacheValue != null) {
        return (User) cacheValue;
    }
    // 3. 查数据库
    User user = userDao.findById(userId);
    if (user != null) {
        redis.setex("user:" + userId, 3600, user);
    }
    return user;
}

4.4.3 误判率与参数选择

布隆过滤器存在误判率（False Positive），即可能将不存在的元素误判为存在。误判率与以下参数相关：

• m：位数组长度（越大误判率越低）
• k：哈希函数个数（越多误判率越低，但计算开销增大）
• n：已插入元素数量

经验公式：m = -n * ln(p) / (ln(2)^2)，其中 p 为期望误判率。例如，期望误判率 1%，插入 100 万元素，需要约 9.6 MB 位数组。

4.5 三种方案对比与选型