一张图搞懂 Redis 缓存雪崩、缓存穿透、缓存击穿作者|雷架文章来源|爱笑的架构

文章插图
作者 | 雷架
文章来源 | 爱笑的架构师（id ：DancingOnYourCode）
文章插图
缓存异常场景分类
在实际生产环境中有时会遇到缓存穿透、缓存击穿、缓存雪崩等异常场景，为了避免异常带来巨大损失，我们需要了解每种异常发生的原因以及解决方案，帮助提升系统可靠性和高可用。
文章插图
缓存穿透
什么是缓存穿透？缓存穿透是指用户请求的数据在缓存中不存在即没有命中，同时在数据库中也不存在，导致用户每次请求该数据都要去数据库中查询一遍，然后返回空。
如果有恶意攻击者不断请求系统中不存在的数据，会导致短时间大量请求落在数据库上，造成数据库压力过大，甚至击垮数据库系统。
缓存穿透常用的解决方案（1）布隆过滤器（推荐）
布隆过滤器（Bloom Filter ，简称BF）由Burton Howard Bloom在1970年提出，是一种空间效率高的概率型数据结构。
布隆过滤器专门用来检测集合中是否存在特定的元素。
如果在平时我们要判断一个元素是否在一个集合中，通常会采用查找比较的方法，下面分析不同的数据结构查找效率：

采用线性表存储，查找时间复杂度为O(N)
采用平衡二叉排序树（AVL、红黑树）存储，查找时间复杂度为O(logN)
采用哈希表存储，考虑到哈希碰撞，整体时间复杂度也要O[log(n/m)]

当需要判断一个元素是否存在于海量数据集合中，不仅查找时间慢，还会占用大量存储空间。接下来看一下布隆过滤器如何解决这个问题。
布隆过滤器设计思想
布隆过滤器由一个长度为m比特的位数组（bit array）与k个哈希函数（hash function）组成的数据结构。位数组初始化均为0 ，所有的哈希函数都可以分别把输入数据尽量均匀地散列。
当要向布隆过滤器中插入一个元素时，该元素经过k个哈希函数计算产生k个哈希值，以哈希值作为位数组中的下标，将所有k个对应的比特值由0置为1 。
当要查询一个元素时，同样将其经过哈希函数计算产生哈希值，然后检查对应的k个比特值：如果有任意一个比特为0 ，表明该元素一定不在集合中；如果所有比特均为1 ，表明该集合有可能性在集合中。为什么不是一定在集合中呢？因为不同的元素计算的哈希值有可能一样，会出现哈希碰撞，导致一个不存在的元素有可能对应的比特位为1 ，这就是所谓“假阳性”（false positive）。相对地， “假阴性”（false negative）在BF中是绝不会出现的。
总结一下：布隆过滤器认为不在的，一定不会在集合中；布隆过滤器认为在的，可能在也可能不在集合中。
举个例子：下图是一个布隆过滤器，共有18个比特位， 3个哈希函数。集合中三个元素x ， y ， z通过三个哈希函数散列到不同的比特位，并将比特位置为1 。当查询元素w时，通过三个哈希函数计算，发现有一个比特位的值为0 ，可以肯定认为该元素不在集合中。

文章插图
布隆过滤器优缺点
优点：

节省空间：不需要存储数据本身，只需要存储数据对应hash比特位
时间复杂度低：插入和查找的时间复杂度都为O(k) ， k为哈希函数的个数

缺点：

存在假阳性：布隆过滤器判断存在，可能出现元素不在集合中；判断准确率取决于哈希函数的个数
不能删除元素：如果一个元素被删除，但是却不能从布隆过滤器中删除，这也是造成假阳性的原因了

布隆过滤器适用场景

爬虫系统url去重
垃圾邮件过滤
黑名单

（2）返回空对象
当缓存未命中，查询持久层也为空，可以将返回的空对象写到缓存中，这样下次请求该key时直接从缓存中查询返回空对象，请求不会落到持久层数据库。为了避免存储过多空对象，通常会给空对象设置一个过期时间。
这种方法会存在两个问题：

如果有大量的key穿透，缓存空对象会占用宝贵的内存空间。
空对象的key设置了过期时间，在这段时间可能会存在缓存和持久层数据不一致的场景。