Redis + 布隆过滤器解决缓存穿透问题
1. Redis + 布隆过滤器解决缓存穿透问题
📌 什么是缓存穿透？
缓存穿透指的是查询的数据既不在缓存，也不在数据库，导致每次查询都直接访问数据库，增加数据库压力。
例如：攻击者故意请求不存在的 ID，导致大量无效查询，冲垮数据库。
解决方案：
-
普通缓存机制：数据库查询为空时，写入一个短期过期的空值，但对高并发请求不够高效。
-
布隆过滤器方案
（推荐）：
- 布隆过滤器预存已有数据的 key。
- 查询前，先通过布隆过滤器判断 key 是否可能存在：
- 存在 → 查询 Redis 缓存，未命中则查询数据库，再写入缓存。
- 不存在 → 直接返回，避免访问数据库，防止缓存穿透。
2. Java 代码示例：Redis + 布隆过滤器
📌 依赖
使用 Redisson 库来操作 Redis 的布隆过滤器，需要添加以下依赖（使用 Maven 或 Gradle）。
<dependency><groupId>org.redisson</groupId><artifactId>redisson</artifactId><version>3.21.1</version>
</dependency>
📌 代码示例
🚀 1. 初始化 Redis 连接
import org.redisson.Redisson;
import org.redisson.api.RBloomFilter;
import org.redisson.api.RedissonClient;
import org.redisson.config.Config;public class RedisBloomFilter {private static RedissonClient redissonClient;private static RBloomFilter<String> bloomFilter;static {// 配置 Redis 连接Config config = new Config();config.useSingleServer().setAddress("redis://127.0.0.1:6379"); // 连接本地 RedisredissonClient = Redisson.create(config);// 初始化布隆过滤器bloomFilter = redissonClient.getBloomFilter("product_bloom_filter");bloomFilter.tryInit(1000000L, 0.01); // 预估 100w 个元素，误判率 1%}/*** 向布隆过滤器添加数据*/public static void addToBloomFilter(String productId) {bloomFilter.add(productId);}/*** 判断数据是否可能存在*/public static boolean mightContain(String productId) {return bloomFilter.contains(productId);}public static void main(String[] args) {// 模拟初始化布隆过滤器addToBloomFilter("1001");addToBloomFilter("1002");addToBloomFilter("1003");// 查询数据System.out.println("1001 存在？" + mightContain("1001")); // trueSystem.out.println("2001 存在？" + mightContain("2001")); // false}
}
🚀 2. 结合 Redis 缓存 + MySQL 数据库
import org.redisson.api.RBloomFilter;
import org.redisson.api.RedissonClient;
import redis.clients.jedis.Jedis;public class BloomFilterCacheDemo {private static Jedis redisClient = new Jedis("127.0.0.1", 6379);private static RedissonClient redissonClient;private static RBloomFilter<String> bloomFilter;static {// 配置 Redisson 连接 RedisredissonClient = Redisson.create();bloomFilter = redissonClient.getBloomFilter("product_bloom_filter");bloomFilter.tryInit(1000000L, 0.01); // 100w 数据，误判率 1%}/*** 模拟查询数据库*/public static String queryDatabase(String productId) {if ("1001".equals(productId)) {return "商品1001：iPhone 15";} else if ("1002".equals(productId)) {return "商品1002：MacBook Pro";}return null; // 模拟数据库查询不到}/*** 查询商品详情（使用布隆过滤器+Redis缓存）*/public static String getProductInfo(String productId) {// 1️⃣ 先查询布隆过滤器if (!bloomFilter.contains(productId)) {return "商品不存在"; // 直接返回，防止缓存穿透}// 2️⃣ 查询 Redis 缓存String cacheData = redisClient.get("product:" + productId);if (cacheData != null) {return "【缓存】" + cacheData;}// 3️⃣ 查询数据库String dbData = queryDatabase(productId);if (dbData != null) {// 写入 Redis，设置 10 分钟过期redisClient.setex("product:" + productId, 600, dbData);return "【数据库】" + dbData;}return "商品不存在";}public static void main(String[] args) {// 初始化布隆过滤器（模拟数据库已有商品）bloomFilter.add("1001");bloomFilter.add("1002");// 测试查询System.out.println(getProductInfo("1001")); // 【数据库】商品1001：iPhone 15System.out.println(getProductInfo("2001")); // 商品不存在}
}
3. 运行结果
| 查询商品 ID | Redis 缓存 | 数据库 | 布隆过滤器 | 返回结果 |
|---|---|---|---|---|
1001 | ❌ 无 | ✅ 有 | ✅ 可能存在 | 【数据库】商品1001：iPhone 15 |
1001（第二次查询） | ✅ 有 | - | ✅ 可能存在 | 【缓存】商品1001：iPhone 15 |
2001（不存在） | ❌ 无 | ❌ 无 | ❌ 一定不存在 | 商品不存在 |
4. 关键点总结
✅ 布隆过滤器防止缓存穿透
- 先用布隆过滤器检查，如果 不在过滤器内，直接返回，避免查询数据库。
✅ Redis 作为缓存
- 查询时，优先访问 Redis，如果缓存未命中，才访问数据库，并写入 Redis 进行缓存。
✅ 误判率低
- 通过
bloomFilter.tryInit(1000000L, 0.01)，设置合理的n（数据量）和p（误判率），确保高效过滤。
✅ 不能删除数据
- 布隆过滤器不支持删除，可以用定期重建的方式优化，例如每天重新初始化。
5. 适用场景
🔹 电商系统：防止查询不存在的商品 ID，减少数据库压力。
🔹 用户系统：防止查询不存在的用户 ID，避免账号碰撞攻击。
🔹 API 限流：判断 IP 或 Token 是否在黑名单，快速拒绝非法请求。