织梦网站标题被改学校招生网络营销方案

1.并发量小的情况下，可以针对昵称列加数据库字段唯一键

2、并发量大的情况下，使用布隆过滤器。

        - 布隆过滤器（Bloom Filter）是一种高效的概率型数据结构，主要用于判断元素是否属于集合，具有空间效率高，查询速度快的特点，但存在误判率且不支持删除操作。

‌①. 核心原理‌

• ‌数据结构‌：由位数组（二进制向量）和多个哈希函数组成，初始所有位为0‌12。

• ‌插入过程‌：元素通过多个哈希函数映射到位数组的多个位置，并将对应位设为1‌34。

• ‌查询过程‌：若所有哈希对应位均为1，则元素可能存在于集合中；若任一为0，则元素一定不存在‌14。

• ‌误判原因‌：不同元素的哈希值可能碰撞，导致误判（假阳性），但不会漏判（假阴性）‌25。

‌②. 典型应用场景‌

• ‌缓存穿透防护‌：在Redis缓存前过滤无效请求，避免数据库压力‌34。

• ‌网络爬虫去重‌：标记已访问的URL，避免重复抓取‌45。

• ‌垃圾邮件过滤‌：快速识别黑名单中的邮件地址‌26。

• ‌分布式系统‌：如海量数据去重、区块链交易验证等‌5。

③. 使用示例

        

import com.google.common.hash.BloomFilter;
import com.google.common.hash.Funnels;
import java.nio.charset.StandardCharsets;public class BloomFilterExample {public static void main(String[] args) {// 初始化布隆过滤器，预计存储10万姓名，误判率0.0001BloomFilter<String> bloom = BloomFilter.create(Funnels.stringFunnel(StandardCharsets.UTF_8),100000,0.0001);// 模拟从数据库读取姓名并存入布隆过滤器String[] names = {"张三", "李四", "王五", "赵六", "陈七"};for (String name : names) {bloom.put(name);}// 查询示例String queryName = "张三";if (bloom.mightContain(queryName)) {System.out.println(queryName + " 可能在数据库中");} else {System.out.println(queryName + " 一定不在数据库中");}queryName = "未知名字";if (bloom.mightContain(queryName)) {System.out.println(queryName + " 可能在数据库中");} else {System.out.println(queryName + " 一定不在数据库中");}}
}

1、缓存穿透：查询缓存和数据库都不存在的数据，缓存没有，数据库也没有

2、缓存击穿：缓存中数据的key过期了，这时候所有请求都到数据库查询，瞬时大量请求击穿数据库

3、缓存雪崩：缓存雪崩通常是发生在大量key同一时间失效，大量请求直接打在DB上，影响整个系统。而缓存击穿是针对某一具体的缓存key失效而言，影响相对局部。