网站设计与制作的基本步骤百度客服在线客服入口
一.缓存穿透：查无此物攻击。
问题本质
缓存穿透是指客户端发来的请求，在缓存和数据库中都无法找到，那么因此缓存就永远不会存在，所以每次请求都会被打到数据库
eg：黑客暴力扫描不存在的ID，然后发送大量垃圾请求，实现穿透攻击
解决方法
1.布隆过滤器
预加载所有可能存在的数据哈希值到布隆过滤器中，查询时先判断数据是否存在。
// 使用Guava实现布隆过滤器
public class BloomFilterDemo {private static final int EXPECTED_INSERTIONS = 1000000; //预计插入数据量private static final double FPP = 0.01; //允许的误判率（即允许 “可能存在但实际不存在” 的概率。）private static BloomFilter<String> bloomFilter = BloomFilter.create(Funnels.stringFunnel(StandardCharsets.UTF_8), EXPECTED_INSERTIONS, FPP);// 初始化加载有效ID@PostConstruct //标记方法在 Bean 初始化完成后自动执行public void init() {List<String> validIds = dao.getAllIds(); // 从数据库获取所有有效IDvalidIds.forEach(bloomFilter::put); // 将所有ID写入布隆过滤器}public Object getData(String id) {if (!bloomFilter.mightContain(id)) {return "Invalid ID"; // 直接拦截非法请求}// 继续查询缓存和数据库...}
}
2.缓存异常值
将查询结果为空的值也插入到缓存，并设置一个较短的过期时间。
public Object getDataWithNullCache(String key) {Object value = redisTemplate.opsForValue().get(key);if (value != null) {return "NULL".equals(value) ? null : value; // 空值标识处理}Object dbValue = db.get(key);if (dbValue == null) {redisTemplate.opsForValue().set(key, "NULL", 30, TimeUnit.SECONDS); // 空值缓存30秒return null;}redisTemplate.opsForValue().set(key, dbValue, 5, TimeUnit.MINUTES);return dbValue;
}
对比
| 方案 | 优点 | 缺点 | 适用场景 |
|---|---|---|---|
| 布隆过滤器 | 内存高效，永久拦截非法请求 | 存在误判率，需要预加载数据 | 数据库定且可预加载 |
| 缓存空值 | 实现简单，实时生效 | 可能缓存大量无效Key | 动态变化的Key |
二.缓存雪崩：批量失效灾难
问题本质
- 批量过期：大量key在同一时间过期
- Redis宕机：集群故障导致所有请求被打到数据库
解决方法
随机过期时间
public void setCacheWithRandomExpire(String key, Object value) {int baseExpire = 3600; // 基础过期时间1小时int randomExpire = ThreadLocalRandom.current().nextInt(600); // 0-10分钟随机偏移redisTemplate.opsForValue().set(key, value, baseExpire + randomExpire, TimeUnit.SECONDS);
}
多级缓存架构
// 使用Caffeine作为本地缓存
public class MultiLevelCache {private Cache<String, Object> localCache = Caffeine.newBuilder().expireAfterWrite(30, TimeUnit.SECONDS).maximumSize(10000).build();public Object getData(String key) {// 1.检查本地缓存Object value = localCache.getIfPresent(key);if (value != null) return value;// 2.检查Redis缓存value = redisTemplate.opsForValue().get(key);if (value != null) {localCache.put(key, value); // 回填本地缓存return value;}// 3.查询数据库并重建缓存...}
}
三.缓存击穿：热点数据暴雷
问题本质
高并发访问的热点 key 突然失效，导致数据库被击穿
解决方法
分布式锁（Redisson实现）
当缓存失效时，通过分布式锁控制仅一个线程去数据库获取数据，重建缓存
public Object getDataWithLock(String key) {Object value = redisTemplate.opsForValue().get(key);if (value == null) {RLock lock = redisson.getLock(key);try {if (lock.tryLock(3, 10, TimeUnit.SECONDS)) { // 等待3秒，持有10秒// 二次检查value = redisTemplate.opsForValue().get(key);if (value == null) {value = db.get(key); redisTemplate.opsForValue().set(key, value, 30, TimeUnit.MINUTES);}}} finally {lock.unlock();}}return value;
}
逻辑过期时间
缓存永不过期，但存储数据时附加逻辑过期时间。
Redis中缓存永不过期（除非手动清理），由应用层逻辑过期时间戳来判断是否过期。
如果过期，则先使用Redis中的旧数据，然后使用异步单线程去数据库获取新数据，然后重新缓存到Redis。
@Data
public class LogicalExpireData {private Object data;private long expireTime; // 逻辑过期时间戳
}public Object getDataWithLogicalExpire(String key) {LogicalExpireData cached = redisTemplate.opsForValue().get(key);if (cached == null) {return loadDataAndSetCache(key); // 首次加载}if (System.currentTimeMillis() > cached.getExpireTime()) {// 提交异步刷新任务executor.submit(() -> {if (getLock(key)) { // 获取互斥锁try {loadDataAndSetCache(key);} finally {releaseLock(key);}}});}return cached.getData(); // 返回旧数据
}private Object loadDataAndSetCache(String key) {Object dbValue = db.get(key);LogicalExpireData newData = new LogicalExpireData();newData.setData(dbValue);newData.setExpireTime(System.currentTimeMillis() + 3600_000); // 1小时后逻辑过期redisTemplate.opsForValue().set(key, newData); //Redis中永不过期！return dbValue;
}
| 方案 | 优点 | 缺点 | 适用场景 |
|---|---|---|---|
| 分布式锁 | 数据强一致性 | 性能损耗较高 | 对一致性要求严格的场景 |
| 逻辑过期 | 零等待时间 | 存在短暂的数据不一致（新旧数据） | 高并发读场景 |
布隆过滤器是什么？
布隆过滤器是一种空间高效的概率型数据结构，用于快速判断一个元素是否属于某个集合
特点
- 可能误判（错误地认为某个不存在的元素存在）：不同元素的哈希函数计算结果可能覆盖相同位，导致查询时误以为元素存在。
- 绝不漏判（错误地认为某个存在的元素不存在）：如果元素实际存在于集合中，其哈希对应的所有位在添加时已被置为 1，不可能出现某一位为 0
数据结构
- 位数组：一个长度为 m 的二进制数组，初始所有位为 0。
- 哈希函数：使用 k 个不同的哈希函数，每个函数将元素映射到位数组的某个位置。
流程
(1)添加元素
元素"apple“经过k个不同的哈希函数计算后，得到k个哈希值h1(“apple”)、h2(“apple”)…hk(“apple”)
在位数组中将这k个哈希函数计算出来的位置设为1
// 示例：添加元素 "apple"
hash1("apple") → 位置3
hash2("apple") → 位置7
hash3("apple") → 位置12
将位数组的3、7、12位设置为1
（2）判断元素是否存在
将元素 y 通过同样的 k 个哈希函数计算，得到 k 个位置。
检查位数组中这 k 个位置是否全为 1：
- 全为 1 → 元素可能存在于集合（可能误判）
- 至少有一个 0 → 元素绝对不存在
// 示例：查询元素 "banana"
hash1("banana") → 位置3
hash2("banana") → 位置9
hash3("banana") → 位置12
检查位数组的3、9、12位：
- 位置9为0 → 元素不存在
误判率
误判率 p 与以下参数相关：
- m：位数组长度
- k：哈希函数数量
- n：集合中元素数量