缓存穿透（查不到数据）
概述
当用户想要查询一个数据，发现Redis中不存在，也就是所谓的缓存没有命中，于是这个数据请求就会打到数据库中。结果数据库中也不存在这条数据，那么结果就是什么都没查询出来。那么当用户很多时候的查询，缓存中都没有数据，请求直接打到数据库中，这样就会给数据库造成很大的压力，缓存的作用也就几近于失效了，那么这种情况就叫做缓存穿透。
解决方案
方案一：保存空值
当数据库中也查询不到数据时，那么将返回的空对象也缓存起来，同时设置一个过期时间，之后再访问这个数据将会从缓存中获取，从而起到保护数据库的作用。
例如：查询userId=100的用户信息（key=[userId]，value=[用户json]），那么如果缓存和DB中都不存在，则在缓存中保存一条key=100，value=""的数据，那么用户再查询userId=100的时候，就直接可以返回空了。不需要查询DB。
方案二：布隆过滤器
步骤1：将数据库所有的数据加载到布隆过滤器。
步骤2：当有请求来的时候先去布隆过滤器查询，判断查询的数据是否存在。
步骤3：如果Bloom Filter判断数据不存在，那么直接返回空给客户端。
步骤4：如果Bloom Filter判断数据存在，那么则查询缓存或DB。
步骤5：将DB中查询的结果返回给客户端（并且缓存到Redis中）
缓存击穿（高并发查询某数据，且缓存过期）
概述
指一个非常热点的key，在不停的高并发请求着，那么当这个key在缓存中失效的一瞬间，持续对这个key的高并发就击穿了缓存，直接请求到了数据库，就像在一个屏障上早开了一个洞。
当热点key过期失效的一瞬间，高并发突然融入，会对数据库突然造成巨大的压力，严重的情况甚至会造成数据库宕机。
解决方案
方案一：设置热点数据永不过期
从缓存层面来看，没有设置过期时间，所以不会出现热点key过期后所产生的缓存击穿问题。
方案二：加互斥锁
使用分布式锁，当缓存数据过期后，保证对每个热点key同时只有一个线程去查询后端服务，并将热点数据添加到缓存。
缓存雪崩（缓存大批量失效或Redis宕机）
概述
指在某一个时间段，缓存集中过期失效，或Redis宕机，导致针对这批数据的查询都落到了数据库上，对于数据库而言，就会产生周期性的压力波峰。于是所有的请求都会达到存储层，存储层的调用量会暴增，造成存储层也会挂掉的情况。
其实缓存集中过期，倒不是最致命的，比较致命的是Redis发生节点宕机或断网。因为缓存集中过期后，数据库压力增大，但是随着缓存的创建，压力也会逐渐变小。但是Redis服务节点宕机，对数据库服务器造成的压力是不可预知的，很有可能是持续压力而最终造成数据库宕机。
解决方案
方案一：配置Redis集群
通过配置Redis集群，提升高可用性，那么即使挂掉几个Redis节点，集群内的其他Redis节点依然可以继续对外提供服务。
方案二：限流降级
缓存失效后，通过加锁或队列来控制读取数据库且写入缓存的线程数量。
方案三：数据预热分散过期时间
在正式部署之前，先把可能被高频访问的数据预先访问一遍，这样大部分热点数据就加载到缓存中了，并且通过设置不同的过期时间，让缓存失效的时间尽量均匀，防止同一时刻大批量缓存失效。
布隆过滤器
概念介绍
布隆过滤器（Bloom Filter）是1970年由布隆提出的。它实际上是一个很长的二进制向量和一系列随机映射函数。布隆过滤器可以用于检索一个元素是否在一个集合中。它的优点是空间效率和查询时间都比一般的算法要好的多，缺点是有一定的误识别率和删除困难。
布隆过滤器的特征是：它可以判断某个数据一定不存在，但是无法判断一定存在。（确实有点拗口，但当我们介绍完它的原理，就很容易明白了）
使用场景
场景一：原本有10亿个号码，现在又来了10万个号码，如何快速判断这10万个号码是否在10亿个号码库中？
场景二：需要爬虫的网站千千万万，对于一个新的网站url，我们如何判断这个url我们是否已经爬过了？
解决方案
针对上面的需求，我们一般会想到两种解决方案：
方案一：将10亿个号码存入数据库中，进行数据库查询，准确性有了，但是速度会比较慢。
方案二：将10亿号码放入内存中，比如Redis缓存中，这里我们算一下占用内存大小：10亿*8字节=8GB，通过内存查询，准确性和速度都有了，但是大约8GB的内存空间，挺浪费内存空间的。
那么对于类似这种，海量数据集合，如何准确快速的判断某个数据是否在大数据量集合中，并且不占用内存？那么布隆过滤器应运而生了。
实现原理
布隆过滤器是什么？
它是一种数据结构，是由一串很长的二进制向量组成，也可以将其看成一个二进制数组。既然是二进制，那么里面存放的不是0，就是1，但是初始默认值都是0。如下图所示：
添加数据如何处理？
当要插入一个元素时，将其数据分别输入k个哈希函数，产生k个哈希值。以哈希值作为位数组中的下标，将所有k个对应的比特置为1。
比如，下图hash1(x)=1，那么在第2个格子将0变为1（数组是从0开始计数的），hash2(x)=6，那么将第5个格子置为1，hash3(x)=16，那么将第16个格子置位1，依次类推。如下图所示（只演示hash1~hash3）：
如何判断数据是否存在？
知道了如何向布隆过滤器中添加一个数据，那么新来一个数据，我们如何判断其是否存在于这个布隆过滤器中呢？
很简单，我们只需要将这个新的数据通过上面自定义的几个哈希函数，分别算出各个值，然后看其对应的地方是否都是1，如果存在一个不是1的情况，那么我们可以说，该新数据一定不存在于这个布隆过滤器中。
那么反过来说，如果通过哈希函数算出来的值，对应的地方都是1，那么我们能够肯定的得出：这个数据一定存在于这个布隆过滤器中吗？
答案是否定的，因为多个不同的数据通过hash函数算出来的结果是会有重复的，所以会存在某个位置是别的数据通过hash函数置为的1。即：“假阳性”（false positive）如下图所示：
今天的文章内容就这些了：
写作不易，笔者几个小时甚至数天完成的一篇文章，只愿换来您几秒钟的 点赞 & 分享 。
更多技术干货，欢迎大家关注公众号“爪哇缪斯” ~ \(^o^)/ ~ 「干货分享，每天更新」
