redis缓存穿透
是指缓存和数据库中都没有的数据，而用户不断发起非正常url请求，如发起为id为“-1”的数据或id为特别大不存在的数据。缓存查不到会一直查到数据库，这时候就造成了数据库的压力导致奔溃。这时的用户很可能是攻击者，攻击会导致数据库压力过大。
解决方案
1、对空值缓存
如果一个查询返回的数据为空（不管是数据是否不存在，因为可能出现命中率不到的情况），我们仍然把这个空结果（null）进行缓存，这样用户下次不断访问就可以用缓存返回。设置空结果的过期时间会很短，最长不超过五分钟
缺点：对空值缓存面对查询的条件不断变化，就会显得无力，比如查询参数一直变化：-1，-2，-3…
2、设置可访问名单(白名单)
使用bitmaps类型定义一个可以访问的名单，名单id作为bitmaps的偏移量，每次访问和bitmap里面的id进行比较，如果访问id不在bitmaps里面，进行拦截，不允许访问。
比如我们提供查询的key值id只有：1 2 3 4 5 6 ， 那我们设置到bitmap里面去，如果访问id不在bitmaps里面，拦截。不去缓存查和数据库查
缺点：每个访问都需要取bitmaps查询，效率低
3、采用布隆过滤器
(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(位图)和一系列随机映射函数（哈希函数）。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，具体知识看面试题的总结。将所有可能存在的数据哈希到一个足够大的bitmaps中，一个一定不存在的数据会被这个bitmaps拦截掉，从而避免了对底层存储系统的查询压力。
缺点：有一定的误识别率、命中率低和删除困难。因为哈希值会冲突！
4、进行实时监控
当发现Redis的命中率开始急速降低，需要排查访问对象和访问的数据，和运维人员配合，可以设置黑名单限制服务
何为布隆过滤器：
应用例子：
假如现在有10亿个随机数，怎么快速判断某个数是否存在？
传统方案，每个随机数放到HashMap中，然后map.containsValue(“查找的值”)判断是否存在。
问题：1个数据4字节，总共需要4G存储空间
使用布隆过滤器：使用位数组，不存储数据，而是存储是否存在的状态
优点：
1、空间利用率高，可以存储全局数据
2、并行散列运算时间快
缺点:
1、Hash有概率会冲突，会产生误判
2、位数组大小及其散列函数的选择复杂性高
