Redis缓存穿透解决方案和原理-懵懂小白成神之路

Redis缓存穿透解决方案和原理

采取逐渐引入方式，带你get到柳暗花明又一村的feeling。冲冲冲！！！

1.Redis缓存：将Redis作为内存，作为业务查询与数据库之间的缓存，注意; Redis在内存，数据库在外存。
2.Redis数据缓存：执行一条查询语句，在Redis中存在（当然在数据库中也必定存在，Redis和数据库中的数据遵循一致性原则，Redis中数据是数据库中数据的子集），就直接从Redis中取出返回，减少对I/O的访问，提升查询效率。
3.缓存不存在，数据库存在：要查询的数据在Redis中没有，在数据库中有，因此查询要“穿过”Redis到外存的数据库取出数据返回，也就是不经过Redis取数据返回。那么问题来了：什么时候Redis中没有要查询的数据呢？答案是过期和新增：过期：在Redis会有一个key值，每个key值都有一个ttl，也就是生命周期，一旦过期了就只能存在数据库里了；新增：插入，更新的数据还未来得及同步到Redis中。
4.如果线程查询一个数据库中不存在的值，此时从数据库中就返回一个空值。当一个线程不断执行同一条查询语句查询这个Redis和数据库都不存在的数据时，比如说执行上万次同一条查询语句，那么每次都穿过Redis，这样Redis就没有意义了。那么为了解决这个问题，就可以在Redis中设置空值，同一条查询语句对应的key（数据库中没有的值）都对应着一个空值，当查询其他查询语句也查询数据库中不存在的值时，都要对每个key设置一个空值，随着越来越多这样的key，Redis服务器就会承受不了这么大的压力，例如下面的例子就引出了Redis缓存穿透：
5.Redis缓存穿透：Redis和数据库都不存在。当不断请求数据库中不存在的不同的的值，这就使得Redis没有意义了，因为这么多的查询都“穿过”Redis。那么我们应该怎么解决呢？
基于一种思路设计数据结构和算法：
1.数据变长且量多
2.分散排布

对于思路中第一点：

数组可扩容，同时将数据的表现形式转化为二进制01（0表示不存在，1表示存在），对于计算机来说，01方便计算转化控制，提高效率，对于内存来说，01比直接存数据占用更少内存。

对于思路中第二点：
Hash函数有分散排布这种特性。

因此，我们将数据通过hash计算得到位图中对应的index，将0改为1，就视作元素在数据库中存在。
但由于hash函数本身的缺陷，会造成一定问题，如下：

减少hash冲突的方法：1.扩容数组（耗费空间） 2.多次计算hash值（耗费时间，即使是并行运算）
下面是采取多次计算hash值的方法

因此要优化这种结构，就必须想办法达到数组扩容量和hash计算次数相对平衡。这就引出了布隆过滤器（数据结构+算法，一定容量的数组加上多次hash计算）。

下面我们来看布隆过滤器的一个例子：n为hash函数计算次数

布隆过滤器的特性（从两个角度分析）：
角度1：

如果布隆过滤器判断元素在集合中存在，那么就不一定存在（假阳性）。

原因：不同元素能够得到相同的index：有可能三次hash计算都能够得到与位图中对应Redis里面的值为1的，然后返回true。

如果布隆过滤器判断元素在集合中不存在，那么就一定不存在（利用这个特性解决Redis缓存穿透问题：如果布隆过滤器判断不存在，就不用到数据库中取，更不用到Redis中去取了；同时我们也get到一个点：位图中数据与数据库中数据一一对应）。

原因：同一个元素通过hash函数计算得到的index一定是相同的，如果元素存在，对应index里面的值一定全为1。
角度2：

如果元素实际存在，布隆过滤器一定判断存在。

如果元素实际不存在，布隆过滤器可能定判断存在。