布隆过滤器

BloomFilter（布隆过滤）：将所有可能存在的数据哈希到一个足够大的bitmap中，一个一定不存在的数据会被这个bitmap拦截掉，从而避免了对底层存储系统的查询压力。在缓存之前在加一层 BloomFilter，在查询的时候先去 BloomFilter 去查询 key 是否存在，如果不存在就直接返回，存在再走查缓存 -> 查 DB。

redis中没有需要的key，直接穿过redis访问数据库了。
bitmap是一组二进制数组，每个需要存储到redis的key，使用若干个哈希算法计算出若干个数组下标；
比如hello的下标是hash1()->1,hash2()->2，hash3()->3,hash4()->4。那么就会把下标为1,2，3,4的数组元素改为1，
比如hi的下标是2,3,4,5那么也会把2,3,4,5的数组元素改为1。
这样就可以通过相应位置数组值是否为1判断redis中是否存在这个key。
当然也会有误判出现，当不同的key通过若干哈希算法得到数组下标一样时，就会造成误判。
设置布隆过滤器时需要设置
1，需要存储的key数量
2，误差率，因为误差率越小，需要的hash算法的数量也就越多，bitmap的长度也就越长。

pom依赖

<!--布隆过滤器-->
<dependency>
     <groupId>org.redisson</groupId>
     <artifactId>redisson-spring-boot-starter</artifactId>
     <version>3.16.7</version>
 </dependency>

配置布隆过滤器

/**
 * 配置布隆过滤器
 */
@Configuration
public class BloomFilterConfig {
    @Autowired
    private RedissonClient redissonClient;
    /**
     * 布隆过滤器
     * 布隆过滤器可以判断是否大概率存在某个key,存在一定的误差
     * 取决于设置的错误比例,根据插入数量、允许错误比例设置2进制数组，根据多个hash函数计算数组下标,将对应下标改为1
     * 所以就存在不同的key计算出的数组下标相同的情况,那么就会造成误判
     * @return
     */
    @Bean
    public RBloomFilter<String> orderBloomFilter() {
        //过滤器名称
        String filterName = "myBloomFilter";
        // 预期插入数量
        long expectedInsertions = 10000L;
        // 错误比率
        double falseProbability = 0.01;
        RBloomFilter<String> bloomFilter = redissonClient.getBloomFilter(filterName);
        bloomFilter.tryInit(expectedInsertions, falseProbability);
        return bloomFilter;
    }
}

设置redis缓存后，将key保存到布隆过滤器中
查询缓存前，先查询布隆过滤器是否大概率存在这个key，如果存在就获取，如果不存在就返回，防止请求直接打到数据库上，防止缓存穿透

@Component
public class RedisTask {
    Log log = LogFactory.getLog(RedisTask.class);
    private final RedisUtils redisUtils;
    @Autowired
    public RedisTask(RedisUtils redisUtils) {
        this.redisUtils = redisUtils;
    }
    @Resource
    private RBloomFilter<String> myBloomFilter;
    @PostConstruct
    public void task1() {
        RedisValueDO valueDO = new RedisValueDO();
        valueDO.setId(1);
        valueDO.setStation("910");
        valueDO.setTime(new Date());
        //1,设置redis缓存
        String key =  "login:" + UUID.randomUUID();
        redisUtils.set(key, valueDO, AuthConstant.EXPIRATION_TIME_IN_SECOND, TimeUnit.SECONDS);
        //2,key保存到布隆过滤器
        log.info("布隆过滤器中添加key："+ key);
        myBloomFilter.add(key);


        //根据布隆过滤器判断key是否可能存在
        if(myBloomFilter.contains(key)){
            //获取redis值
            RedisValueDO value = (RedisValueDO)redisUtils.get(key);
            if(!Objects.isNull(value)){
                log.info("命中缓存");
            }else {
                //3、缓存不存在则查询数据库
                log.info("未命中缓存，查询数据库");
                //重新设置缓存
                redisUtils.set(key, valueDO, AuthConstant.EXPIRATION_TIME_IN_SECOND, TimeUnit.SECONDS);
            }
        }else {
            log.info("判定key不存在,不进行查询");
        }
    }
}