使用布隆過濾器解決緩存穿透問題（超詳細原理解讀）-3樓貓

CSDN文章鏈接；https://blog.csdn.net/hrh1234h/article/details/144024554?sharetype=blogdetail&sharerId=144024554&sharerefer=WAP&sharesource=2402_89228704

什麼是緩存，緩存有什麼作用

緩存通常用於存儲經常訪問的數據，以便快速檢索，減少對原始數據源的直接訪問需求。通過存儲頻繁訪問的數據，緩存可以減少對後端數據庫或服務的請求，從而減輕它們的負載。

什麼是緩存穿透問題

如果查詢一個不存在的數據，數據庫查詢不到數據也不會直接寫入緩存，就會導致每次請求都查數據庫，相當於緩存失效，如果這種請求很多，尤其是惡意攻擊時，會對數據庫造成很大的壓力，甚至可能導致數據庫服務不可用。

布隆過濾器解決緩存穿透問題

什麼是布隆過濾器

布隆過濾器（Bloom Filter）是1970年由布隆提出的。它實際上是一個很長的二進制向量和一系列隨機映射函數。布隆過濾器可以用於檢索一個元素是否在一個集合中。它的優點是空間效率和查詢時間都比一般的算法要好的多，缺點是有一定的誤識別率和刪除困難。

布隆過濾器解決緩存穿透的思路

在系統啟動或定期更新時，將數據庫中已經存在的所有鍵，這樣，布隆過濾器就包含了所有合法的鍵。請求到達緩存前先在布隆過濾器預檢查，如果布隆過濾器判斷該鍵可能不存在，則直接返回請求不存在的結果，不再進行後續的緩存和數據庫查詢。如果布隆過濾器判斷該鍵可能存在，則繼續進行後續操作。

使用布隆過濾器（Redisson內集成了Bloom Filter）

引入依賴

Redisson內集成了布隆過濾器，我們可以直接使用Redisson。

配置Redisson客戶端

配置Redisson客戶端，連接到Redis服務器。

創建布隆過濾器，配置過濾器屬性

使用Redisson創建一個布隆過濾器，並初始化其容量和誤判率。

使用布隆過濾器

在查詢緩存之前，先使用布隆過濾器檢查數據是否存在。如果布隆過濾器返回不存在，則直接返回默認值或錯誤信息，避免查詢數據庫。

布隆過濾器原理深入解讀

布隆過濾器的數據結構

布隆過濾器（Bloom Filter）的數據結構主要由一個固定長度的位數組（Bit Array）和一組哈希函數（Hash Functions）組成。

存儲數據：要存儲的數據，通過多個hash函數獲取hash值，根據hash計算數組對應位置改為1 。

查詢數據：使用相同hash函數獲取hash值，判斷對應位置是否都為1。

手搓布隆過濾器

直接上代碼。

System.out.println("apple: " + bloomFilter.mightContain("apple")); // 應該輸出 true

System.out.println("banana: " + bloomFilter.mightContain("banana")); // 應該輸出 true

System.out.println("orange: " + bloomFilter.mightContain("orange")); // 應該輸出 false

--------------------------

布隆過濾器的優缺點總結

優點

空間效率：布隆過濾器使用位數組存儲數據，因此非常節省空間，特別是對於大規模數據集。

時間效率：布隆過濾器的添加和查詢操作時間複雜度接近O(1)，即常數時間複雜度，非常快速。

簡單性：布隆過濾器的實現相對簡單，易於理解和實現。

無誤漏：布隆過濾器不會錯誤地報告元素不存在（誤漏），即如果一個元素被添加到了布隆過濾器中，那麼查詢時一定能被檢測到。

缺點

誤判：布隆過濾器允許誤判（false positives），即可能會錯誤地報告一個元素存在。

不支持刪除：標準的布隆過濾器不支持刪除操作，因為刪除一個元素可能會影響其他元素的測試結果。

固定大小：布隆過濾器一旦創建，其大小和哈希函數數量就固定了，這限制了其靈活性。

內存消耗：雖然布隆過濾器節省空間，但在處理非常大的數據集時，即使是優化過的布隆過濾器也可能消耗大量內存。