redis做缓存是用来解决读取数据的问题，即读取指令不先去数据库，而先查询。如果数据查询不到再去数据库进行查询。

Redis的击穿

可以理解成一个狙击枪子弹打向了数据库，redis没有挡住，一击打瘫痪了数据库。

穿透就是一个点的热点数据突然查询不到，导致所有的请求直接访问数据库。

核心：热点数据的过期。

思路，要么缓存不要出现过期，要么再加一层。

方案

1、设置热点数据永不过期

从缓存层面来说，没有设置过期时间，就不会产生穿透问题。

2、加互斥锁（加入程序层）

分布式锁：只要加了锁，可以保证每个key，只有一个线程去查询后端的服务。只能够等待。

核心：转移压力，尽量服务不崩。 将数据库承受的压力转义到了分布式锁上面。

Redis穿透

可以理解成一个冲锋枪，redis没有起到掩体作用，导致数据库身中数枪。

步骤：查询语句先查询redis，没有发现想要的数据；进入数据库（不管有没有程序层），在数据库中依然没有查到，（没有查到所以没法在redis中写入数据），这样会导致所有查询这个数据的指令都要进入数据库。即即便是有redis和程序作为格挡，数据依然可以进入数据库。

核心：redis和程序没有拦截到请求。

方案：

1.布隆过滤器

可以做到检测数据存在不存在，如果数据不存在就挡回去，不进入redis。

2.存一个空对象。

缺点，对象更新不及时。比如先取后存。

Redis雪崩

其那面相当于是子弹打redis，结果没有挡住直接打到数据库了。这个相当于是“炸开了redis”，造成大规模数据集体失效，或者redis崩了。所有的请求打到了redis上。

核心：数据失效。

方案

1、Redis的高可用。 redis可能挂掉，这个时候第一保证高可用。

2、限流降级，缓存失效后的处理，（加锁，返回预定的对象）

3、数据预热， 在正式的部署之前，我们先将这批数据放入到redis缓存中，假设即将发生高并发的情况，这个时候设置不同的过期时间。让缓存失效时间比较均匀。

其实缓存雪崩最怕的还是Redis断网宕机。（自然雪崩）

布隆过滤器

场景：手机推送时候，需要区分这个消息有没有给这个用户推送过。但具体这个消息是什么并不关心；或者在redis前，防止redis的穿透。

特点：

1. 对数据进行判断是否存在，但并不关心数据是什么。
2. 空间量尽可能的少。
3. 可以存在误差。

数据原理：

每一个数据的唯一标识，通过一定的算法记性散列成一些位。对位数进行统计。

以推送为场景介绍一下

假设我们有data1-4，经过hash散列之后占个数如下

data1： 1 5 8 10

data2：2 6 8

data3：5 6 8 10

data4：5 6 8 10 12

data1存储的时候，都为零所以data1之前没有，所以data1，推送；和他有关的所有格子变成了1。

data2判断的的时候，第6个格子的之前是0，所以可以判断data2没有推送过；将6变成1.

data3判断的时候，12号格子之前是0，所以可以判断data3没有推送过；将12变成1

data4推送的时候，发现所所有的都是1，所以即便是data4没有推送，也不会去推送。

而这个data4就是误差的来源。这时候我们的精度是最高的。

代码实现：

导入依赖：

<dependency><groupId>com.google.guava</groupId><artifactId>guava</artifactId><version>28.0-jre</version>
</dependency>

java代码实现：

public static void main(String[] args) {// 得到布隆过滤器BloomFilter<String> integerBloomFilter =BloomFilter.create(Funnels.stringFunnel(Charset.forName("utf-8")), 1000000, 0.01);// 这里的1000000，是空间大小，如果空间太小会造成hash碰撞，即不同的值有着相同的hash值。100万时候 没有错误，而1万时候有近5万的错误。// 后面的0.01是精度，精度越高，出现错误的几率越小。不过花费的时间就会增多。int errorNum = 0;// 先存数据for (int i = 0; i < 100000; i++) {integerBloomFilter.put(String.valueOf(i));}// 过滤器中一定没有的数据for (int i = 100000; i < 150000; i++) {if (integerBloomFilter.mightContain(String.valueOf(i))) {errorNum++;}}System.out.println("错误了： " + errorNum);}

两次结果随着准确率的增高，时间也变长了。

这个是起过滤的作用。如果用来判断数值存在的准确路会是多少？

 public static void main(String[] args) {long begin = System.currentTimeMillis();BloomFilter<String> integerBloomFilter =BloomFilter.create(Funnels.stringFunnel(Charset.forName("utf-8")), 1000000, 0.001);int errorNum = 0;// 先存数据for (int i = 0; i < 1000000; i++) {integerBloomFilter.put(String.valueOf(i));}// 这里的数据都是有的100万次for (int i = 0; i < 1000000; i++) {if (integerBloomFilter.mightContain(String.valueOf(i))) {errorNum++;}}long endtime = System.currentTimeMillis();System.out.println("正确了： " + errorNum);long time = (endtime - begin) ;System.out.println("用时间"+ time);}

也就是如果存在的数据一个都不会漏掉。

redis集成：

这个对于redis来说就是一个插件。

# 下载布隆过滤器插件
wget https://github.com/RedisBloom/RedisBloom/archive/v2.2.2.tar.gz
# 解压
tar -zxvf v2.2.2.tar.gz 
# 进入解压目录之后makemake

核心文件

集成到redis中

重启测试布隆命令，安装完毕插件之后会有多余的命令

127.0.0.1:6379> BF.INSERT
127.0.0.1:6379> BF.MADD  #
127.0.0.1:6379> BF.ADD   # 添加数据
127.0.0.1:6379> BF.RESERVE # 配置bloomfilter 过滤器（容器和精度）
127.0.0.1:6379> BF.INFO
127.0.0.1:6379> BF.SCANDUMP
127.0.0.1:6379> BF.DEBUG
127.0.0.1:6379> BF.MEXISTS #
127.0.0.1:6379> BF.EXISTS  # 判断这个值是否存在
127.0.0.1:6379> BF.LOADCHUNK

基本使用

127.0.0.1:6379> BF.add users value1    # 添加数据
(integer) 1
127.0.0.1:6379> BF.madd users value1 value2  # 添加多个数据
1) (integer) 0
2) (integer) 1
127.0.0.1:6379> BF.EXISTS users value1  # 判断是否存在
(integer) 1
127.0.0.1:6379> BF.EXISTS users value3
(integer) 0
127.0.0.1:6379> BF.mEXISTS users value1 value2 value3  # 判断多个数据是否存在
1) (integer) 1
2) (integer) 1
3) (integer) 0
127.0.0.1:6379> BF.RESERVE user-bm 0.001 10000 # 手动编写 bf 的配置
OK
127.0.0.1:6379> BF.ADD user-bm test
(integer) 1

java操作redis的bf

1、导入依赖

<!-- https://mvnrepository.com/artifact/com.redislabs/jrebloom -->
<dependency><groupId>com.redislabs</groupId><artifactId>jrebloom</artifactId><version>2.0.0-m2</version>
</dependency>

2、测试

import io.rebloom.client.Client;public class TestBF {public static void main(String[] args) {// 布隆过滤器的对象Client bfClient = new Client("ip", port);// 创建一个过滤器 ubw是过滤器的一个名字bfClient.createFilter("ubw",1000,0.1);// 向bf中添加数据（将这个数据hash运算之后，1000位置中的任意位置，几个块来确定一个元素） // 添加name到ubw这个过滤器中bfClient.add("ubw","name");// 然后再次判断这个值是够存在 ubw，在hash，然后比对。！// 判断ubw过滤器中是不是有name这个keySystem.out.println(bfClient.exists("ubw","name"));}
}

小结：布隆过滤器，是用来判断数据存不存在的，他判断存在的数据100%正确；判断不存在的数据，会产生一些错误。