什么是缓存击穿
在谈论缓存击穿之前，我们先来回忆下从缓存中加载数据的逻辑，如下图所示：
因此，如果黑客每次故意查询一个在缓存内必然不存在的数据，导致每次请求都要去存储层去查询，这样缓存就失去了意义。如果在大流量下数据库可能挂掉。这就是缓存击穿。
场景如下图所示：
我们正常人在登录首页的时候，都是根据userID来命中数据，然而黑客的目的是破坏你的系统，黑客可以随机生成一堆userID,然后将这些请求怼到你的服务器上，这些请求在缓存中不存在，就会穿过缓存，直接怼到数据库上,从而造成数据库连接异常。
解决方案
在这里我们给出三套解决方案，大家根据项目中的实际情况，选择使用。
讲下述三种方案前，我们先回忆下redis的setnx方法。
SETNX key value
将 key 的值设为 value ，当且仅当 key 不存在。
若给定的 key 已经存在，则 SETNX 不做任何动作。
SETNX 是『SET if Not eXists』(如果不存在，则 SET)的简写。
可用版本：>= 1.0.0时间复杂度： O(1)返回值： 设置成功，返回 1。设置失败，返回 0 。效果如下：
1. 使用互斥锁
redis>EXISTSjob#job不存在(integer)0redis>SETNXjob"programmer"#job设置成功(integer)1redis>SETNXjob"code-farmer"#尝试覆盖job，失败(integer)0redis>GETjob#没有被覆盖"programmer"
该方法是比较普遍的做法，即，在根据key获得的value值为空时，先锁上，再从数据库加载，加载完毕，释放锁。若其他线程发现获取锁失败，则睡眠50ms后重试。
至于锁的类型，单机环境用并发包的Lock类型就行，集群环境则使用分布式锁( redis的setnx)。
集群环境的redis的代码如下所示：
Stringget(Stringkey){Stringvalue=redis.get(key);if(value==null){if(redis.setnx(key_mutex,"1")){//3mintimeouttoavoidmutexholdercrashredis.expire(key_mutex,3*60)value=db.get(key);redis.set(key,value);redis.delete(key_mutex);}else{//其他线程休息50毫秒后重试Thread.sleep(50);get(key);}}}优点
思路简单保证一致性缺点
2. 异步构建缓存
代码复杂度增大存在死锁的风险
在这种方案下，构建缓存采取异步策略，会从线程池中取线程来异步构建缓存，从而不会让所有的请求直接怼到数据库上。该方案redis自己维护一个timeout，当timeout小于System.currentTimeMillis()时，则进行缓存更新，否则直接返回value值。
集群环境的redis代码如下所示：
Stringget(finalStringkey){Vv=redis.get(key);Stringvvalue=v.getValue();longtimeout=v.getTimeout();if(v.timeout<=System.currentTimeMillis()){//异步更新后台异常执行threadPool.execute(newRunnable(){publicvoidrun(){StringkeyMutex="mutex:"+key;if(redis.setnx(keyMutex,"1")){//3mintimeouttoavoidmutexholdercrashredis.expire(keyMutex,3*60);StringdbdbValue=db.get(key);redis.set(key,dbValue);redis.delete(keyMutex);}}});}returnvalue;}优点
性价最佳，用户无需等待缺点
3. 布隆过滤器
无法保证缓存一致性
(1) 原理
布隆过滤器的巨大用处就是，能够迅速判断一个元素是否在一个集合中。因此他有如下三个使用场景：
网页爬虫对URL的去重，避免爬取相同的URL地址反垃圾邮件，从数十亿个垃圾邮件列表中判断某邮箱是否垃圾邮箱(同理，垃圾短信)缓存击穿，将已存在的缓存放到布隆过滤器中，当黑客访问不存在的缓存时迅速返回避免缓存及DB挂掉。OK，接下来我们来谈谈布隆过滤器的原理。
其内部维护一个全为0的bit数组，需要说明的是，布隆过滤器有一个误判率的概念，误判率越低，则数组越长，所占空间越大。误判率越高则数组越小，所占的空间越小。
假设，根据误判率，我们生成一个10位的bit数组，以及2个hash函数((f_1,f_2))，如下图所示(生成的数组的位数和hash函数的数量，我们不用去关心是如何生成的，有数学论文进行过专业的证明)。
假设输入集合为((N_1,N_2)),经过计算(f_1(N_1))得到的数值得为2，(f_2(N_1))得到的数值为5，则将数组下标为2和下表为5的位置置为1，如下图所示：
同理，经过计算(f_1(N_2))得到的数值得为3，(f_2(N_2))得到的数值为6，则将数组下标为3和下表为6的位置置为1，如下图所示：
这个时候，我们有第三个数(N_3)，我们判断(N_3)在不在集合((N_1,N_2))中，就进行(f_1(N_3)，f_2(N_3))的计算
若值恰巧都位于上图的红色位置中，我们则认为，(N_3)在集合((N_1,N_2))中若值有一个不位于上图的红色位置中，我们则认为，(N_3)不在集合((N_1,N_2))中以上就是布隆过滤器的计算原理，下面我们进行性能测试，
(2) 性能测试
代码如下：
a. 新建一个maven工程，引入guava包
com.google.guavaguava22.0b. 测试一个元素是否属于一个百万元素集合所需耗时
packagebloomfilter;importcom.google.common.hash.BloomFilter;importcom.google.common.hash.Funnels;importjava.nio.charset.Charset;publicclassTest{privatestaticintsize=1000000;privatestaticBloomFilterbloomFilter=BloomFilter.create(Funnels.integerFunnel(),size);publicstaticvoidmain(String[]args){for(inti=0;i 命中了程序运行时间：219386纳秒也就是说，判断一个数是否属于一个百万级别的集合，只要0.219ms就可以完成，性能极佳。
c. 误判率的一些概念
首先，我们先不对误判率做显示的设置，进行一个测试，代码如下所示：
packagebloomfilter;importjava.util.ArrayList;importjava.util.List;importcom.google.common.hash.BloomFilter;importcom.google.common.hash.Funnels;publicclassTest{privatestaticintsize=1000000;privatestaticBloomFilterbloomFilter=BloomFilter.create(Funnels.integerFunnel(),size);publicstaticvoidmain(String[]args){for(inti=0;ilist=newArrayList(1000);//故意取10000个不在过滤器里的值，看看有多少个会被认为在过滤器里for(inti=size+10000;i 误判对数量：330如果上述代码所示，我们故意取10000个不在过滤器里的值，却还有330个被认为在过滤器里，这说明了误判率为0.03.即，在不做任何设置的情况下，默认的误判率为0.03。
下面上源码来证明：
接下来我们来看一下，误判率为0.03时，底层维护的bit数组的长度如下图所示：
将bloomfilter的构造方法改为：
privatestaticBloomFilterbloomFilter=BloomFilter.create(Funnels.integerFunnel(),size,0.01);即，此时误判率为0.01。在这种情况下，底层维护的bit数组的长度如下图所示
由此可见，误判率越低，则底层维护的数组越长，占用空间越大。因此，误判率实际取值，根据服务器所能够承受的负载来决定，不是拍脑袋瞎想的。
(3) 实际使用
redis伪代码如下所示：
Stringget(Stringkey){Stringvalue=redis.get(key);if(value==null){if(!bloomfilter.mightContain(key)){returnnull;}else{value=db.get(key);redis.set(key,value);}}returnvalue;}优点
思路简单保证一致性性能强缺点
代码复杂度增大需要另外维护一个集合来存放缓存的Key布隆过滤器不支持删值操作
