缓存穿透

key 对应的数据在数据源并不存在，每次针对此 key 的请求从缓存获取不到，请求 都会压到数据源，从而可能压垮数据源。比如用一个不存在的用户 id 获取用户信息， 不论缓存还是数据库都没有，若黑客利用此漏洞进行攻击可能压垮数据库。

解决方案
一个一定不存在缓存及查询不到的数据，由于缓存是不命中时被动写的，并且出 于容错考虑，如果从存储层查不到数据则不写入缓存，这将导致这个不存在的数据每 次请求都要到存储层去查询，失去了缓
解决方案：
（1） 对空值缓存：如果一个查询返回的数据为空（不管是数据是否不存在），我 们仍然把这个空结果（null）进行缓存，设置空结果的过期时间会很短，最 长不超过五分钟

（2） 设置可访问的名单（白名单）： 使用 bitmaps 类型定义一个可以访问的名单，名单 id 作为 bitmaps 的偏移量， 每次访问和 bitmap 里面的 id 进行比较，如果访问 id 不在 bitmaps 里面，进 行拦截，不允许访问。

（3） 采用布隆过滤器：(布隆过滤器（Bloom Filter）是 1970 年由布隆提出的。 它实际上是一个很长的二进制向量(位图)和一系列随机映射函数（哈希函 数）。布隆过滤器可以用于检索一个元素是否在一个集合中。它的优点是空间效 率和查询时间都远远超过一般的算法，缺点是有一定的误识别率和删除困 难。) 将所有可能存在的数据哈希到一个足够大的 bitmaps 中，一个一定不存在 的数据会被 这个 bitmaps 拦截掉，从而避免了对底层存储系统的查询压力。

（4） 进行实时监控：当发现 Redis 的命中率开始急速降低，需要排查访问对象和 访问的数据，和运维人员配合，可以设置黑名单限制服务

缓存击穿

key 对应的数据存在，但在 redis 中过期，此时若有大量并发请求过来，这些请求 发现缓存过期一般都会从后端 DB 加载数据并回设到缓存，这个时候大并发的请求可能 会瞬间把后端 DB 压垮。

解决方案
key 可能会在某些时间点被超高并发地访问，是一种非常“热点”的数据。这个时 候，需要考虑一个问题：缓存被“击穿”的问题。

解决问题：
（1）预先设置热门数据：在 redis 高峰访问之前，把一些热门数据提前存入到 redis 里面，加大这些热门数据 key 的时长

（2）实时调整：现场监控哪些数据热门，实时调整 key 的过期时长

（3）使用锁： （1） 就是在缓存失效的时候（判断拿出来的值为空），不是立即去 load db。 （2） 先使用缓存工具的某些带成功操作返回值的操作（比如 Redis 的 SETNX）去 set 一个 mutex key （3） 当操作返回成功时，再进行 load db 的操作，并回设缓存,最后删除 mutex key； （4） 当操作返回失败，证明有线程在 load db，当前线程睡眠一段时间再重试 整个 get 缓存的方法。

缓存雪崩

key 对应的数据存在，但在 redis 中过期，此时若有大量并发请求过来，这些请求 发现缓存过期一般都会从后端 DB 加载数据并回设到缓存，这个时候大并发的请求可能 会瞬间把后端 DB 压垮。
缓存雪崩与缓存击穿的区别在于这里针对很多 key 缓存，前者则是某一个 key 正常访问

缓存失效瞬间

解决方案
缓存失效时的雪崩效应对底层系统的冲击非常可怕！ 解决方案：
（1） 构建多级缓存架构：nginx 缓存 + redis 缓存 +其他缓存（ehcache 等）

（2） 使用锁或队列： 用加锁或者队列的方式保证来保证不会有大量的线程对数据库一次性进行 读写，从而避免失效时大量的并发请求落到底层存储系统上。不适用高并 发情况

（3） 设置过期标志更新缓存： 记录缓存数据是否过期（设置提前量），如果过期会触发通知另外的线程 在后台去更新实际 key 的缓存。

（4） 将缓存失效时间分散开： 比如我们可以在原有的失效时间基础上增加一个随机值，比如 1-5 分钟随 机，这样每一个缓存的过期时间的重复率就会降低，就很难引发集体失效 的事件