怎样应对缓存穿透？

1. 如果没有缓存，那么所有业务请求会直接指向数据库，以MySQL为例的数据库基本都是基于磁盘的，而磁盘I/O开销大，面对大规模请求时，会降低系统性能。
   

2. 对一些热点数据，将其从数据库中抽离出来放进缓存，每次查询时先走缓存，缓存命中则直接返回结果，能提高效率。
   

有三个经典问题：

1. 缓存雪崩：指缓存大面积失效，导致大量查询落到了数据库上，使数据库挂掉。

2. 缓存击穿：缓存中热点key突然失效，原本走缓存的大量请求直接打向了数据库，就好像在缓存中击穿了一个洞。

3. 缓存穿透：用户一直请求缓存和数据库都不存在的数据，每次请求缓存不命中，数据库也不命中，就像缓存不存在一样，同时不断地请求也给数据库带来压力。

这里主要介绍缓存穿透的解决方案，先看两幅原理图。

用户发出请求后先查缓存，缓存命中则直接返回；

缓存不命中就查数据库，查到后将数据写入缓存并返回给用户。

此时缓存基本失去了作用。

常见的解决思路：

将用户请求的不存在的数据也放进缓存，并将值置为null，这样请求走缓存的时候发现结果为null，直接返回即可。

但是需要给缓存中的key设置一个合适的过期时间，否则数据库中有了这样的数据，就会出现数据不一致问题。

更好的解决思路：

使用布隆过滤器（Bloom Filter）。

在上篇文章  如何在海量数据中判断某个数据是否存在？ 我们介绍了布隆过滤器，它可用于快速判断数据是否存在于某个集合中，借助这个功能，我们可用它来应对缓存穿透。

回顾一下布隆过滤器的两条重要特性：

1.布隆过滤器判定数据存在，那么它可能存在也可能不存在。

2.布隆过滤器判定数据不存在，那么它一定不存在。

用户请求数据，若Bloom Filter返回false，则直接过滤该请求或返回null；若Bloom Filter返回true，则查缓存，缓存命中则返回，不命中则查数据库。

Bloom Filter就好像是加在缓存前的一道屏障，过滤了几乎所有不符合要求的请求。虽然有一定的误判率，即可能有少数通过了Bloom Filter的请求在数据库和缓存中也还是不命中，但相比之下，整个系统性能已经大大提升，且Bloom Filter的默认误判率只有0.03.

顺带提一下缓存击穿和缓存雪崩的解决方案。

缓存击穿：

在被查询的数据上加互斥锁，一条请求线程拿到锁后其它线程只能等待。

缓存雪崩：

事前：尽量保证整个 redis 集群的高可用性，发现机器宕机尽快补上。选择合适的内存淘汰策略。 

事中：本地ehcache缓存 + hystrix限流&降级，避免MySQL崩掉。 

事后：利用 redis 持久化机制保存的数据尽快恢复缓存。

参考自中华石彬老师