谷歌的网站打不开wordpress修改模版

---

1. 问题介绍

1.1 定义

缓存穿透：短时间内，大量请求访问不存在的数据，由于这些数据不存在，所以每次处理都需要查询 MySQL 数据库，而且查不到数据也不会将数据缓存到 Reids，MySQL 承受不了高并发，从而宕机。也可以把 缓存穿透 理解成短时间大量查询穿透了 Redis，访问 MySQL，导致 MySQL 宕机。

1.2 举例

在 1s 内，某人恶意攻击服务器，通过某种工具发送了 10000 条 /order/10011 请求，想要查询订单号为 10001 的订单信息，然而这个订单在数据库中并不存在，所以在处理这 10000 条请求时需要在 1s 内访问 10000 次 MySQL 数据库，MySQL 很可能承受不了这么高的并发量，从而宕机。

2. 解决方案

从缓存穿透的定义和举例中可以了解到，解决缓存穿透问题的核心在于 防止短时间内大量请求直接查询 MySQL，所以需要 在应用层阻断查询，方案有以下几种：

2.1 方案一：空值缓存

2.1.1 做法

当查询到数据库中不存在的数据时，可以缓存一个空对象，并设置较短的过期时间。

2.1.2 举例

对于 /order/10011 请求，可以缓存 Order{orderId=null, info=null} 的空数据，键为 order:10001，过期时间可以取 3s。这样一来，3s 内的其它 /order/10011 请求就不会查询 MySQL 数据库了，从而解决了缓存穿透的问题。

2.1.3 示例代码

public Order get(long orderId) {// 获取缓存对应的键String key = "order:" + orderId;// 如果缓存中有对应的数据，则进一步判断是否为空值缓存Order order = (Order) redisTemplate.opsForValue().get(key);if (order != null) {// 如果为空值缓存，则返回 null，否则返回缓存对象return order.getOrderId() == null ? null : order;}// 如果缓存中没有对应的数据，则从数据库中查询order = orderMapper.getById(orderId);if (order == null) {// 如果数据库中没有对象，则缓存空值对象，过期时间短redisTemplate.opsForValue().set(key, new Order(), 3, TimeUnit.SECONDS);// 返回 nullreturn null;} else {// 如果数据库中有对象，则缓存查询到的对象，过期时间长redisTemplate.opsForValue().set(key, order, 3, TimeUnit.MINUTES);// 返回查询到的对象return order;}
}

2.1.4 优点

• 空值缓存 实现 起来比较 方便。

2.1.5 缺点

• 当保存的空值添加了实际存在的值后，会导致 缓存与数据库的数据不一致。这个问题可以通过在添加新数据时删除新数据对应的缓存来解决。实际上，由于空值缓存的过期时间很短，短时间的数据不一致是可以容忍的。
• 在 Redis 中存储空值也需要 占用一定的内存。实际上，由于空值缓存的过期时间很短，短时间内占用一定内存也是可以容忍的。

2.2 方案二：布隆过滤器

2.2.1 思想

如果启动服务时就记录所有存在的数据，然后在添加(移除)数据时记录数据(移除数据的记录)，那么只要一个数据不存在记录中，那么这个数据一定不在数据库中，从而在应用层阻断查询。

初步实现是使用 Set<Long> 来记录存在的数据的主键 id，然而这样占用的内存空间太大了，从而引出了布隆过滤器。它使用了 位数组，将一个值通过多个哈希函数映射，得到多个哈希值，如果这几个哈希值对应的 位 都是 1，则表示这个值 可能 存在，可以去查询数据库；否则这个值不可能存在，无需查询数据库。

2.2.2 做法

在启动服务时，初始化布隆过滤器，将所有存在数据的主键 id 添加到布隆过滤器中。在添加新的数据时，将新数据的主键 id 添加到布隆过滤器中。在查询数据时，先在布隆过滤器中判断该主键 id 是否可能存在于数据库中，如果不可能存在，则直接返回，否则才查询缓存和数据库。

2.2.3 示例代码

注：本示例代码使用了 Redission 实现的布隆过滤器，Guava 也有相应的布隆过滤器，只不过是本地的，而不是分布式的。

@Service
public class OrderServiceImpl implements InitializingBean {// 布隆过滤器的缓存的键private static final String orderIdBloomFilterKey = "orderIdBloomFilter";private final RedissonClient redissonClient;private final OrderMapper orderMapper;public BloomFilterService(RedissonClient redissonClient, OrderMapper orderMapper) {this.redissonClient = redissonClient;this.orderMapper = orderMapper;}public Order get(long orderId) {// 如果在布隆过滤器中判断该订单的主键 id 不可能存在，则直接返回 nullif (!redissonClient.getBloomFilter(orderIdBloomFilterKey).mightContain(value)) {return null;}// 获取缓存对应的键String key = "order:" + orderId;// 如果缓存中有对应的数据，则返回缓存对象Order order = (Order) redisTemplate.opsForValue().get(key);if (order != null) {return order;}// 如果数据库中没有对象，则返回 nullorder = orderMapper.getById(orderId);if (order == null) {return null;}// 如果数据库中有对象，则缓存查询到的对象，返回查询到的对象redisTemplate.opsForValue().set(key, order, 3, TimeUnit.MINUTES);return order;}@Overridepublic void afterPropertiesSet() throws Exception {RBloomFilter<Long> orderIdBloomFilter = redissonClient.getBloomFilter(orderIdBloomFilterKey);// 初始化布隆过滤器，预计插入 10000000 个元素，误差率为 0.03orderIdBloomFilter.tryInit(10000000, 0.03);// 查询所有订单的主键 id，将其存入布隆过滤器for (long orderId : orderMapper.listAllId()) {		orderIdBloomFilter.add(orderId);}}
}

2.2.4 优点

• 由于在判断时只进行了几次哈希操作，所以 时间复杂度很小。
• 由于布隆过滤器底层使用了位数组，所以它 空间复杂度不高，从而能够 处理海量数据。

2.2.5 缺点

• 实现起来很麻烦：由原理就能发现，如果想要自己实现一个布隆过滤器，还是比较难的，而且在使用时还需要在添加值时，将其也添加到布隆过滤器中。
• 不支持删除操作：由于布隆过滤器底层的位数组的每一位被多个值共享，删除一个值可能会影响到其它值的判断，所以布隆过滤器不支持删除操作。
• 存在误判率：由于布隆过滤器使用了哈希，就没有办法避免 哈希碰撞，虽然多个哈希函数可以减少哈希碰撞的概率，但仍可能发生哈希碰撞，所以存在误判的情况。减少哈希碰撞的方法就是给数组扩容，在生产中，一般让误判率小于 5% 即可，既不会占用很多的空间，也不会导致大量请求穿透 Redis。

以下是误判的举例：例如对于 5, 11, 155 这三个值，通过两个(实际上哈希函数不止两个，这里只是用来举例)哈希函数分别得到的哈希值为 1, 9、3, 7、1, 7，那么假如 5, 11 这两个值已存在，155 这个值不存在，如果要查询 155 这个值是否存在，就需要判断位数组中 1, 7 两位是否为 1，显而易见，结果是存在 155 这个值，这就造成了误判。

2.3 方案三：限流

限流是最直接的解决方案，可以防止 任何情况下 短时间的大量请求导致某些机器承受不住高压而宕机，一般都是留作 保底方案，加在 控制器层。可以自己实现一个拦截器，添加到配置中；或者直接使用 SpringCloudAlibaba 的 Sentinel 组件，使用流量控制等复杂的功能。

3. 总结

Redis 的缓存穿透指的是短时间内大量请求穿透 Redis，直接查询 MySQL 数据库，导致 MySQL 不堪重负，从而宕机。

解决方案主要有两种：

• 空值缓存：在数据库中查询不到数据时，将空对象短暂缓存到 Redis 中，之后短时间内再次查询就无需查询 MySQL 了。实现起来比较方便，但短时间内会占用一定的内存。
• 布隆过滤器：在服务启动时将所有数据的主键 id 存到布隆过滤器中，之后所有查询都先在布隆过滤器中判断是否可能存在，如果不可能存在，则直接返回 null，否则才需要查询缓存和数据库。性能高，可以处理海量数据，但是实现起来比较麻烦，还存在误判率的缺点。
• 此外，还有一种保底方案——限流，它能解决的问题范围比较广。