redis：一、面试题常见分类+缓存穿透的定义、解决方案、布隆过滤器的原理和误判现象、面试回答模板

redis面试题常见分类

缓存穿透

定义

缓存穿透是一种现象，引发这种现象的原因大概率是遭到了恶意攻击。具体就是查询一个一定不存在的数据，mysql查询不到数据也不会直接写入缓存，就会导致这个数据的每次请求都需要查DB，数据库压力很大，从而挂掉。

解决方案一：缓存空数据

我们缓存空数据，查询返回的数据为空，仍把这个空结果进行缓存。
优点：简单
缺点：消耗内存，可能会发生缓存和数据库不一致的问题。

为什么可能发生缓存和数据库不一致的问题。因为一开始数据库中没有该数据，redis就会缓存空结果。但是后来我们在数据库中插入该数据时，缓存中依旧是空结果，那么就不一致了。

解决方案二：布隆过滤器

我们可以在缓存预热时，创建一个布隆过滤器，它的作用就是判断一个数据是否存在。每次查询前先查询布隆过滤器，来判断这个数据是否一定存在，如果存在，则查询redis以及之后的DB层。如果不存在则直接返回。

优点：内存占用较少，没有多余key
缺点：实现复杂，存在误判

布隆过滤器定义、存储/查找数据

布隆过滤器实际上就是一个bitmap（位图），相当于是一个以（bit）位为单位的数组，数组中每个单元只能存储二进制数0或1，初始化全为0。
存储数据就是将数据的值经过x个哈希函数后获取x个哈希值，然后将数组对应位置改为1.
查询数据就是用相同的x个哈希函数获取x个哈希值，然后判断数组对应位置是否都为1.

布隆过滤器误判

通过布隆过滤器的原理，我们可以发现，如果一个数在过滤器中找不到，那么它一定不存在。但是如果一个数能在过滤器中找到，也不意味着它一定存在。因为过滤器存在误判现象。
譬如下图，id1和id2在数组上的下标覆盖了id3在数组上的下标。存储了id1和id2，就会让id3查询所对应的数组下标位置也变为1。实际上id3是不存在的，但是会被误判为存在。

误判率：数组越小误判率就越大，数组越大误判率就越小，但是同时带来了更多的内存消耗。
一般我们将误判率设置在5%，比较合理地兼顾内存和误判率。

测试误判率和初始化布隆过滤器代码（不用看，仅供个人存档用）

  /*测试误判率*/private static int getData(RBloomFilter<String> bloomFilter, int size){int count=0;for(int x=size; x<size*2;x++){if(bloomFilter.contains("add"+x)){count++;}}return count;
}/*初始化数据*/private static void initData(RBloomFilter<String> bloomFilter, int size{bloomFilter.tryInit(size, 0.05);for(int x=0;x<size;x++){bloomFilter.add("add"+x);}System.out.println("初始化完成……");}

面试回答模板

什么是缓存穿透 ，怎么解决 ?

背熟以下回答，大概用时1分半。

缓存穿透是一种现象，引发这种现象的原因大概率是遭到了恶意攻击。具体就是查询一个一定不存在的数据，mysql查询不到数据也不会直接写入缓存，就会导致这个数据的每次请求都需要查DB，如果同时并发多个请求的话。数据库压力就会很大，从而挂掉。

解决方案的话一般有两种，第一种是直接缓存空数据。这种方案实现简单，但是可能比较消耗内存，而且有可能发生缓存和数据库数据不一致的问题。我们通常选择第二种解决方案，就是布隆过滤器。布隆过滤器实际上就是一个bitmap（位图），相当于是一个以（bit）位为单位的数组，数组中只能存储0或1，初始时全为0。存储数据就是将数据的值经过x个哈希函数后获取x个哈希值，然后将数组对应位置改为1.查询数据也一样。我们可以在缓存预热时，创建一个布隆过滤器，它的作用就是判断一个数据是否存在。每次查询前先查询布隆过滤器，来判断这个数据是否一定存在，如果存在，则查询redis以及之后的DB层。如果不存在则直接返回。

本篇所有图片来自于黑马程序员。