1. 缓存穿透
在说布隆过滤器之前，我们先了解一下什么是缓存穿透？
在高并发环境下，某一个 key 被不停地访问，然而缓存中找不到这个 key，于是我们的程序就会到数据库中去读取，诶？数据库中也没有呀！好，它根本就不存在，全剧终。这会导致大量的无效请求都被打到数据库上， 而缓存中的这条数据依然为空。无效请求比如 id 为 -1 or 特别大不存在的数据，这时的用户很可能是攻击者，攻击会导致数据库压力过大，严重的时候会直接影响线上业务。
解决方案：
① 接口层添加校验，比如 id 小于 0 的请求直接拦截；
② 对查询接口为空的对象也进行缓存，将 null 也放入缓存中，设置好失效时间；
③ 使用布隆过滤器，将所有可能存在的数据哈希到一个足够大的 bitmap 中，一定不存在的数据会被这个bitmap 拦截掉，从而避免了对底层存储系统的查询压力。
2. 布隆过滤器工作原理
注意，布隆过滤器只是用来判断某个数据是否存在于数据库中，它并不是用来查数据的，需要配合 Redis 使用！
（1）首先我们可以把它看成一个二进制数组，通过计算哈希值来检索数据的存储位置，初始情况下里面存储的数据全是 0，代表没有任何数据；
（2）布隆过滤器本身不存储数据，而是通过一定的哈希函数对数据库中的数据进行计算， 将其映射到一个固定长度的比特数组中，映射到数组的数据由 0 变成 1；
（3）查询的时候同样道理，先计算哈希值，然后到对应的位置找数据，如果为 1 代表有数据，为 0 则数据不存在；
（4）数据加载到布隆过滤器需要使用哈希函数计算存储位置，我们都知道哈希值是会重复的，这不就是说两个哈希值相同的数据，一个存在一个不存在，不存在的数据也能蒙混过关吗？这就是布隆过滤器的一个缺点 —— 误判；
（5）误判怎么办呢？我们在存入数据时仅使用了一次哈希函数计算存储位置，这哈希碰撞的概率也太大了，于是，布隆过滤器使用了多个不同的哈希函数，计算多个哈希值来解决这个问题，也就是说一个数据不只占有一个位置了，如果布隆过滤器内部用了 k 个哈希函数，那么它就会占用 k 个数组位置，同时这 k 个位置的数据都被设为 1。在查找的时候，我们也不再是只查一个位置，要确保这 k 个位置的值全为 1 才算存在，只要有一个为 0，就是不存在；
（6）其实在真正使用的时候，我们不是直接设置哈希函数个数的，它给我们提供了一个接口方法，我们需要指定过滤器长度和误判率，过滤器会根据误判率来设置哈希函数的个数，当然误判率设置的越低，哈希函数的个数就要更多；
（7）或许你也感觉到了，哈希函数越多，最终查询的正确性就会越高，那是不是我把误判率设的越小越好呢？既然越小越好，那直接设成 0 算了？nonono，有没有想过，这个时候你的哈希函数需要多少？数组空间需要多少？计算时间又需要多少？没错，追求正确性的代价就是放弃性能；
（8）以上所说的都是布隆过滤器的增加和查询数据，布隆过滤器是不支持删除操作的。 虽然说我们用了多个哈希函数来计算存储位置，尽可能保证每个数据的哈希位组合都是唯一的，但是对于每个哈希位来说，它存储的元素一般不止一个，这个标志位并不是你自己独有的，你删元素的时候把这个标志位设成了 0，那别的数据怎么办呢？你是不是把别人的也删了？所以对于布隆过滤器来说，删除操作是不可行的。
3. 配合 Redis 查询流程
最后说一下整体的查询流程：
首先数据库中的数据在布隆过滤器初始化的时候就被注册进去了，之后前端发起的每次查询请求，都会先经过布隆过滤器的筛选，如果标识位都为 1 说明数据存在，就去 Redis 里查数据，Redis 有则返回，没有就去数据库中查，将查询结果返回给前端并写入缓存中；
若标识位有一个不为 1，那就说明这个数据不存在，如果我们不作任何处理，大量的请求就会被打到数据库上，缓存穿透导致数据库压力过大，严重影响正常业务。所以对于这种不存在的数据，布隆过滤器可以直接把它拦截住，不去数据库中查，而是将错误信息返回给前端。
