介绍一下Redis的缓存穿透击穿雪崩

缓存穿透 🔍

定义：请求的数据既不在 Redis 缓存，也不在数据库，导致每次请求都穿透缓存直接打到数据库，数据库压力骤增。

产生原因：

恶意攻击：黑客构造大量不存在的 ID 请求（如 ID=-1、ID=999999）
业务 bug：参数校验不严格，传入非法值
数据未同步：数据库已删除但缓存未清理

核心解决方案：

布隆过滤器（首选）：将所有存在的 key 预存入布隆过滤器，请求先过过滤器，不存在直接拦截
空值缓存：对数据库查询为空的 key，缓存一个空值并设置短过期时间（如 5 分钟）
接口层校验：对入参做合法性校验（如 ID>0、格式校验）

缓存击穿 💥

定义：单个热点 key 突然过期，瞬间有大量并发请求打到数据库，数据库瞬间被打垮。

产生原因：

秒杀商品、热门文章、爆款视频等超高访问量的 key
热点 key 设置了过期时间，到期时恰好有大量请求

核心解决方案：

互斥锁（保证一致性）：使用 Redis 的 SETNX 加锁，只有一个请求去查数据库并更新缓存，其他请求等待重试
逻辑过期（高性能）：热点 key 不设置物理过期时间，在 value 中存过期时间，后台异步线程更新缓存
热点 key 永不过期：对于极端热点 key，直接不设置过期时间，后台定时更新

缓存雪崩 🌋

定义：大量 key 同时过期，或者Redis 集群整体宕机，导致所有请求都打到数据库，数据库雪崩式崩溃。

产生原因：

批量导入数据时，给所有 key 设置了相同的过期时间
Redis 主从切换、集群故障导致服务不可用
缓存服务器资源耗尽宕机

核心解决方案：

过期时间加随机值：给每个 key 的过期时间加上一个随机偏移量（如 1-5 分钟），避免同时过期
Redis 高可用集群：搭建主从 + 哨兵、Redis Cluster 集群，保证服务可用性
服务熔断与降级：使用 Hystrix/Sentinel 做熔断，数据库压力过大时暂时关闭非核心接口
多级缓存：本地缓存（Caffeine）+ Redis 缓存 + 数据库，层层拦截请求

三大问题核心对比表 📊

问题类型	核心特征	典型触发场景	核心解决方案
缓存穿透	查不存在的数据	恶意攻击、参数非法	布隆过滤器、空值缓存
缓存击穿	单个热点 key过期	秒杀、爆款商品、热搜	互斥锁、逻辑过期
缓存雪崩	大量 key同时过期 / Redis 宕机	批量导入数据、集群故障	随机过期时间、高可用集群、熔断降级

缓存读写流程与异常路径图 🗺️

面试加分项 ✨

实际项目中我遇到过缓存雪崩问题：当时做 618 活动页时，批量导入了 12 万条商品数据，都设置了 1 小时过期时间，导致整点时数据库 CPU 直接打满到 100%。后来给每个 key 的过期时间加上了 0-300 秒的随机偏移量，问题彻底解决。
对于缓存击穿，我更推荐使用逻辑过期方案，因为互斥锁在高并发下会有大量线程阻塞，而逻辑过期只需要一个后台线程更新，性能更好，适合秒杀这种对响应时间要求极高的场景。
布隆过滤器存在误判率（约 0.1%-1%），所以不能完全替代空值缓存，两者结合使用效果最佳。

核心代码实现（技术亮点版）💻

1 缓存穿透：布隆过滤器（Guava 实现）

import com.google.common.hash.BloomFilter;
import com.google.common.hash.Funnels;
import org.springframework.stereotype.Component;
import javax.annotation.PostConstruct;
import java.nio.charset.StandardCharsets;
import java.util.List;

@Component
public class ProductBloomFilter {
    // 预期插入数据量100万，误判率0.01%
    private static final int EXPECTED_INSERTIONS = 1000000;
    private static final double FPP = 0.0001;
    
    private BloomFilter bloomFilter;
    
    @PostConstruct
    public void initBloomFilter() {
        // 初始化布隆过滤器
        bloomFilter = BloomFilter.create(
            Funnels.stringFunnel(StandardCharsets.UTF_8),
            EXPECTED_INSERTIONS,
            FPP
        );
        
        // 项目启动时预加载所有存在的商品ID到布隆过滤器
        List allProductIds = productMapper.selectAllProductIds();
        for (String productId : allProductIds) {
            bloomFilter.put(productId);
        }
    }
    
    // 判断商品ID是否可能存在
    public boolean mightContain(String productId) {
        return bloomFilter.mightContain(productId);
    }
}

技术亮点：

精确控制误判率和内存占用（100 万数据 + 0.01% 误判率仅需约 1.7MB 内存）
项目启动时预加载，避免运行时动态构建的性能损耗

2 缓存击穿：互斥锁方案（Redis SETNX）

import org.springframework.data.redis.core.StringRedisTemplate;
import org.springframework.stereotype.Service;
import java.util.concurrent.TimeUnit;

@Service
public class ProductService {
    @Autowired
    private StringRedisTemplate redisTemplate;
    @Autowired
    private ProductMapper productMapper;
    
    private static final String CACHE_KEY_PREFIX = "product:";
    private static final String LOCK_KEY_PREFIX = "lock:product:";
    private static final int LOCK_EXPIRE_TIME = 10; // 锁过期时间10秒
    private static final int CACHE_EXPIRE_TIME = 30; // 缓存过期时间30分钟
    
    public Product getProductById(String productId) {
        String cacheKey = CACHE_KEY_PREFIX + productId;
        
        // 1. 先查缓存
        String productJson = redisTemplate.opsForValue().get(cacheKey);
        if (productJson != null) {
            return JSON.parseObject(productJson, Product.class);
        }
        
        // 2. 缓存未命中，加互斥锁
        String lockKey = LOCK_KEY_PREFIX + productId;
        boolean lockAcquired = redisTemplate.opsForValue()
            .setIfAbsent(lockKey, "1", LOCK_EXPIRE_TIME, TimeUnit.SECONDS);
        
        if (lockAcquired) {
            try {
                // 3. 拿到锁后，再次查询缓存（双重检查）
                productJson = redisTemplate.opsForValue().get(cacheKey);
                if (productJson != null) {
                    return JSON.parseObject(productJson, Product.class);
                }
                
                // 4. 查询数据库
                Product product = productMapper.selectById(productId);
                if (product == null) {
                    // 空值缓存，防止缓存穿透
                    redisTemplate.opsForValue()
                        .set(cacheKey, "", 5, TimeUnit.MINUTES);
                    return null;
                }
                
                // 5. 更新缓存
                redisTemplate.opsForValue()
                    .set(cacheKey, JSON.toJSONString(product), 
                         CACHE_EXPIRE_TIME, TimeUnit.MINUTES);
                
                return product;
            } finally {
                // 6. 释放锁（必须在finally中执行）
                redisTemplate.delete(lockKey);
            }
        } else {
            // 7. 没拿到锁，等待50ms后重试
            try {
                Thread.sleep(50);
            } catch (InterruptedException e) {
                Thread.currentThread().interrupt();
            }
            return getProductById(productId); // 递归重试
        }
    }
}

技术亮点：

双重检查锁机制，避免重复查询数据库
锁设置过期时间，防止死锁
finally 块保证锁一定会释放
空值缓存与互斥锁结合，同时解决穿透和击穿问题

3 缓存击穿：逻辑过期方案（高性能版）

import com.alibaba.fastjson.JSON;
import org.springframework.data.redis.core.StringRedisTemplate;
import org.springframework.stereotype.Service;
import java.util.concurrent.ExecutorService;
import java.util.concurrent.Executors;
import java.util.concurrent.TimeUnit;

@Service
public class HotProductService {
    @Autowired
    private StringRedisTemplate redisTemplate;
    @Autowired
    private ProductMapper productMapper;
    
    private static final String CACHE_KEY_PREFIX = "hot:product:";
    private static final int LOGIC_EXPIRE_TIME = 30 * 60; // 逻辑过期时间30分钟
    
    // 线程池，用于异步更新缓存
    private static final ExecutorService CACHE_REFRESH_EXECUTOR = 
        Executors.newFixedThreadPool(10);
    
    // 缓存数据对象，包含逻辑过期时间
    private static class CacheData {
        private T data;
        private Long expireTime; // 逻辑过期时间戳
        
        public CacheData(T data, Long expireTime) {
            this.data = data;
            this.expireTime = expireTime;
        }
        
        // 判断是否过期
        public boolean isExpired() {
            return System.currentTimeMillis() > expireTime;
        }
    }
    
    public Product getHotProductById(String productId) {
        String cacheKey = CACHE_KEY_PREFIX + productId;
        
        // 1. 查询缓存
        String cacheJson = redisTemplate.opsForValue().get(cacheKey);
        if (cacheJson == null) {
            return null; // 热点key提前预热，理论上不会走到这里
        }
        
        CacheData cacheData = JSON.parseObject(cacheJson, 
            new TypeReference>() {});
        Product product = cacheData.getData();
        
        // 2. 判断是否逻辑过期
        if (!cacheData.isExpired()) {
            return product; // 未过期，直接返回
        }
        
        // 3. 已过期，异步更新缓存
        String lockKey = "lock:hot:product:" + productId;
        boolean lockAcquired = redisTemplate.opsForValue()
            .setIfAbsent(lockKey, "1", 10, TimeUnit.SECONDS);
        
        if (lockAcquired) {
            // 提交异步任务更新缓存
            CACHE_REFRESH_EXECUTOR.submit(() -> {
                try {
                    // 查询数据库
                    Product newProduct = productMapper.selectById(productId);
                    // 更新缓存，设置新的逻辑过期时间
                    CacheData newCacheData = new CacheData<>(
                        newProduct,
                        System.currentTimeMillis() + LOGIC_EXPIRE_TIME * 1000L
                    );
                    redisTemplate.opsForValue().set(cacheKey, 
                        JSON.toJSONString(newCacheData));
                } finally {
                    redisTemplate.delete(lockKey);
                }
            });
        }
        
        // 4. 无论是否拿到锁，都返回旧数据
        return product;
    }
}

技术亮点：

无阻塞：所有请求都能立即返回数据，不会有线程等待
异步更新：使用独立线程池处理缓存更新，不影响主线程
热点 key 提前预热：项目启动时将热点数据加载到缓存，避免冷启动问题

4 缓存雪崩：随机过期时间设置

// 给每个key的过期时间加上0-300秒的随机偏移量
int baseExpireTime = 30 * 60; // 基础过期时间30分钟
int randomOffset = new Random().nextInt(300); // 随机偏移量0-5分钟
int finalExpireTime = baseExpireTime + randomOffset;

redisTemplate.opsForValue().set(
    cacheKey,
    JSON.toJSONString(product),
    finalExpireTime,
    TimeUnit.SECONDS
);

技术难点与解决方案汇总 🎯

技术难点	问题本质	解决方案	最佳实践
布隆过滤器误判	哈希冲突导致不存在的 key 被误判为存在	1. 降低误判率（增加哈希函数数量、扩大位图大小）2. 结合空值缓存兜底	误判率设置为 0.01%-0.1%，定期重建布隆过滤器
互斥锁死锁	服务宕机导致锁未释放	1. 给锁设置过期时间2. 使用 Redis Lua 脚本实现原子性锁释放	锁过期时间设置为数据库查询时间的 2-3 倍
互斥锁惊群效应	大量线程同时等待锁释放，瞬间并发请求数据库	1. 增加重试间隔时间2. 使用分段锁3. 优先使用逻辑过期方案	重试间隔设置为 50-100ms，避免频繁重试
逻辑过期缓存不一致	异步更新期间，用户可能读到旧数据	1. 缩短逻辑过期时间2. 关键业务使用互斥锁保证强一致性	非核心业务（如商品详情、文章）用逻辑过期，核心业务（如订单）用互斥锁
Redis 集群宕机雪崩	缓存层完全失效，所有请求打到数据库	1. 搭建 Redis Cluster 集群 + 哨兵2. 本地缓存兜底3. 服务熔断降级	本地缓存使用 Caffeine，设置最大容量和过期时间
批量导入数据雪崩	大量 key 同时过期	1. 过期时间加随机偏移量2. 分批次导入数据3. 低峰期导入数据	随机偏移量设置为基础过期时间的 10%-20%
缓存预热冷启动	系统刚启动时缓存为空，大量请求打到数据库	1. 项目启动时预加载热点数据2. 流量逐步切入3. 使用降级机制	提前统计热点数据，启动时异步加载到缓存

真实面试模拟

面试官 👨‍💻：

“同学，前面基础知识聊得不错。现在来个场景设计题：介绍一下 Redis 的缓存穿透、击穿、雪崩，最好能说清楚它们的区别和解决方案。你可以开始了。”

候选人 🧑‍💻：

“好的面试官。这三个问题本质上都是缓存没挡住流量，导致大量请求砸到数据库，但触发原因不一样，解决方案侧重点也不同。

我先快速区分一下：

🔍 穿透：查的是数据库里根本没有的数据，缓存自然也没法存，请求直接‘穿透’到底。
💥 击穿：某个热点 key 刚好过期了，那一瞬间大量请求同时去查库重建缓存，把数据库‘击穿’。
❄️ 雪崩：大量 key 在同一时间段内过期，或者 Redis 直接挂了，请求像雪崩一样全压到数据库上。

我可以结合画图，逐个说一下原理和落地方法吗？”

面试官 👨‍💻：

“可以，你边画边讲。”

候选人 🧑‍💻：

“好的，先说 🔍 缓存穿透。

比如有人恶意用 id = -1 不断请求，这个数据库里根本没有，缓存里也不会有，每次请求都打到库上。

解决思路是两个：

布隆过滤器：把所有合法 id 提前存进去。请求来的时候先过一遍过滤器，不存在的直接挡掉，相当于门禁 🚪。
缓存空对象：就算数据库返回 null，也往 Redis 里存一个短期的‘空标记’，比如 ""，过期时间 30 秒。下次同样请求就能在缓存层拦住了。

生产上，我一般布隆过滤器前置拦截 + 空值兜底，双保险。”

面试官 👨‍💻：

“嗯，逻辑清晰。那击穿呢？”

候选人 🧑‍💻：

“再说 💥 缓存击穿。

最典型的是秒杀商品，key 为 hot_item:123。一旦这个热点 key 失效，刚好又赶上高并发，瞬间所有请求都奔向数据库去抢着重建缓存。

应对方法就一个核心：避免并发重建。

互斥锁（Mutex）：用 Redis 的 SETNX 抢一个轻量级锁，只允许一个线程去查库，其他就 sleep 几十毫秒再重试拿缓存。
逻辑过期：热点 key 不设 TTL，在 value 里存逻辑过期时间。发现数据逻辑过期后，先返回旧值，后台异步开线程去更新。这是高性能场景的王道方案 🤖。

伪代码大概这样：

public String getHotData(String key) {
    String value = redis.get(key);
    if (value == null) {
        if (redis.setnx(lockKey, "1", 10, TimeUnit.SECONDS)) {
            try {
                value = db.query();
                redis.set(key, value, 3600);
            } finally {
                redis.del(lockKey);
            }
        } else {
            Thread.sleep(50);
            return getHotData(key);
        }
    }
    return value;
}

面试官 👨‍💻：

“那如果用逻辑过期，value 里怎么存？”

候选人 🧑‍💻：

“我会包装一层对象，比如 HotDataWrapper，里面两个字段：data 和 expireAt（逻辑过期时间戳）。取出来先判断 expireAt < now，如果过期了，先用旧数据返回，同时开一个线程去抢锁重建。”

面试官 👨‍💻：

“可以，思路到位。最后说说雪崩吧。”

候选人 🧑‍💻：

“最后是 ❄️ 缓存雪崩，这个破坏力最大。

一般是两种场景叠加：大量 key 在同一时间过期，或者 Redis 突然挂掉。

解决是多管齐下：

过期时间加随机盐：在基础 TTL 上随机加个 1~5 分钟，让 key 分散失效。这是最简单也最有效的 😊。
高可用架构：Redis 主从 + 哨兵/集群，保证缓存层别单点挂。
熔断降级：用 Sentinel 或 Hystrix，当数据库负载过高，就直接返回降级内容（本地缓存、默认值、‘系统繁忙’），并配合限流。
多级缓存：本地 Caffeine + Redis 二级缓存，Redis 挂了还有本地兜底。”

面试官 👨‍💻：

“总结对比一下？”

候选人 🧑‍💻：

“好的，我用一个表格串一下：

类型	诱因	核心思路	一句话
🔍 穿透	查不存在的数据	布隆过滤器 / 空对象	防不存在
💥 击穿	热点 key 过期	互斥锁 / 逻辑过期	防抢重建
❄️ 雪崩	大量 key 同时过期或宕机	过期随机化 / 高可用 / 降级	防同时挂

面试官 👨‍💻：

“不错，整体框架很清晰，方案能落地。我追问一个点：你用互斥锁的时候，如果业务是集群部署，SETNX 锁要是业务执行超时或者节点宕机了，会不会死锁？怎么解决？”

候选人 🧑‍💻：

“确实有死锁风险。我会给锁加一个过期时间，并且用 Redisson 的看门狗机制自动续期——只要线程还活着，锁就不会超时释放；如果节点真挂了，锁也会在到期后自动放开。不会出现死锁解不掉的情况。”

面试官 👨‍💻：

“嗯，方案都说得挺清楚。那你能不能贴几段核心代码，展示下技术亮点？然后把这一整套场景中的技术难点和解决方案整理一下？”

候选人 🧑‍💻：

“没问题，面试官。我按场景来贴代码，顺便把难点和亮点都说明白。😄”

🔍 缓存穿透 — 核心代码

技术亮点：布隆过滤器 + 空值缓存双保险，兼顾性能和防穿透。

// 1. 布隆过滤器初始化（基于Redisson，启动时执行）
RBloomFilter bloomFilter = redissonClient.getBloomFilter("userIdFilter");
// 预计插入100万，误判率0.01%
bloomFilter.tryInit(1_000_000L, 0.0001);

// 全量ID预热，可从DB分批加载
List allUserIds = userMapper.getAllIds();
allUserIds.forEach(id -> bloomFilter.add("user:" + id));

// 2. 查询逻辑
public User getUserById(Long id) {
    String key = "user:" + id;
    
    // 布隆过滤器拦截
    if (!bloomFilter.contains(key)) {
        return null; // 直接返回，不查库
    }
    
    // 查缓存
    String cacheValue = redisTemplate.opsForValue().get(key);
    if (cacheValue != null) {
        // 判断是否为空对象占位符
        if ("NULL_PLACEHOLDER".equals(cacheValue)) {
            return null;
        }
        return JSON.parseObject(cacheValue, User.class);
    }
    
    // 查数据库
    User user = userMapper.selectById(id);
    if (user == null) {
        // 缓存空对象，过期时间30秒，防止占用空间
        redisTemplate.opsForValue().set(key, "NULL_PLACEHOLDER", 30, TimeUnit.SECONDS);
    } else {
        redisTemplate.opsForValue().set(key, JSON.toJSONString(user), 1, TimeUnit.HOURS);
    }
    return user;
}

💥 缓存击穿 — 核心代码

技术亮点：使用 Redisson 分布式锁 + 看门狗自动续期，避免死锁，保障高并发。

public Product getHotProduct(Long id) {
    String key = "hot_product:" + id;
    String cacheData = redisTemplate.opsForValue().get(key);
    if (cacheData != null) {
        return JSON.parseObject(cacheData, Product.class);
    }
    
    // 分布式锁key
    String lockKey = "lock:product:" + id;
    RLock lock = redissonClient.getLock(lockKey);
    try {
        // 尝试加锁，最多等待10秒，锁超时时间（看门狗会续期，这里设为30秒兜底）
        if (lock.tryLock(10, 30, TimeUnit.SECONDS)) {
            // 双重检查
            cacheData = redisTemplate.opsForValue().get(key);
            if (cacheData != null) {
                return JSON.parseObject(cacheData, Product.class);
            }
            // 查询数据库
            Product product = productMapper.selectById(id);
            if (product != null) {
                // 设置缓存，加随机过期时间（300~420秒），防止雪崩
                redisTemplate.opsForValue().set(key, JSON.toJSONString(product), 
                        300 + ThreadLocalRandom.current().nextInt(120), TimeUnit.SECONDS);
            } else {
                // 空值缓存，防止穿透
                redisTemplate.opsForValue().set(key, "NULL_PLACEHOLDER", 30, TimeUnit.SECONDS);
            }
            return product;
        } else {
            // 获取锁失败，休眠后重试
            Thread.sleep(50);
            return getHotProduct(id); // 递归重试
        }
    } catch (InterruptedException e) {
        Thread.currentThread().interrupt();
        return null;
    } finally {
        if (lock.isHeldByCurrentThread()) {
            lock.unlock();
        }
    }
}

❄️ 缓存雪崩 — 核心代码

技术亮点：过期时间加随机盐 + 多级缓存兜底（Caffeine）。

// 本地缓存配置（Caffeine）
Cache localCache = Caffeine.newBuilder()
        .maximumSize(1000)
        .expireAfterWrite(60, TimeUnit.SECONDS)
        .build();

public Object getDataWithMultiLevel(Long id) {
    String key = "data:" + id;
    
    // 1. 一级：本地缓存
    Object localVal = localCache.getIfPresent(id);
    if (localVal != null) {
        return localVal;
    }
    
    // 2. 二级：Redis
    String cacheVal = redisTemplate.opsForValue().get(key);
    if (cacheVal != null) {
        localCache.put(id, JSON.parse(cacheVal)); // 回填本地
        return cacheVal;
    }
    
    // 3. 查库并回填（带锁防止击穿）
    Object dbVal = queryFromDbWithLock(id);
    if (dbVal != null) {
        // 设置Redis过期时间，基础1小时 + 随机0~600秒
        long expireSec = 3600 + ThreadLocalRandom.current().nextInt(600);
        redisTemplate.opsForValue().set(key, JSON.toJSONString(dbVal), expireSec, TimeUnit.SECONDS);
        localCache.put(id, dbVal);
    }
    return dbVal;
}

🧩 此场景技术难点 & 解决方案

场景	技术难点	解决方案	经验要点 💡
🔍 穿透	1. 布隆过滤器无法删除，数据新增/删除后需重建。2. 误判率会放过少量无效请求。3. 空值缓存占用内存，可能被恶意构造不同key。	1. 使用支持扩容的布隆过滤器（RedisBloom插件）或定时重建。2. 误判率设定0.01%以下，并靠空值缓存兜底。3. 空值缓存设置极短TTL，并对请求限流。	实际误判率要压测，不能光看理论值。
💥 击穿	1. 锁的粒度与性能平衡：热点越多，锁竞争越严重。2. 逻辑过期存在最终一致性问题，异步更新可能返回旧数据。3. 分布式锁死锁风险。	1. 单机ConcurrentHashMap加轻量锁，集群用Redisson细粒度锁。2. 逻辑过期时，保证旧值仍可用，提前预加载或后台刷新。3. 使用Redisson看门狗自动续期 + finally解锁。	逻辑过期适合读多写少且能容忍短暂不一致的业务。
❄️ 雪崩	1. 随机过期算法仍可能出现局部热点集中失效。2. 多级缓存同步问题，本地缓存与Redis数据可能不一致。3. 熔断降级后，服务恢复时的“脉冲式”压力。	1. 不仅随机，还要结合业务预热，提前加载高频key。2. 本地缓存短TTL，消息队列通知更新。3. 半开状态逐步放量，采用令牌桶或预热算法。	生产必做多级缓存，核心接口要压测极限QPS并设定好阈值。 👍

面试官 👨‍💻：

“很好，代码细节到位，难点拆解得也清晰。你这种把代码和方案能对应讲出来的习惯，是面试加分项。这场缓存三兄弟的考察，给你 Strong Hire ✅。”