摘要：在当今互联网软件开发的高速发展浪潮中，性能优化始终是开发人员关注的核心焦点之一。对于使用 Redis 作为缓存的系统而言，缓存穿透问题如同悬在头顶的达摩克利斯之剑，随时可能对系统性能造成严重冲击。想象一下，大量针对不存在数据的查询请求如潮水般涌来，直接穿透缓存

在当今互联网软件开发的高速发展浪潮中，性能优化始终是开发人员关注的核心焦点之一。对于使用 Redis 作为缓存的系统而言，缓存穿透问题如同悬在头顶的达摩克利斯之剑，随时可能对系统性能造成严重冲击。想象一下，大量针对不存在数据的查询请求如潮水般涌来，直接穿透缓存层，无情地压向数据库，这将导致数据库负载瞬间飙升，系统响应速度急剧下降，甚至可能引发系统崩溃。那么，有没有一种巧妙的方法能够有效防范缓存穿透呢？答案就是布隆过滤器。本文将深入探讨如何在 Redis 中使用布隆过滤器来防止缓存穿透，为广大互联网软件开发人员提供一套行之有效的解决方案。

（一）缓存穿透现象描述

在一个典型的使用 Redis 作为缓存层、数据库作为持久化存储的应用架构中，正常的数据查询流程是：应用程序首先向 Redis 发送查询请求，如果 Redis 中存在相应的数据（缓存命中），则直接返回给应用程序；若 Redis 中未找到对应数据（缓存未命中），应用程序接着会向数据库发起查询。数据库查询到数据后，将其返回给应用程序，同时应用程序会将该数据写入 Redis 缓存，以便后续查询能够直接命中缓存。

然而，缓存穿透问题发生时，情况就变得棘手起来。当存在大量针对数据库中根本不存在的数据的查询请求时，这些请求会依次穿透 Redis 缓存和数据库。由于数据库中没有这些数据，自然无法将其写入 Redis 缓存，导致每次相同的查询请求都会重复穿透缓存和数据库，给数据库带来巨大的压力。

（二）缓存穿透产生的原因

恶意攻击：某些心怀不轨的攻击者，可能会故意构造大量非法的、在数据库中不存在的查询 Key，向系统发起高并发请求。其目的可能是通过耗尽数据库资源，进而使整个系统瘫痪，造成业务中断。

业务数据异常：在业务系统的实际运行过程中，可能由于数据同步延迟、数据删除操作未及时更新缓存等原因，导致应用程序查询到一些原本应该存在但实际上已被删除，或者尚未同步到数据库的数据。这些异常数据的查询请求，同样会引发缓存穿透问题。

（三）缓存穿透带来的严重危害

数据库性能急剧下降：大量无效的查询请求直接冲击数据库，数据库需要频繁地进行磁盘 I/O 操作来处理这些请求，导致 CPU、内存和磁盘等资源的使用率急剧攀升，数据库的响应速度大幅变慢，严重时甚至可能导致数据库服务不可用。

系统整体性能恶化：由于数据库性能受到影响，应用程序从数据库获取数据的时间变长，这将导致整个系统的响应时间延长，用户体验变差。同时，大量的无效请求还会占用网络带宽，进一步加剧系统性能的恶化。

（一）布隆过滤器的基本概念

布隆过滤器（Bloom Filter）是由 Burton Howard Bloom 在 1970 年提出的一种空间高效的概率型数据结构，主要用于判断一个元素是否在一个集合中。它的核心特点是具有极高的空间效率，能够在占用极少内存空间的情况下，快速地判断元素是否存在于集合中。不过，需要注意的是，布隆过滤器存在一定的误判率，即可能会将一个实际上并不存在于集合中的元素误判为存在，但绝对不会将一个存在于集合中的元素误判为不存在。

（二）布隆过滤器的工作原理

布隆过滤器主要由一个位数组（Bit Array）和一组哈希函数（Hash Functions）组成。

初始化阶段：位数组初始状态下，所有位都被设置为 0。假设我们有一个大小为 m 的位数组，这个数组就像是一块空白的画布，等待着数据的填充。

元素插入过程：当要向布隆过滤器中插入一个元素 x 时，会通过 k 个相互独立的哈希函数对元素 x 进行计算，得到 k 个不同的哈希值 h1 (x), h2 (x), …, hk (x)。这些哈希值就像是一把把钥匙，分别对应着位数组中的不同位置。然后，将位数组中对应的这 k 个位置的位都设置为 1。例如，如果 h1 (x) = 3，h2 (x) = 7，h3 (x) = 10，那么就将位数组的第 3 位、第 7 位和第 10 位设置为 1。

元素查询过程：当查询一个元素 y 是否存在于布隆过滤器中时，同样使用这 k 个哈希函数对元素 y 进行计算，得到 k 个哈希值 h1 (y), h2 (y), …, hk (y)。然后检查位数组中对应的这 k 个位置的位是否都为 1。如果所有位置的位都是 1，那么布隆过滤器会认为元素 y 可能存在于集合中；如果有任何一个位置的位为 0，那么可以确定元素 y 一定不存在于集合中。

（三）布隆过滤器误判率的产生及影响因素

由于哈希函数的特性，不同的元素经过哈希计算后，有可能得到相同的哈希值，这就会导致位数组中的某些位被多个元素共享。当查询一个原本不存在于集合中的元素时，由于这些共享位的存在，可能会出现该元素对应的所有哈希值位置在位数组中都恰好被其他元素设置为 1 的情况，从而导致误判。

误判率主要受以下几个因素影响：

位数组的大小：位数组越大，能够容纳的不同哈希值的数量就越多，发生哈希冲突的概率就越低，误判率也就越低。

哈希函数的个数：哈希函数的个数 k 需要选择一个合适的值。如果 k 过小，可能无法充分利用位数组的空间，导致误判率升高；如果 k 过大，虽然可以降低哈希冲突的概率，但会增加计算成本，同时也可能因为对同一个元素的多次哈希计算，导致更多的位被设置为 1，反而增加误判的可能性。

集合中元素的数量：随着集合中元素数量的增加，位数组中被设置为 1 的位也会逐渐增多，发生哈希冲突的概率增大，误判率自然也会上升。

（一）Redis 对布隆过滤器的支持方式

在 Redis 4.0 版本之前，要在 Redis 中使用布隆过滤器，需要开发者自行基于 Redis 的基本数据结构（如 BitMap）进行复杂的封装和实现。而从 Redis 4.0 版本开始，官方引入了插件机制，使得布隆过滤器可以作为一个插件方便地集成到 Redis 中。目前，比较常用的 Redis 布隆过滤器插件是 RedisBloom。

（二）RedisBloom 插件的安装与配置

下载 RedisBloom 插件：可以从 RedisBloom 的官方 GitHub 仓库（https://github.com/RedisBloom/RedisBloom/releases）下载对应的版本。截至目前，最新版本为 v2.2.14。

解压与编译：下载完成后，使用命令 tar -zxvf redisbloom-2.2.14.tar 解压文件，然后进入解压后的目录 cd redisbloom-2.2.14，执行 make 命令进行编译。编译成功后，会在当前目录下生成一个 redisbloom.so 文件。

配置 Redis 加载插件：修改 Redis 的配置文件（通常为 redis.conf），在文件中添加一行 loadmodule /path/to/redisbloom-2.2.14/redisbloom.so，其中 /path/to/ 是你实际解压 RedisBloom 插件的路径。如果是 Redis 集群环境，则需要在每个实例的配置文件中都添加这一行配置。

重启 Redis：完成配置修改后，重启 Redis 服务，使配置生效。可以通过 redis-server /path/to/redis.conf 命令指定配置文件启动 Redis。启动成功后，Redis 就已经集成了布隆过滤器插件。

（三）Redis 中布隆过滤器的常用命令及使用示例

创建布隆过滤器：使用 BF.RESERVE 命令可以创建一个布隆过滤器。例如，创建一个名为 myBloomFilter，期望误判率为 0.01（即 1%），初始容量为 1000000 的布隆过滤器，可以执行命令 BF.RESERVE myBloomFilter 0.01 1000000。这里的误判率设置得越低，所需的内存空间就越大；初始容量则是预估要插入到布隆过滤器中的元素数量，设置合理的初始容量可以有效控制误判率。如果不指定 BF.RESERVE 命令创建布隆过滤器，当使用 BF.ADD 等命令首次添加元素时，Redis 会自动创建一个默认误判率为 0.01，初始容量为 100 的布隆过滤器。

添加元素到布隆过滤器：使用 BF.ADD 命令可以向布隆过滤器中添加单个元素。例如，向名为 myBloomFilter 的布隆过滤器中添加元素 element1，执行命令 BF.ADD myBloomFilter element1。如果添加成功，命令会返回 1；如果元素已经存在（可能是真实存在，也可能是误判），则返回 0。若要添加多个元素，可以使用 BF.MADD 命令，如 BF.MADD myBloomFilter element2 element3 element4。

查询元素是否存在于布隆过滤器：使用 BF.EXISTS 命令可以查询一个元素是否可能存在于布隆过滤器中。例如，查询元素 element1 是否在 myBloomFilter 中，执行命令 BF.EXISTS myBloomFilter element1。如果返回 1，表示元素可能存在（存在误判可能）；如果返回 0，则表示元素一定不存在。查询多个元素是否存在可以使用 BF.MEXISTS 命令，如 BF.MEXISTS myBloomFilter element2 element3。

获取布隆过滤器的信息：使用 BF.INFO 命令可以获取布隆过滤器的相关信息，如容量、已添加元素数量、子过滤器数量等。例如，执行 BF.INFO myBloomFilter，会返回一系列关于该布隆过滤器的详细信息，帮助开发者了解布隆过滤器的使用状态。

（一）业务场景描述

假设我们正在开发一个电商系统，其中商品详情页面的访问量非常大。为了提高系统性能，我们使用 Redis 作为缓存来存储商品详情信息。在实际业务中，偶尔会出现一些针对不存在商品 ID 的查询请求，这些请求会穿透缓存，给数据库带来不必要的压力。为了解决这个问题，我们决定引入布隆过滤器。

（二）具体实现步骤

初始化布隆过滤器：在系统启动时，根据预估的商品数量，创建一个布隆过滤器。例如，我们预估系统中最多会有 100 万种商品，期望误判率控制在 0.001（即 0.1%），可以执行命令 BF.RESERVE productBloomFilter 0.001 1000000。

商品数据入库时同步更新布隆过滤器：当有新商品数据入库时，在将商品详情信息存储到数据库的同时，将商品 ID 添加到布隆过滤器中。例如，假设新商品的 ID 为 123456，使用命令 BF.ADD productBloomFilter 123456 将其添加到布隆过滤器。

查询商品详情时使用布隆过滤器进行拦截：在应用程序查询商品详情时，首先根据商品 ID 查询布隆过滤器。如果布隆过滤器判断该商品 ID 不存在（返回 0），则直接返回商品不存在的结果，不再查询数据库，从而避免了缓存穿透。如果布隆过滤器判断该商品 ID 可能存在（返回 1），则继续查询 Redis 缓存，如果缓存未命中，再查询数据库，并在查询到数据后将其写入 Redis 缓存。

（三）实际效果评估

通过引入布隆过滤器，在经过一段时间的实际运行监测后，我们发现数据库针对不存在商品 ID 的查询请求数量大幅减少，数据库的负载明显降低。同时，系统的整体响应速度得到了显著提升，用户在访问商品详情页面时，几乎感受不到延迟，大大提高了用户体验。据统计，在引入布隆过滤器之前，数据库每天会收到约 10 万次针对不存在商品 ID 的无效查询请求；引入布隆过滤器后，这一数字降低到了 1000 次以内，误判率也控制在了预期的 0.1% 以内，取得了非常理想的效果。

（一）误判率的控制与优化

合理设置参数：在创建布隆过滤器时，要根据实际业务需求，合理设置误判率和初始容量。如果对误判率要求极高，比如在一些对数据准确性要求严格的金融业务场景中，需要将误判率设置得非常低，同时相应地增加位数组的大小（通过增大初始容量）。但也要注意，过低的误判率会导致占用更多的内存空间，因此需要在误判率和内存占用之间进行权衡。

动态调整布隆过滤器：在业务运行过程中，如果发现实际的元素数量超出了初始设置的容量，可能会导致误判率升高。此时，可以考虑动态调整布隆过滤器的参数，如通过重新创建一个更大容量的布隆过滤器，并将原有数据迁移过去。不过，这个过程需要谨慎操作，避免影响业务的正常运行。

（二）布隆过滤器的持久化与数据恢复

持久化方式：Redis 本身支持数据的持久化，对于布隆过滤器，可以通过 Redis 的持久化机制（如 RDB 和 AOF）来保存布隆过滤器的状态。在 RDB 持久化过程中，Redis 会将内存中的数据快照保存到磁盘文件中，其中也包括布隆过滤器的位数组和相关配置信息。AOF 持久化则是通过记录 Redis 执行的写命令来实现数据的持久化，对于布隆过滤器的添加、删除等操作命令也会被记录下来。

数据恢复：当 Redis 服务器重启时，会根据持久化文件（RDB 或 AOF）来恢复数据，包括布隆过滤器的数据。在恢复过程中，要确保 RedisBloom 插件已经正确加载，否则可能会导致布隆过滤器数据恢复失败。

（三）与其他缓存策略的协同使用

布隆过滤器虽然可以有效防止缓存穿透，但并不能解决所有的缓存问题。在实际应用中，还需要与其他缓存策略（如缓存过期策略、缓存雪崩解决方案等）协同使用，才能构建一个稳定、高效的缓存系统。例如，合理设置缓存的过期时间，可以避免缓存数据长时间不更新导致的数据不一致问题；采用多级缓存架构，结合本地缓存和分布式缓存，可以进一步提高缓存的命中率，降低数据库的压力。

在互联网软件开发领域，缓存穿透问题一直是影响系统性能和稳定性的关键因素之一。通过引入布隆过滤器，我们为解决这一问题提供了一种高效、可靠的方案。布隆过滤器凭借其独特的空间效率和快速的查询性能，能够在 Redis 中有效地拦截针对不存在数据的查询请求，大大减轻数据库的负担，提升系统的整体性能。

然而，技术的发展永无止境。随着业务规模的不断扩大和数据量的持续增长，未来我们可能会面临更加复杂的缓存穿透场景和更高的性能要求。这就需要我们不断探索和创新，进一步优化布隆过滤器的使用，如研究更加智能的参数动态调整算法，以适应不断变化的业务数据；探索如何将布隆过滤器与新兴的硬件技术（如新型内存技术）相结合，在提高性能的同时降低成本。同时，也期待 Redis 等相关技术能够不断演进，为开发者提供更加便捷、强大的工具和功能，共同推动互联网软件开发技术的持续进步。

希望本文能够帮助广大互联网软件开发人员深入理解 Redis 中布隆过滤器的原理和应用，在实际项目中灵活运用这一技术，有效解决缓存穿透问题，打造出更加稳定、高效的互联网应用系统。

来源：小茵论科技