前言

okok 我們已經學完了 所有的redis中的常用的數據結構 下面就是進階
我會用一系列的例子 去講解 如何使用這些數據結構 以及 如何結合到我們的實際業務代碼中去

本文將會介紹布隆過濾器 以及結合緩存的最佳實踐

什么是布隆過濾器

Bloom過濾器是一種空間高效的概率性數據結構，用于快速判斷一個元素是否可能存在于一個集合中。

基本組成：

位數組(Bit Array): 長度為m的二進制數組，初始全為0
哈希函數集合: k個獨立的哈希函數 h?, h?, …, h?
元素集合: 需要存儲的數據集合

工作流程分析：

插入操作 (Add)

1. 對元素x計算k個哈希值: h?(x), h?(x), …, h?(x)
2. 將位數組中對應位置設為1:
   bit[h?(x) % m] = 1
   bit[h?(x) % m] = 1
   bit[h?(x) % m] = 1 …

查詢操作 (Query)

1. 對元素x計算k個哈希值: h?(x), h?(x), …, h?(x)
2. 檢查位數組中對應位置: if bit[h?(x) % m] == 1 AND
   bit[h?(x) % m] == 1 AND
   … AND
   bit[h?(x) % m] == 1:
   return “可能存在” else:
   return “一定不存在”

怎么簡單去理解

就是有 n個 Hash表 每次插入數據 首先hash(數據) 到這 N 個 hash表 每個位置設置為1
然后查詢的時候
再次使用相同的hash函數去hash(數據) 到這 N 個 hash表 檢查每個位置是否為1
若為1 則可能存在通過校驗 （疑問 為什么是可能存在呢？)
若存在某一位為0 則一定不存在 （疑問 為什么是一定不存在呢？)

怎么理解：可能存在

因為存在hash沖突啊 還有可能另外的數據也把當前位置 修改成了1 所以是可能而不是一定

怎么理解：一定不存在
你想想 當前受檢的hash位置 都是0 說明根本就沒有插入過這個數據 如果插入過 則一定會把這一位 置為1 但是為0 說明這個元素沒有插入過當前的布隆過濾器

項目中引入布隆過濾器

依賴：

        <dependency><groupId>org.redisson</groupId><artifactId>redisson</artifactId><version>3.50.0</version></dependency>

配置類：

@Configuration
public class RedissonConfig {@Beanpublic RedissonClient redissonClient() {Config config = new Config();// 如果你是單機模式config.useSingleServer().setAddress("redis://127.0.0.1:6379");return Redisson.create(config);}
}

@Service
@RequiredArgsConstructor
public class RedisBloomFilterService {private final RedissonClient redissonClient;public void initBloomFilter(String name, long expectedInsertions, double falseProbability) {RBloomFilter<String> bloomFilter = redissonClient.getBloomFilter(name);// 初始化：預估元素數量 + 期望誤判率（如 0.01）bloomFilter.tryInit(expectedInsertions, falseProbability);}public void add(String name, String value) {RBloomFilter<String> bloomFilter = redissonClient.getBloomFilter(name);bloomFilter.add(value);}public boolean mightContain(String name, String value) {RBloomFilter<String> bloomFilter = redissonClient.getBloomFilter(name);return bloomFilter.contains(value);}
}

測試類

@SpringBootTest
class RedisBloomFilterServiceTest {@Autowiredprivate RedisBloomFilterService bloomFilterService;@Testvoid testBloomFilter() {String filterName = "user:bloom";// 初始化：10 萬數據，誤判率 1%bloomFilterService.initBloomFilter(filterName, 100_000, 0.01);bloomFilterService.add(filterName, "user_1001");bloomFilterService.add(filterName, "user_1002");assert bloomFilterService.mightContain(filterName, "user_1001"); // trueassert !bloomFilterService.mightContain(filterName, "user_9999"); // very likely false}
}

與緩存結合的最佳實踐

三級防護體系
請求 → Bloom過濾器 → 本地緩存 → Redis緩存 → 數據庫↓              ↓           ↓            ↓攔截99%無效請求   熱點數據    分布式緩存    最終數據源

@Service
public class MultiLevelCacheService {private BloomFilter<String> bloomFilter;      // L0: 布隆過濾器private Cache<String, Object> localCache;     // L1: 本地緩存private RedisTemplate redisTemplate;          // L2: Redis緩存private Database database;                    // L3: 數據庫public Object getData(String key) {// L0: Bloom過濾器檢查if (!bloomFilter.mightContain(key)) {return null; // 一定不存在}// L1: 本地緩存檢查Object data = localCache.getIfPresent(key);if (data != null) {return data;}// L2: Redis緩存檢查data = redisTemplate.opsForValue().get(key);if (data != null) {localCache.put(key, data); // 回填本地緩存return data;}// L3: 數據庫查詢data = database.findById(key);if (data != null) {redisTemplate.opsForValue().set(key, data, Duration.ofMinutes(30));localCache.put(key, data);} else {// 設置空值緩存，防止緩存穿透redisTemplate.opsForValue().set(key, "NULL", Duration.ofMinutes(5));}return data;}
}

場景：高并發用戶訪問商品詳情頁（防止緩存穿透）

用戶通過 /product/{id} 請求商品詳情；

正常流程：Redis 緩存命中 → 返回數據；

若 Redis 未命中，就查 DB → 然后寫入 Redis；

問題：惡意請求 / 錯誤 id 請求不斷打穿緩存，導致 DB 被打爆，這就是「緩存穿透」。

如何解決這個問題 需要使用布隆過濾器

1. 用戶請求商品 /product/99999
2. 系統先檢查 BloomFilter.contains(“99999”)： → false → 直接拒絕，無需查緩存/數據庫 → true → 正常查 Redis 緩存，未命中則查數據庫

loomFilter 初始化（商品上線時構建）

@PostConstruct
public void initBloomFilter() {RBloomFilter<String> bloomFilter = redissonClient.getBloomFilter("bloom:product");bloomFilter.tryInit(1_000_000L, 0.01); // 容量：100w，誤判率：1%// 假設所有商品ID：1~1000000for (int i = 1; i <= 1000000; i++) {bloomFilter.add(String.valueOf(i));}
}

Controller 攔截請求：

@GetMapping("/product/{id}")
public ResponseEntity<?> getProduct(@PathVariable String id) {RBloomFilter<String> bloomFilter = redissonClient.getBloomFilter("bloom:product");if (!bloomFilter.contains(id)) {return ResponseEntity.status(HttpStatus.NOT_FOUND).body("非法商品ID，拒絕訪問");}// 查詢緩存String redisKey = "product:" + id;Object product = redisTemplate.opsForValue().get(redisKey);if (product != null) return ResponseEntity.ok(product);// 查詢數據庫（模擬）Product result = productService.queryById(id);if (result != null) {redisTemplate.opsForValue().set(redisKey, result, Duration.ofMinutes(30));return ResponseEntity.ok(result);} else {// 緩存空對象防止緩存穿透redisTemplate.opsForValue().set(redisKey, "NULL", Duration.ofMinutes(10));return ResponseEntity.status(HttpStatus.NOT_FOUND).body("商品不存在");}
}

測試代碼

@Test
public void testBloomFilterConcurrency() throws InterruptedException {ExecutorService executor = Executors.newFixedThreadPool(20);for (int i = 0; i < 1000; i++) {final int id = i;executor.submit(() -> {String fakeId = String.valueOf(id);boolean mayExist = redissonClient.getBloomFilter("bloom:product").contains(fakeId);if (mayExist) {System.out.println("合法ID：" + fakeId + " → 繼續查緩存/DB");} else {System.out.println("非法ID：" + fakeId + " → 攔截");}});}executor.shutdown();executor.awaitTermination(1, TimeUnit.MINUTES);
}

總結：

布隆過濾器 快速判斷一個元素是否可能存在于一個集合中