缓存穿透
去缓存层没有命中数据，进而去mysql中查询数据。
低频的缓存穿透是无法并避免的，我们需要尽量避免高频的数据。
解决办法
1） 存储null值
将查询的结果为null的键存入redis中，这样下次找个键再来的时候就不用走mysql了，直接从redis返回。
问题:
- 若后期该键结果被其他线程所修改，可能会造成数据不一致的问题
- 若黑客采用UUID等形式不断地访问，不断无法抵抗缓存击穿问题，而且会在redis中生成大量null值的键，当内存不足，Redis启动LRU，LFU等置换策略，会替换掉原本正常的缓存，从而加剧问题。
2） 布隆过滤器
通过一定的错误率换取空间。通过bit数组来标识数据。映射一个值到布隆过滤器中，使用多个不同的哈希函数生成多个哈希值，并对每个生成的哈希值指向的 bit 位置 1。由于存在hash碰撞，所以导致可能误判。
降低错误率的途径：
- 增加数组的长度
但是会造成空间增大 - 增加Hash函数的个数
若太多，那么数组将会很快填满，所以个数不是越多越好，需要参考数组的长度
Hash错误率：
若数据存在，那么实际可能不存在（发生hash碰撞）
若数据不存在，那么一定不存在（没标记过）
但是当删除数据时，可能会有问题，不能轻易的删除，这时可以考虑采用二维数组，没标1位进行计数，当计数位0是将该位置0。
缓存雪崩
缓存层中缓存的数据，再某一个时刻突然失效（无法访问）导致大量的请求打向mysql数据库。
产生原因:
- redis中缓存的数据有效性一直导致的
解决：给每条数据加上一个随机有效期（不要突然同时失效） - redis数据库挂掉了
解决：分布式缓存
缓存击穿
一个存在的key，在缓存过期的一刻，同时有大量的请求，这些请求都会击穿到DB，造成瞬时DB请求量大、压力骤增。
解决：
使用分布式锁来解决
- 基于mysql实现
容易出现死锁，且效率不高 - 基于zookeeper实现
- 基于redis实现
Redis集群的Hash一致性算法
一致性Hash算法将整个Hash值控件组织成一个虚拟的圆环，对 取模。
将各个服务器使用Hash进行一个哈希，具体可以选择服务器的IP或主机名作为关键字进行哈希，这样每台机器就能确定其在哈希环上的位置，这里假设将上文中四台服务器使用IP地址哈希后在环空间的位置如下：
将数据key使用相同的函数Hash计算出哈希值，并确定此数据在环上的位置，从此位置沿环顺时针“行走”，第一台遇到的服务器就是其应该定位到的服务器！
现假设Node C不幸宕机，可以看到此时对象A、B、D不会受到影响，只有C对象被重定位到Node D。一般的，在一致性Hash算法中，如果一台服务器不可用，则受影响的数据仅仅是此服务器到其环空间中前一台服务器（即沿着逆时针方向行走遇到的第一台服务器，如下图中NodeC与NodeB之间的数据，图中受影响的是ObjectC）之间数据，其它不会受到影响。
如果在系统中增加一台服务器Node X，如下图所示：
此时对象Object A、B、D不受影响，只有对象C需要重定位到新的Node X ！一般的，在一致性Hash算法中，如果增加一台服务器，则受影响的数据仅仅是新服务器到其环空间中前一台服务器（即沿着逆时针方向行走遇到的第一台服务器）之间数据，其它数据也不会受到影响。
问题：
容易发生数据倾斜
解决：
一致性Hash算法引入了虚拟节点机制，即对每一个服务节点计算多个哈希，每个计算结果位置都放置一个此服务节点，称为虚拟节点。具体做法可以在服务器IP或主机名的后面增加编号来实现。
例如上面的情况，可以为每台服务器计算三个虚拟节点，于是可以分别计算 “Node A#1”、“Node A#2”、“Node A#3”、“Node B#1”、“Node B#2”、“Node B#3”的哈希值，于是形成六个虚拟节点：
同时数据定位算法不变，只是多了一步虚拟节点到实际节点的映射，例如定位到“Node A#1”、“Node A#2”、“Node A#3”三个虚拟节点的数据均定位到Node A上。这样就解决了服务节点少时数据倾斜的问题。在实际应用中，通常将虚拟节点数设置为32甚至更大，因此即使很少的服务节点也能做到相对均匀的数据分布，通俗点的原理如下图所示：
由于虚拟节点V1、V2映射到了真实节点N1，当数据object1确定到Hash环上的位置并找到虚拟节点V2的时候，其真实位置则是位于真实节点N1上。
参考文章：
https://blog.csdn.net/wlccomeon/article/details/86553831
