一、缓存雪崩
我们可以简单的理解为：由于缓存失效，新缓存未到时间
假设：我们设置缓存时间的时候采用的相同的的过期时间，在同一时刻大面积缓存过期！本来要访问缓存的请求全部打在DB上面了，对DB造成了很大的压力，可能严重的会导致DB的宕机，然后导致一系列的连锁反应，造成系统的崩溃
解决办法： 一般设计者都是考虑用的加锁，当前也是用的比较多的解决方案，或者是用的队列的方式保证不会有大量的线程对数据库一次性进行读写，从而避免失效的时候大量的请求落在DB上。还有一个简单的方案就是将缓存失效的时间分散开
二、缓存穿透
缓存穿透是指用户查询数据的时候，在数据库中没有查到，自然缓存也就没有。这样就导致用户查询的时候在缓存中找不到，每次都要去数据库中在查询一遍，然后再返回空（相当于多次的无用查询）这样请求就直接绕过缓存直接查询数据库，这是我们经常说到的缓存命中的问题。 我们可以简单的理解为系统中没有该数据
解决办法：
1、目前最常见的则是布隆过滤器，将所有可能存在的数据哈希到一个足够大的bitmap中一个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、在介绍一个更简单粗暴的方式：如果一个查询返回的数据为空（不管是数据不存在，还是系统故障），我们仍然把这个空结果进行缓存，但它的过期时间会很短，最长不超过五分钟。通过这个直接设置的默认值存放到缓存，这样第二次到缓冲中获取就有值了，而不会继续访问数据库，这种办法最简单粗暴
Bitmap和布隆过滤器(Bloom Filter)
Bitmap：典型的就是哈希表
缺点：Bitmap对于每个元素只能记录1 Bit信息，如果还想完成额外的功能，恐怕只能靠牺牲更多的空间、时间来完成了
布隆过滤器（推荐）
1、就是引入了k(k>1)k(k>1)个相互独立的哈希函数，保证在给定的空间、误判率下，完成元素判重的过程。它的优点是空间效率和查询时间都远远超过一般的算法，缺点是有一定的误识别率和删除困难。
2、Bloom-Filter算法的核心思想就是利用多个不同的Hash函数来解决“冲突”。Hash存在一个冲突（碰撞）的问题，用同一个Hash得到的两个URL的值有可能相同。为了减少冲突，
3、我们可以多引入几个Hash，如果通过其中的一个Hash值我们得出某元素不在集合中，那么该元素肯定不在集合中。只有在所有的Hash函数告诉我们该元素在集合中时，才能确定该元素存在于集合中。这其实就是Bloom-Filter的基本思想。
Bloom-Filter一般用于在大数据量的集合中判定某元素是否存在
三、缓存预热
缓存预热这个应该是一个比较常见的概念，相信很多小伙伴都应该可以很容易的理解，缓存预热就是系统上线后，将相关的缓存数据直接加载到缓存系统。这样就可以避免在用户请求的时候，先查询数据库，然后再将数据缓存的问题！用户直接查询事先被预热的缓存数据！
解决思路：
1、直接写个缓存刷新页面，上线时手工操作下；
2、数据量不大，可以在项目启动的时候自动进行加载；
3、定时刷新缓存
四、缓存更新
除了缓存服务器自带的缓存失效策略之外（Redis默认的有6中策略可供选择），我们还可以根据具体的业务需求进行自定义的缓存淘汰，常见的两种策略：
1、定时去清理过期的缓存；
2、当有用户请求过来时，再判断这个请求所用到的缓存是否过期，过期的话就去底层系统得到新数据并更新缓存。两者各有优劣，第一种的缺点是维护大量缓存的key是比较麻烦的，第二种的缺点就是每次用户请求过来都要判断缓存失效，逻辑相对比较复杂！具体用哪种方案，大家可以根据自己的应用场景来权衡
五、缓存降级
当访问量剧增、服务出现问题（如响应时间慢或不响应）或非核心服务影响到核心流程的性能时，仍然需要保证服务还是可用的，即使是有损服务。系统可以根据一些关键数据进行自动降级，也可以配置开关实现人工降级。降级的最终目的是保证核心服务可用，即使是有损的。而且有些服务是无法降级的（如加入购物车、结算）。
以参考日志级别设置预案：
一般：比如有些服务偶尔因为网络抖动或者服务正在上线而超时，可以自动降级；
警告：有些服务在一段时间内成功率有波动（如在95~100%之间），可以自动降级或人工降级，并发送告警；
错误：比如可用率低于90%，或者数据库连接池被打爆了，或者访问量突然猛增到系统能承受的最大阀值，此时可以根据情况自动降级或者人工降级；
严重错误：比如因为特殊原因数据错误了，此时需要紧急人工降级。服务降级的目的，是为了防止Redis服务故障，导致数据库跟着一起发生 雪崩问题。因此，对于不重要的缓存数据，可以采取服务降级策略，例如一个比较常见的做法就是，Redis出现问题，不去数据库查询，而是直接返回默认值给用户
