一、缓存预热

概念：缓存预热就是在系统启动前，提前将相关的缓存数据加载到缓存系统。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！用户直接查询实现被预热的缓存数据！
解决方案：

二、缓存雪崩

概念：缓存雪崩可以理解为原有缓存失效，新缓存还未到期间(例如：我们设置的缓存过期时间相同，统一时间大面积的缓存过期)，所有原本应该访问缓存的请求都去查询数据库了，而对数据库和CPU和内存产生巨大压力，严重的造成宕机影响。从而造成一连锁的反应，致使整个系统崩溃。

正常缓存的获取图：

缓存失效瞬间：

解决方案：
加锁方法详解：

(1)一般并发量不是特别高的时候可以通过 加锁排队 的方式来解决高访问量问题：

//伪代码
int cacheTime = 30;                  //缓存过期时间
String cacheKey = "product";         //缓存key
String lockKey = cahceKey;
public Object getProduct(){
     String cacheValue = CacheHelper.get(cacheKey);
     if(cacheValue!=null) 
       return cacheValue;
     else{
       synchronized(lockKey){
           cacheValue = CacheHelper.get(cacheKey);
           if(cacheValue!=null)
              return cacheValue;
           else{
              //从数据库查询数据
              cacheValue = GetDataFromDB();
              //查询出的结果存入缓存
              CacheHelper.AddCacheData(cacheKey,cacheValue,cacheTime);
           }
       }
       return cacheValue;
     }
}

注意：

加锁排队的方法只是为了减轻数据库压力，没有提高系统的访问量。假设此时有1000个用户请求访问但999个请求都被阻塞了，会导致用户请求访问超时。
加锁排队的解决方式分布式环境的并发问题，有可能还要解决分布式锁的问题；线程还会被阻塞，用户体验很差！因此，在真正的高并发场景下很少使用！

(2)给每一缓存数据设置缓存标记，用于记录缓存是否失效，如果缓存标记时效则后台开启线程刷新缓存：

int cacheTime = 30;
String cacheKey = "product";
//缓存标记
String cacheSign = cacheKey + "-sign";

public Object getProduct(){
	String signValue = CacheHelper.get(cacheSign);
	String cacheValue = CacheHelper.get(cacheKey);
	if(signValue!=null)     //未过期
	    return cacheValue;
	else{
	    CacheHelper.AddCacheData(cacheSign,"1",cacheTime);
	    ThreadPool.QueueUserWorkItem((arg) -> {
	         //数据查询
	         cacheValue = GetDataFromDB();
	         //设置数据缓存过期时间为缓存标记过期时间的二倍
	         CacheHelper.AddCacheData(cacheKey,cacheValue,2 * cacheTime);
	    });
	    return cacheValue;
	}
}

注意：

缓存标记用于记录缓存数据是否过期，当缓存标记失效时需要触发其余线程到后台更新数据缓存；
缓存数据过期时间设置为缓存标记的2倍，这样能够保证当标记过期后数据仍然能用，直到线程重新从数据库获取新的缓存值进行更新。

三、缓存穿透

概念：缓存穿透是指用户查询数据，在数据库没有，自然在缓存中也不会有。这样就导致用户查询的时候，在缓存中找不到，每次都要去数据库再查询一遍，然后返回空（相当于进行了两次无用的查询）。这样请求就绕过缓存直接查数据库，这也是经常提的缓存命中率问题。
解决方案：

Bloom filter(布隆过滤器)

采用布隆过滤器，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。

我们知道Redis之所以快除了单线程避免了CPU上下文切换,采用了epoll机制,还有一个重要的问题是他的存储结构,时间复杂度是o(1),但是redis的存储空间是很珍贵的,过多的key对于redis来说是一件麻烦的事情,比如你有几亿个key,这种一股脑的丢到Redis,很不合理.Bloom Filter或许就是一种改善的解决方案,极大的减小了存储空间.布隆过滤器是一个位向量或者说是位数组。

但是对于布隆过滤器的使用一定要谨慎,Bloom过滤器比较鸡肋的地方是它存在一定的概率的误判,我们在学术上称他为假阳性,而且随着元素的增加,这种误判的机率会随着增加,但是误判的概率几乎可以忽略,影响不到,一般key不多的情况,用散列表就可以了,唯一的好处就是节省空间.目前它只支持add和isExist操作,不支持delete操作,这个理解它的原理的很容易明白,因为你删除更新那一位1,正好可能也是别的key的entry.

如果一个数据返回为空，我们仍然将这个空值进行缓存，但是将它的过期时间设置很短，这样第二次访问时缓存中就有值了，不会继续访问数据库。

int cacheTime = 30;
String cacheKey = "product";
public Object getProduct(){
    String cacheValue = CacheHelper.get(cacheKey);
    if(cacheValue == null) 
        return cacheValue;
    else{
        //查询数据库
        cacheValue = GetDataFromDB();
        if(cacheValue == null)
            cacheValue = string.Empty;   //设置为默认值也缓存起来
        CacheHelper.AddCacheData(cacheKey,cacheValue,cacheTime);
        return cacheValue;
    }
}