Redis Bloom Filter与防穿透实践

概述在高并发场景下，大量请求查询不存在数据会造成缓存穿透与回源压力。Bloom Filter 能高效判断“可能存在”，减少无效回源。本文提供容量与误判率配置与验证方法。容量与误判率（已验证）预估容量：根据键数量与增长率估算；误判率：如 0.01–0.001；扩容策略：分片或扩展多个过滤器。实践与命令插件：`RedisBloom`；初始化：`BF.RESERVE filter 0.01 10000000`；添加与查询：`BF.ADD filter key` / `BF.EXISTS filter key`。组合策略TTL 与去重：为空值短 TTL 与去重存储；逐出与维护：定期重建过滤器以控制误判累积；示例（片段）BF.RESERVE products 0.01 10000000

BF.ADD products 123

BF.EXISTS products 456

验证与监控指标：误判率、命中率、回源比例与延迟；演练：批量查询不存在键；常见误区容量设置过小导致误判率上升；误判理解错误将其视为严格存在判断；结语以合理的容量与误判率设置、插件化初始化与维护、结合TTL与去重，并以指标与演练验证，Redis Bloom Filter 能有效降低穿透与回源压力。