布隆过滤器在服务端缓存中的实践

本文目录#

• 使用场景
• 构建方法
• 参数选择
• 实践注意
• 自检清单
• 参考资料

使用场景#

布隆过滤器可快速判断 key 是否存在于缓存/存储，降低缓存穿透与无效请求。适合用户信息、商品库存等热数据。

构建方法#

• 使用 Guava、Caffeine 自带 BloomFilter;
• Redis BF.ADD / BF.EXISTS（RedisBloom 模块）；
• 自研实现：选取合适的 bit 数与哈希函数数目。

参数选择#

• 误判率 p，与元素数量 n；
• bit 数 m = n * ln p / (ln2)^2；
• 哈希数量 k = (m/n) * ln2；
• 可使用 BloomFilter.create(Funnels.stringFunnel(), expectedInsertions, fpp);。

实践注意#

• 误判会导致缓存命中但数据不在 DB，需设置兜底；
• 队列同步：对于新增数据需及时更新过滤器；
• 大规模场景建议基于 RedisBloom + 定期重建。

自检清单#

• 是否根据数据规模定期重新构建过滤器？
• 是否记录误判样例并调整参数？
• 是否在多集群部署时保证过滤器一致性？

参考资料#

• Bloom Filter Wikipedia：https://en.wikipedia.org/wiki/Bloom_filter
• RedisBloom 文档：https://redis.io/docs/interact/data-structures/probabilistic/bloom-filter/
• Google Guava BloomFilter 指南

---

本作品系原创，采用知识共享署名-非商业性使用-禁止演绎 4.0 国际许可协议进行许可，转载请注明出处。