對redis了解比價淺，有錯誤之處請批評指正。
場景：某服務查詢余額功能，根據用戶id查詢余額，如果該用戶在緩存中有余額，則直接返回緩存數據，如果沒有，則去數據庫查詢后返回並放入緩存；
黑客采用ddos攻擊對網站進行飽和攻擊，用uuid生成用戶賬號進行查詢，由於隨機的uuid不是系統用戶，也就在緩存中無數據，導致每次查詢都是訪問數據庫，直接占用了所有數據庫連接；uuid不斷變化，無法進行固定攔截；如果將系統用戶全部取出進行比對，這個思路，我能想到的就是hashmap了，但hashmap默認加載因子是0.75，加上其數據所占的長度，空間利用率並不高，又因為數據量較大，會有查找較慢的問題；
那有沒有什么辦法既占內存少，速度又快呢？有，bloom過濾器！
什么是Bloom Filter
參照：
概括來說，就是一個數組跟一組函數，數組的長度跟函數的多少都要跟誤判率一起經過算法確認，然后：
1、先讓符合條件的數據進行填充，每條數據會被映射到數組的多個不同位置，將這些位置的數字由0改為1；
2、多次重復后，該數組某些地方為1，某些地方為0；
3、對於需要過濾的數據，用mightContain方法進行判斷，如果該數據所映射到數組上的所有點均為1，則通過驗證，否則不通過。
PS:Bloom Filter可以手動設置誤判率，
誤判率必須大於0；
-------------------------------------------------------------------
Bloom Filter的實現，偉大的Google已經為我們准備好了，
guava18以上版本包含此過濾器。
<dependency> <groupId>com.google.guava</groupId> <artifactId>guava</artifactId> <version>19.0</version> </dependency>
Bloom Filter測試代碼：
@Test
public void bloomTest(){
final int num = 100000;
//初始化一個存儲string數據的bloom過濾器，初始化大小10w
BloomFilter<String> bf = BloomFilter.create(Funnels.stringFunnel(Charsets.UTF_8),num,0.001);
Set<String> sets = new HashSet<>(num);
List<String> lists = new ArrayList<String>(num);
//向3個容器初始化10w隨機唯一字符串
for(int i=0;i<num;i++){
String uuid = UUID.randomUUID().toString();
bf.put(uuid);
sets.add(uuid);
lists.add(uuid);
}
int wrong = 0;
int right = 0;
for(int i=0;i<10000;i++){
String test = i%100 == 0? lists.get(i/100):UUID.randomUUID().toString();
if(bf.mightContain(test)){
if(sets.contains(test)){
right ++;
}else{
wrong ++;
}
}
}
System.out.println("=============right================"+right);
System.out.println("=============wrong================"+wrong);
}
輸出結果：
=============right================100
=============wrong================276
多運行幾次，wrong的值大概在300左右變化，right一直為100。原因是對於的確在其中的數據，由於過濾器初始化的時候就采用的這些數據，所以對應的位置必定全部為1，不會誤判；但對於新數據，不一定全部不是1，所以存在誤判率；而誤判率默認為3%，因此，1w條數據誤判大概為300。我們調整誤判率，代碼改為：
BloomFilter<String> bf = BloomFilter.create(Funnels.stringFunnel(Charsets.UTF_8),num,0.001);
會發現wrong的數值在10上下波動，因為1w的千分之一正好是10。
-------------------------------------------------------------------
以下我們使用Bloom Filter攔截非法請求：
測試代碼，模擬2000請求同時訪問：
int num = 2000; //倒數計數器 CountDownLatch cdl = new CountDownLatch(num);
@Test
public void testConcurrent() throws InterruptedException {
System.out.println("執行開始啦");
long start = System.currentTimeMillis();
//真實數據
List<String> unames = dbService.getAllUsers();
for(int i=0;i<num;i++){
String username = null;
if(i%50==0){
username = unames.get((int)(Math.random()*unames.size()));
}else{
username = UUID.randomUUID().toString();
}
Thread t = new MyThread(username);
t.start();
cdl.countDown();
}
Thread.sleep(10000);
}
MyThread代碼：
private class MyThread extends Thread{
private String name;
public MyThread(String name){
this.name = name;
}
@Override
public void run() {
try {
cdl.await();
} catch (InterruptedException e) {
e.printStackTrace();
}
dbService.getSumScore(name);
}
}
dbService.getSumScore(name)的代碼如下：
//獲取總成績
public int getSumScore(String uname){
//不在用戶列表，直接返回
if(!bloomFilter.mightContain(uname)){
System.out.println("================不在列表，直接返回=======================");
return 0;
}
//可能在用戶列表，進行正常數據查詢
int sumscore = 0;
ValueOperations<String, String> operations = redisTemplate.opsForValue();
String result = operations.get("uname");
if(result != null){//緩存已有數據
int order = count.incrementAndGet();
System.out.println(uname+"================獲取數據來源：redis======================="+order);
return Integer.valueOf(result);
}else{//緩存無數據
Map m = jdbcTemplate.queryForMap("select sum(score) as sumscore from student where name=?",new Object[]{uname});
if(m != null){
int order = count.incrementAndGet();
System.out.println(uname+"================獲取數據來源：database======================="+order);
if(null!=(m.get("sumscore"))){
sumscore = Integer.valueOf(m.get("sumscore")+"");
operations.set(uname,sumscore+"",1);
}
}
return sumscore;
}
}
當然，在service中過濾器是需要初始化的，初始化代碼如下：
@PostConstruct
private void init(){
List<String> users = this.getAllUsers();
bloomFilter = BloomFilter.create(Funnels.stringFunnel(Charsets.UTF_8),users.size(),0.001);
for(String str:users){
bloomFilter.put(str);
}
}
輸出結果：
可以看到，大部分的請求都被攔截了。在生產系統中，如果將此功能提出，在訪問我們的服務之前先預先對請求進行過濾，那么對於我們的某些接口便能提供很好的保護，有效降低系統被攻擊所承受的壓力。而且此方法對數據庫跟緩存依賴非常小，不用擔心對生產系統造成的破壞。