应对缓存穿透问题，我们可以使用布隆过滤器。我们先来回顾下缓存穿透知识点哈：
一个常见的缓存使用方式：读请求来了，先查下缓存，缓存有值命中，就直接返回；缓存没命中，就去查数据库，然后把数据库的值更新到缓存，再返回。
缓存穿透：指查询一个一定不存在的数据，由于缓存是不命中时需要从数据库查询，查不到数据则不写入缓存，这将导致这个不存在的数据每次请求都要到数据库去查询，进而给数据库带来压力。
假设我们需要查产品详情，有查询请求进来，我们先根据产品 Id 直接去缓存中查一下，没有的话，再去查下数据库。如果现在有大量请求进来，而且都在请求一个不存在的产品 Id，那么这些请求都会怼到数据库，数据库压力一上来，可能就挂了。我们可以在请求数据库层前，加个中间层，去缓解数据库压力嘛，如果，不存在的话，就不去查数据库啦。
这个中间层，是不是用 HashMap 就好了呢？听起来不错嘛，HashMap 时间复杂度可以达到 O (1)，但是呢因为 HashMap 数据是在内存里面的，如果大量的数据远超出了服务器的内存呢，那就无法使用 HashMap 啦，可以使用布隆过滤器来做这个缓冲的事情。
布隆过滤是什么
布隆过滤器是一种占用空间很小的数据结构，它由一个很长的二进制向量和一组 Hash 映射函数组成，它用于检索一个元素是否在一个集合中，空间效率和查询时间都比一般的算法要好的多，缺点是有一定的误识别率和删除困难。
布隆过滤器原理是？ 假设我们有个集合 A，A 中有 n 个元素。利用 k 个哈希散列函数，将 A 中的每个元素映射到一个长度为 a 位的数组 B 中的不同位置上，这些位置上的二进制数均设置为 1。如果待检查的元素，经过这 k 个哈希散列函数的映射后，发现其 k 个位置上的二进制数全部为 1，这个元素很可能属于集合 A，反之，一定不属于集合 A。
来看个简单例子吧，假设集合 A 有 3 个元素，分别为 {d1,d2,d3}。有 1 个哈希函数，为 Hash1。现在将 A 的每个元素映射到长度为 16 位数组 B。
我们现在把 d1 映射过来，假设 Hash1（d1）= 2，我们就把数组 B 中，下标为 2 的格子改成 1，如下：
我们现在把 d2 也映射过来，假设 Hash1（d2）= 5，我们把数组 B 中，下标为 5 的格子也改成 1，如下：
接着我们把 d3 也映射过来，假设 Hash1（d3）也等于 2，它也是把下标为 2 的格子标 1：
因此，我们要确认一个元素 dn 是否在集合 A 里，我们只要算出 Hash1（dn）得到的索引下标，只要是 0，那就表示这个元素不在集合 A，如果索引下标是 1 呢？那该元素可能是 A 中的某一个元素。因为你看，d1 和 d3 得到的下标值，都可能是 1，还可能是其他别的数映射的，布隆过滤器是存在这个缺点的：会存在 hash 碰撞导致的假阳性，判断存在误差。
如何减少这种误差呢？
搞多几个哈希函数映射，降低哈希碰撞的概率
同时增加 B 数组的 bit 长度，可以增大 hash 函数生成的数据的范围，也可以降低哈希碰撞的概率
我们又增加一个 Hash2 哈希映射函数，假设 Hash2（d1）=6,Hash2（d3）=8, 它俩不就不冲突了嘛，如下：
即使存在误差，我们可以发现，布隆过滤器并没有存放完整的数据，它只是运用一系列哈希映射函数计算出位置，然后填充二进制向量。如果数量很大的话，布隆过滤器通过极少的错误率，换取了存储空间的极大节省，还是挺划算的。
目前布隆过滤器已经有相应实现的开源类库啦，如 Google 的 Guava 类库，Twitter 的 Algebird 类库，信手拈来即可，或者基于 Redis 自带的 Bitmaps 自行实现设计也是可以的。