芙蓉塘外有轻雷1. 布隆过滤器基础认知
第一次接触布隆过滤器(Bloom Filter)是在处理海量用户签到数据时。当时我们的Redis内存以每天2GB的速度增长，急需一种既能快速判断用户是否签到、又不会耗尽内存的方案。传统方案用字符串存储每个用户的签到状态，1000万用户就需要约120MB内存，而改用布隆过滤器后仅需3.6MB——这就是概率型数据结构的魔力。
布隆过滤器本质上是一个二进制向量+多个哈希函数组成的联合判断系统。它的精妙之处在于用固定大小的空间存储任意数量元素的"可能存在"状态。当客户端查询某个元素时，可能出现三种情况：
- 绝对不存在（100%准确）
- 可能存在（存在误判概率）
- 一定存在（传统布隆过滤器无法保证）
这种特性特别适合解决缓存穿透问题。去年我们系统遭遇恶意攻击，攻击者用随机生成的用户ID发起请求，导致大量请求直接穿透Redis打到数据库。引入布隆过滤器后，先用极小的内存代价过滤掉99.9%的不存在请求，数据库负载立即下降了83%。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. Redis中的布隆过滤器实现
2.1 Redis Module实现方式
Redis从4.0版本开始通过module支持布隆过滤器，实际部署时我更推荐使用RedisBloom这个官方维护的模块。在Ubuntu服务器上安装只需三步：
bash复制wget https://github.com/RedisBloom/RedisBloom/archive/v2.2.14.tar.gz
tar -xzvf v2.2.14.tar.gz
cd RedisBloom-2.2.14 && make
然后在redis.conf中添加：
code复制loadmodule /path/to/redisbloom.so
重启Redis后就能使用BF.ADD、BF.EXISTS等命令。我做过基准测试：在16核机器上，布隆过滤器每秒可处理12万次查询，而内存占用只有等效Hash结构的1/30。
2.2 参数配置黄金法则
创建布隆过滤器时的两个关键参数需要特别注意：
bash复制BF.RESERVE myFilter 0.001 1000000
- 错误率0.001：表示每1000次查询允许1次误判
- 容量100万：预计存储100万元素
实际使用中我发现三个经验