7、如何管理昵称重复？

1.并发量小的情况下，可以针对昵称列加数据库字段唯一键

2、并发量大的情况下，使用布隆过滤器。

布隆过滤器（Bloom Filter）是一种高效的概率型数据结构，主要用于判断元素是否属于集合，具有空间效率高，查询速度快的特点，但存在误判率且不支持删除操作。

‌①. 核心原理‌

‌数据结构‌：由位数组（二进制向量）和多个哈希函数组成，初始所有位为0‌12。
‌插入过程‌：元素通过多个哈希函数映射到位数组的多个位置，并将对应位设为1‌34。
‌查询过程‌：若所有哈希对应位均为1，则元素可能存在于集合中；若任一为0，则元素一定不存在‌14。
‌误判原因‌：不同元素的哈希值可能碰撞，导致误判（假阳性），但不会漏判（假阴性）‌25。

‌②. 典型应用场景‌

‌缓存穿透防护‌：在Redis缓存前过滤无效请求，避免数据库压力‌34。
‌网络爬虫去重‌：标记已访问的URL，避免重复抓取‌45。
‌垃圾邮件过滤‌：快速识别黑名单中的邮件地址‌26。
‌分布式系统‌：如海量数据去重、区块链交易验证等‌5。

③. 使用示例

复制代码

import com.google.common.hash.BloomFilter;
import com.google.common.hash.Funnels;
import java.nio.charset.StandardCharsets;

public class BloomFilterExample {
    public static void main(String[] args) {
        // 初始化布隆过滤器，预计存储10万姓名，误判率0.0001
        BloomFilter<String> bloom = BloomFilter.create(
            Funnels.stringFunnel(StandardCharsets.UTF_8),
            100000,
            0.0001
        );

        // 模拟从数据库读取姓名并存入布隆过滤器
        String[] names = {"张三", "李四", "王五", "赵六", "陈七"};
        for (String name : names) {
            bloom.put(name);
        }

        // 查询示例
        String queryName = "张三";
        if (bloom.mightContain(queryName)) {
            System.out.println(queryName + " 可能在数据库中");
        } else {
            System.out.println(queryName + " 一定不在数据库中");
        }

        queryName = "未知名字";
        if (bloom.mightContain(queryName)) {
            System.out.println(queryName + " 可能在数据库中");
        } else {
            System.out.println(queryName + " 一定不在数据库中");
        }
    }
}

1、缓存穿透：查询缓存和数据库都不存在的数据，缓存没有，数据库也没有

2、缓存击穿：缓存中数据的key过期了，这时候所有请求都到数据库查询，瞬时大量请求击穿数据库

3、缓存雪崩：缓存雪崩通常是发生在大量key同一时间失效，大量请求直接打在DB上，影响整个系统。而缓存击穿是针对某一具体的缓存key失效而言，影响相对局部。