按范围分片数据易被穿透,因Redis unaware分片逻辑,攻击者构造越界ID(如user:9999999)导致缓存miss、DB查无结果且不写缓存,形成稳定穿透;空值缓存易致内存爆炸,布隆过滤器需配合分片边界采样与网关层参数校验+元数据兜底协同防御。

为什么按范围分片的数据特别容易被穿透
按范围分片(比如 user_id ∈ [1000, 1999] 落 shard-1,[2000, 2999] 落 shard-2)的业务,通常用 user_id 作为缓存 key 的一部分,例如 user:1234。但问题在于:分片逻辑只在数据库路由层生效,Redis 层完全不知道哪个 user_id 属于哪片——它只认 key 字符串。攻击者或异常流量只要构造一个超出所有分片边界的 user_id(如 user:9999999),Redis 就 miss,数据库查不到,又不写缓存,下一次还来,形成稳定穿透。
不能只靠空值缓存,否则内存爆炸
对每个越界 user_id 都缓存一个空值(SET user:9999999 "" EX 60),短期能挡请求,但长期会把 Redis 内存填满。尤其当攻击者用脚本遍历 user:10000000 到 user:10000999 这类“高段无效 ID”,你等于在 Redis 里主动建了 1000 个无意义 key,而真实用户数据反而被挤出 LRU。
- 空值缓存只适合已知、有限的非法值集合(比如固定几个测试 ID)
- 对“任意高位越界 ID”这种无限空间,必须前置拦截,不能等 Redis miss 后再处理
- 空值 TTL 不宜超过 5 分钟,否则误判恢复慢;但设太短(如 30 秒)又挡不住高频扫描
用布隆过滤器拦截越界范围,但得自己维护边界
布隆过滤器本身不支持范围查询,但它可以帮你把“合法 ID 区间”压缩成一个紧凑的判定结构。关键不是往过滤器里塞所有合法 user_id,而是塞所有**合法分片的上下界 + 哈希采样点**:
- 预计算所有分片区间,比如
[1-999],[1000-1999],[2000-2999]… - 对每个区间,取若干个哈希采样点(如每区间取 3 个随机 ID),把这些采样点加入布隆过滤器
- 请求来时,先查布隆过滤器:
bloom.exists("user:" + userId);如果返回false,直接拒绝,不查 Redis 也不查 DB - 注意:布隆过滤器可能有误判(
true表示“可能合法”,false表示“一定非法”),所以它只做第一道门,不替代空值缓存
这个方案要求你把分片配置中心化管理(比如存在 ZooKeeper 或 Apollo),每次新增分片,都要同步更新布隆过滤器——漏更新就会放行越界请求。
更稳的做法:在网关层做参数校验 + 分片元数据兜底
真正落地时,别把所有拦截逻辑堆在 Redis 客户端。最轻量且可靠的统一拦截点是 API 网关或 Spring Cloud Gateway:
- 网关解析请求路径或参数,提取
userId,调用本地缓存的分片元数据(如shard_meta),判断该 ID 是否落在任一分片范围内 - 若
userId 9999999(全局最大 ID),或不属于任何已注册分片,直接返回400 Bad Request - 分片元数据可定期从配置中心拉取,或监听数据库变更事件自动刷新,比布隆过滤器更容易运维
- Redis 层仍保留空值缓存兜底,但只处理“漏过网关校验”的极少数 case,不再承担主防御职责
复杂点在于分片元数据的时效性——如果业务允许动态扩分片,网关必须能秒级感知,否则新分片上线后第一批请求仍会穿透。这比单纯在 Redis 里加个过滤器,更考验整个基础设施的协同能力。


















