01、前言
我們常用緩存提升數據查詢速度，由於緩存容量有限，當緩存容量到達上限，就需要刪除部分數據挪出空間，這樣新數據才可以添加進來。緩存數據不能隨機刪除，一般情況下我們需要根據某種算法刪除緩存數據。常用淘汰算法有 LRU,LFU,FIFO,這篇文章我們聊聊 LRU 算法。
02、LRU 簡介
LRU 是 Least Recently Used 的縮寫，這種算法認為最近使用的數據是熱門數據，下一次很大概率將會再次被使用。而最近很少被使用的數據，很大概率下一次不再用到。當緩存容量的滿時候，優先淘汰最近很少使用的數據。
假設現在緩存內部數據如圖所示：
這裡我們將列表第一個節點稱為頭結點，最後一個節點為尾結點。
當調用緩存獲取 key=1 的數據，LRU 算法需要將 1 這個節點移動到頭結點，其餘節點不變，如圖所示。
然後我們插入一個 key=8 節點，此時緩存容量到達上限，所以加入之前需要先刪除數據。由於每次查詢都會將數據移動到頭結點，未被查詢的數據就將會下沉到尾部節點，尾部的數據就可以認為是最少被訪問的數據，所以刪除尾結點的數據。
然後我們直接將數據添加到頭結點。
這裡總結一下 LRU 算法具體步驟：
- 新數據直接插入到列表頭部
- 緩存數據被命中，將數據移動到列表頭部
- 緩存已滿的時候，移除列表尾部數據。
03、LRU 算法實現
上面例子中可以看到，LRU 算法需要添加頭節點，刪除尾結點。而鏈表添加節點/刪除節點時間複雜度 O(1)，非常適合當做存儲緩存數據容器。但是不能使用普通的單向鏈表，單向鏈表有幾點劣勢:
- 每次獲取任意節點數據，都需要從頭結點遍歷下去，這就導致獲取節點複雜度為 O(N)。
- 移動中間節點到頭結點，我們需要知道中間節點前一個節點的信息，單向鏈表就不得不再次遍歷獲取信息。
針對以上問題，可以結合其他數據結構解決。
使用散列表存儲節點，獲取節點的複雜度將會降低為 O(1)。節點移動問題可以在節點中再增加前驅指針，記錄上一個節點信息，這樣鏈表就從單向鏈表變成了雙向鏈表。
綜上使用雙向鏈表加散列表結合體，數據結構如圖所示:
在雙向鏈表中特意增加兩個『哨兵』節點，不用來存儲任何數據。使用哨兵節點，增加/刪除節點的時候就可以不用考慮邊界節點不存在情況，簡化編程難度，降低代碼複雜度。
LRU 算法實現代碼如下，為了簡化 key ，val 都認為 int 類型。
<code>public class LRUCache {
Entry head, tail;
int capacity;
int size;
Map<integer> cache;
public LRUCache(int capacity) {
this.capacity = capacity;
// 初始化鏈表
initLinkedList();
size = 0;
cache = new HashMap<>(capacity + 2);
}
/**
* 如果節點不存在，返回 -1.如果存在，將節點移動到頭結點，並返回節點的數據。
*
* @param key
* @return
*/
public int get(int key) {
Entry node = cache.get(key);
if (node == null) {
return -1;
}
// 存在移動節點
moveToHead(node);
return node.value;
}
/**
* 將節點加入到頭結點，如果容量已滿，將會刪除尾結點
*
* @param key
* @param value
*/
public void put(int key, int value) {
Entry node = cache.get(key);
if (node != null) {
node.value = value;
moveToHead(node);
return;
}
// 不存在。先加進去，再移除尾結點
// 此時容量已滿 刪除尾結點
if (size == capacity) {
Entry lastNode = tail.pre;
deleteNode(lastNode);
cache.remove(lastNode.key);
size--;
}
// 加入頭結點
Entry newNode = new Entry();
newNode.key = key;
newNode.value = value;
addNode(newNode);
cache.put(key, newNode);
size++;
}
private void moveToHead(Entry node) {
// 首先刪除原來節點的關係
deleteNode(node);
addNode(node);
}
private void addNode(Entry node) {
head.next.pre = node;
node.next = head.next;
node.pre = head;
head.next = node;
}
private void deleteNode(Entry node) {
node.pre.next = node.next;
node.next.pre = node.pre;
}
public static class Entry {
public Entry pre;
public Entry next;
public int key;
public int value;
public Entry(int key, int value) {
this.key = key;
this.value = value;
}
public Entry() {
}
}
private void initLinkedList() {
head = new Entry();
tail = new Entry();
head.next = tail;
tail.pre = head;
}
public static void main(String[] args) {
LRUCache cache = new LRUCache(2);
cache.put(1, 1);
cache.put(2, 2);
System.out.println(cache.get(1));
cache.put(3, 3);
System.out.println(cache.get(2));
}
}
/<integer>/<code> 04、LRU 算法分析
緩存命中率是緩存系統的非常重要指標，如果緩存系統的緩存命中率過低，將會導致查詢迴流到數據庫，導致數據庫的壓力升高。
結合以上分析 LRU 算法優缺點。
LRU 算法優勢在於算法實現難度不大，對於對於熱點數據， LRU 效率會很好。
LRU 算法劣勢在於對於偶發的批量操作，比如說批量查詢歷史數據，就有可能使緩存中熱門數據被這些歷史數據替換，造成緩存汙染，導致緩存命中率下降，減慢了正常數據查詢。
05、LRU 算法改進方案
以下方案來源與 MySQL InnoDB LRU 改進算法
將鏈表拆分成兩部分，分為熱數據區，與冷數據區，如圖所示。
改進之後算法流程將會變成下面一樣:
- 訪問數據如果位於熱數據區，與之前 LRU 算法一樣，移動到熱數據區的頭結點。
- 插入數據時，若緩存已滿，淘汰尾結點的數據。然後將數據插入冷數據區的頭結點。
- 處於冷數據區的數據每次被訪問需要做如下判斷：若該數據已在緩存中超過指定時間，比如說 1 s，則移動到熱數據區的頭結點。若該數據存在在時間小於指定的時間，則位置保持不變。
對於偶發的批量查詢，數據僅僅只會落入冷數據區，然後很快就會被淘汰出去。熱門數據區的數據將不會受到影響，這樣就解決了 LRU 算法緩存命中率下降的問題。
其他改進方法還有 LRU-K，2Q,LIRS 算法，感興趣同學可以自行查閱。
閱讀更多 科技伍小黑 的文章
