缓存淘汰算法-LRU

最新推荐文章于 2021-02-23 14:40:44 发布

chouliao3302

最新推荐文章于 2021-02-23 14:40:44 发布

阅读量155

点赞数

文章标签：数据结构与算法数据库 java

原文链接：https://my.oschina.net/u/3768287/blog/2906895

版权

一、LRU

1.1 原理

LRU（Least recently used，最近最少使用）算法根据数据的历史访问记录来进行淘汰数据，其核心思想是“如果数据最近被访问过，那么将来被访问的几率也更高”。——访问时间

1.2. 实现

最常见的实现是使用一个链表保存缓存数据，详细算法实现如下：

(1).  新数据插入到链表头部；

(2).  每当缓存命中（即缓存数据被访问），则将数据移到链表头部；

(3).  当链表满的时候，将链表尾部的数据丢弃。

1.3. 分析

【命中率】
当存在热点数据时，LRU的效率很好，但偶发性的、周期性的批量操作会导致LRU命中率急剧下降，缓存污染情况比较严重。

【复杂度】
实现简单。

【代价】
命中时需要遍历链表，找到命中的数据块索引，然后需要将数据移到头部。

1.4 JAVA代码实现

1.4.1 LinkedHashMap实现(继承方式)

public class LRUCache<K, V> extends LinkedHashMap<K, V> {
    //最大缓存大小
    private final int MAX_CACHE_SIZE;

    /**
     * 构造函数，当参数accessOrder为true时，即会按照访问顺序排序，最近访问的放在最前，最早访问的放在后面
     * @param cacheSize
     */
    public LRUCache(int cacheSize) {
        super((int) Math.ceil(cacheSize / 0.75) + 1, 0.75f, true);
        MAX_CACHE_SIZE = cacheSize;
    }

    /**
     * LinkedHashMap自带的判断是否删除最老的元素方法，默认返回false，即不删除老数据
     * 判断当缓存大小超过最大缓存大小时返回true
     */
    @Override
    protected boolean removeEldestEntry(Map.Entry<K, V> eldest) {
        return size() > MAX_CACHE_SIZE;
    }

    /**
     * 测试
     */
    public static void main(String[] args) {
        LRUCache lruCache = new LRUCache(8);
        for (int i = 0; i < 10; i++) {
            lruCache.put(i, i);
            System.out.println(lruCache);
        }
    }
}

1.4.2 LinkedHashMap实现(关联方式)

/**
 * 使用关联方式实现，由于没有继承map接口，需要自己实现同步接口
 */
public class LRUCache<K, V> {
    //最大缓存大小
    private final int MAX_CACHE_SIZE;
    //默认加载因子
    private final float DEFAULT_LOAD_FACTOR = 0.75f;

    private LinkedHashMap<K, V> map;

    /**
     * 构造函数
     */
    public LRUCache(int cacheSize) {
        MAX_CACHE_SIZE = cacheSize;
        //根据cacheSize和加载因子计算hashmap的capactiy，+1确保当达到cacheSize上限时不会触发hashmap的扩容，
        int capacity = (int) Math.ceil(MAX_CACHE_SIZE / DEFAULT_LOAD_FACTOR) + 1;
        map = new LinkedHashMap(capacity, DEFAULT_LOAD_FACTOR, true) {
            @Override
            protected boolean removeEldestEntry(Map.Entry eldest) {
                return size() > MAX_CACHE_SIZE;
            }
        };
    }

    public synchronized int size() {
        return map.size();
    }

    public synchronized void put(K key, V value) {
        map.put(key, value);
    }
}

1.4.3 链表+HashMap实现

/**
 * 使用链表+HashMap实现，非线程安全，需要自己实现同步接口
 */
public class LRUCache<K, V> {
    //最大缓存大小
    private final int MAX_CACHE_SIZE;
    private Entry first;
    private Entry last;

    private HashMap<K, Entry<K, V>> hashMap;

    /**
     * 构造函数
     */
    public LRUCache(int cacheSize) {
        MAX_CACHE_SIZE = cacheSize;
        hashMap = new HashMap<>();
    }

    /**
     * 移除最后的结点
     */
    private void removeLast() {
        if (last != null) {
            last = last.pre;
            if (last == null) first = null;
            else last.next = null;
        }
    }

    /**
     * 把结点移到头结点
     */
    private void moveToFirst(Entry entry) {
        if (entry == first) return;
        if (entry.pre != null) entry.pre.next = entry.next;
        if (entry.next != null) entry.next.pre = entry.pre;
        if (entry == last) last = last.pre;

        if (first == null || last == null) {
            first = last = entry;
            return;
        }

        entry.next = first;
        first.pre = entry;
        first = entry;
        entry.pre = null;
    }

    public void put(K key, V value) {
        Entry entry = getEntry(key);
        if (entry == null) {
            if (hashMap.size() >= MAX_CACHE_SIZE) {
                hashMap.remove(last.key);
                removeLast();
            }
            entry = new Entry();
            entry.key = key;
        }
        entry.value = value;
        moveToFirst(entry);
        hashMap.put(key, entry);
    }

    private Entry<K, V> getEntry(K key) {
        return hashMap.get(key);
    }

    public V get(K key) {
        Entry<K, V> entry = getEntry(key);
        if (entry == null) return null;
        moveToFirst(entry);
        return entry.value;
    }

    public void remove(K key) {
        Entry entry = getEntry(key);
        if (entry != null) {
            if (entry.pre != null) entry.pre.next = entry.next;
            if (entry.next != null) entry.next.pre = entry.pre;
            if (entry == first) first = entry.next;
            if (entry == last) last = entry.pre;
        }
        hashMap.remove(key);
    }

    class Entry<K, V> {
        public Entry pre;
        public Entry next;
        public K key;
        public V value;
    }

    @Override
    public String toString() {
        StringBuilder sb = new StringBuilder();
        Entry entry = first;
        while (entry != null) {
            sb.append(String.format("%s:%s ", entry.key, entry.value));
            entry = entry.next;
        }
        return sb.toString();
    }

    public static void main(String[] args) {
        LRUCache lruCache = new LRUCache(8);
        for (int i = 0; i < 10; i++) {
            lruCache.put(i, i);
            System.out.println(lruCache);
        }
    }
}

二、LRU-K

2.1. 原理

LRU-K中的K代表最近使用的次数，因此LRU可以认为是LRU-1。LRU-K的主要目的是为了解决LRU算法“缓存污染”的问题，其核心思想是将“最近使用过1次”的判断标准扩展为“最近使用过K次”。

2.2. 实现

相比LRU，LRU-K需要多维护一个队列，用于记录所有缓存数据被访问的历史。只有当数据的访问次数达到K次的时候，才将数据放入缓存。当需要淘汰数据时，LRU-K会淘汰第K次访问时间距当前时间最大的数据。详细实现如下

数据第一次被访问，加入到访问历史列表（简称记录表）；在记录表中对应的K单元中设置最后访问时间=new()，且设置访问次数为1；
如果数据在访问历史列表里后没有达到K次访问，则访问次数+1；
当访问历史队列中的数据访问次数达到K次后，将数据索引从历史队列删除，将数据移到缓存队列中，并缓存此数据，缓存队列重新按照时间排序；
缓存数据队列中被再次访问后，重新排序；
需要淘汰数据时，淘汰缓存队列中排在末尾的数据，即：淘汰“倒数第K次访问离现在最久”的数据。

LRU-K具有LRU的优点，同时能够避免LRU的缺点，实际应用中LRU-2是综合各种因素后最优的选择，LRU-3或者更大的K值命中率会高，但适应性差，需要大量的数据访问才能将历史访问记录清除掉。 `

2.3. 分析

【命中率】 LRU-K降低了“缓存污染”带来的问题，命中率比LRU要高。

【复杂度】 LRU-K队列是一个优先级队列，算法复杂度和代价比较高。

【代价】 由于LRU-K还需要记录那些被访问过、但还没有放入缓存的对象，因此内存消耗会比LRU要多；当数据量很大的时候，内存消耗会比较可观。 LRU-K需要基于时间进行排序（可以需要淘汰时再排序，也可以即时排序），CPU消耗比LRU要高。

2.4 数据缓存框架实现

系统数据存储组成 数据存储使用DB+本地缓存(LocalCache)+Redis三层结构，如下图：

数据查询流程 先从本地缓存取，本地缓存没有从redis取(同时更新本地缓存)，redis没有从DB取(同时更新Redis)。具体步骤如下图:

1）先计算该数据获取总次数

2）未达到K访问记录时直接从redis取数据

3）达到K次访问记录时，从本地缓存取，本地缓存不存在时从redis获取数据(同时放入本地缓存中)

三、Two queues（2Q）

3.1. 原理

Two queues（以下使用2Q代替）算法类似于LRU-2，不同点在于2Q将LRU-2算法中的访问历史队列（注意这不是缓存数据的）改为一个FIFO缓存队列，即：2Q算法有两个缓存队列，一个是FIFO队列，一个是LRU队列。

3.2. 实现

当数据第一次访问时，2Q算法将数据缓存在FIFO队列里面，当数据第二次被访问时，则将数据从FIFO队列移到LRU队列里面，两个队列各自按照自己的方法淘汰数据。详细实现如下：

1. 新访问的数据插入到FIFO队列；

2. 如果数据在FIFO队列中一直没有被再次访问，则最终按照FIFO规则淘汰；

3. 如果数据在FIFO队列中被再次访问，则将数据移到LRU队列头部；

4. 如果数据在LRU队列再次被访问，则将数据移到LRU队列头部；

5. LRU队列淘汰末尾的数据。

3.3. 分析

【命中率】 2Q算法的命中率要高于LRU。

【复杂度】 需要两个队列，但两个队列本身都比较简单。

【代价】 FIFO和LRU的代价之和。

2Q算法和LRU-2算法命中率类似，内存消耗也比较接近，但对于最后缓存的数据来说，2Q会减少一次从原始存储读取数据或者计算数据的操作。

转载于:https://my.oschina.net/u/3768287/blog/2906895

chouliao3302

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
缓存淘汰算法-LRU

一、LRU1.1 原理LRU（Least recently used，最近最少使用）算法根据数据的历史访问记录来进行淘汰数据，其核心思想是“如果数据最近被访问过，那么将来被访问的几率也更高”。——访问时间1.2. 实现最常见的实现是使用一个链表保存缓存数据，详细算法实现如下：(1)...
复制链接

扫一扫