LRU

LRU称是Least Recently Used，即最近最久未使用
LRU缓存的思想

• 固定缓存大小，需要给缓存分配一个固定的大小。
• 每次读取缓存都会改变缓存的使用时间，将缓存的存在时间重新刷新。
• 需要在缓存满了后，将最近最久未使用的缓存删除，再添加最新的缓存。
  1：加入新的数据
  2：队列空间满了的时候，尾部的数据会被淘汰掉
  3：如果要访问队列中的数据，该数据会被移动到队列的头部

缺点：频繁地访问，会造成数据被访问到的几率会下降，此外，这种normal模式也叫做LRU-1，即最近使用过1次。

【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。

Java里面实现LRU缓存通常有两种选择
一种是使用LinkedHashMap，
一种是自己设计数据结构，使用双向链表+HashMap**（一般这种）**

1.LinkedHashMap是一个双向链表，加上hashTable的实现。表现出来与普通HashMap的一个区别就是LinkedHashMap会记录存入其中的数据的顺序，并能按顺取出。

2.双向链表+HashMap实现：
Q1:可以把双向链表换成数组吗：命中时需要移到头部，双向链表更快，时间复杂度更好
Q2:可以删除hashmap吗：get和put的时候需要取key值，用hashmap更好
Q3:缓存污染：批量存取：批量的数据就使用了一次，把经常查询的数据挤走了
经常使用的单个数据被挤走
Q4:解决方法：使用频率和时间复杂度LRU-K（K=2时最佳），MQ2，MQ

LRU-K：缺点需要两个链表，内存占用更多

LRU-k

1：新数据加入
2：淘汰数据（这个地方和LRU尾部淘汰是一个道理）
3：某个数据块被访问次数达到k次，每次都会重新排列缓存队列
4：根据时间进行排列
5：插入第k访问时，淘汰距离这次插入时间最久的数据，即淘汰缓存队列中时间最久的数据块

特点：LRU-K：记录被访问过的数据，记录他们的访问次数，缓存列表基于时间排列，基于时间淘汰数据块；内存消耗会比LRU-1更大

1、算法思想
　　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、工作原理
　　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

(1). 数据第一次被访问，加入到访问历史列表；
　　(2). 如果数据在访问历史列表里后没有达到K次访问，则按照一定规则（FIFO，LRU）淘汰；
　　(3). 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；
　　(4). 缓存数据队列中被再次访问后，重新排序；
　　(5). 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。
【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。

redis中LRU的实现
时钟的概念：clock
配置策略：从过去的key里随机选取几个进行判断
Redis会按LRU算法删除设置了过期时间但还没有过期的key，而对于没有设置过期时间的key，Redis是永远保留的