【电商场景下缓存淘汰机制如何选择及实现？】

LRU（最近最少使用）缓存淘汰机制

核心思想：优先淘汰最久未被访问的数据
数据结构：

• 哈希表：存储键与双向链表节点的映射，实现$O(1)$查询
• 双向链表：维护数据访问时间顺序，头部为最新访问数据，尾部为最久未访问数据

操作示例：

1. 访问数据时，将对应节点移到链表头部
2. 插入新数据时：
   • 若缓存已满，删除尾部节点
   • 创建新节点插入链表头部
3. 时间复杂度：所有操作$O(1)$

数学表达：
设缓存容量为$C$，当数据量达到$C+1$时，执行淘汰操作：
$$\text{淘汰条件}\Rightarrow |\text{Cache}|>C$$

---

LFU（最不常用）缓存淘汰机制

核心思想：优先淘汰访问频率最低的数据（频率相同时淘汰最早访问）
数据结构：

• 主哈希表：存储键与节点信息的映射
• 频率哈希表：以频率为键，存储双向链表（维护同频率数据的时序）
• 最小频率变量：记录当前最低频率

操作示例：

1. 访问数据时：
   • 将节点从原频率链表移除
   • 频率+1后插入新频率链表头部
   • 更新最小频率（若原频率链表为空）
2. 插入新数据时：
   • 若缓存已满，删除最小频率链表尾部节点
   • 创建频率为1的新节点
3. 时间复杂度：所有操作$O(1)$（需精细实现）

数学表达：
设数据$d$的访问次数为$f(d)$，淘汰优先级满足：
$$\forall d_i\in \text{Cache},f(d_{\text{淘汰}})\le f(d_i)$$

---

算法流程图

对比总结

特性	LRU	LFU
淘汰维度	时间维度（最后一次访问时间）	统计维度（历史累计访问次数）
适用场景	短期热点数据	长期稳定热点数据
实现复杂度	较低（单链表+哈希表）	较高（多链表+双哈希表）
缺陷	对偶发批量访问敏感	历史高频数据可能"僵死"
时间复杂度	$O(1)$	$O(1)$（需特定实现）
典型应用	CPU缓存、浏览器缓存	CDN缓存、推荐系统

Java代码实现

LRU缓存（基于哈希表 + 双向链表）

package hh.javabasicsexample.com;

import java.util.concurrent.ConcurrentHashMap;
import java.util.concurrent.ConcurrentMap;
import java.util.concurrent.locks.ReentrantLock;

/**
 * @Author：HuangHao
 * @Package：hh.javabasicsexample.com
 * @Project：java-basics
 * @Name：LRUCache
 * @Date：2025/5/13 15:42
 * @Des：支持并发访问的LRU缓存实现、使用ConcurrentHashMap存储缓存项、使用双向链表维护访问顺序、使用分段锁提高并发性能
 */
public class LRUCache {
   
    /**
     * 双向链表节点类，存储缓存的键值对
     * 每个节点包含前驱和后继引用，形成双向链表结构
     */
    private static class DLinkedNode {
   
        String key;           // 缓存键
        String value;         // 缓存值
        DLinkedNode prev;  // 前驱节点引用
        DLinkedNode next;  // 后继节点引用

        public DLinkedNode() {
   }

        public DLinkedNode(String key, String value) {
   
            this.key = key;
            this.value = value;