缓存淘汰算法之LRU

判断自己是否很大程度理解了所学的知识点，最好的方式就是按照自己的理解给别人讲解，对于我而言，用文字的形式记录，更加合适。这是费曼学习法的精髓。我以前学习知识，看完之后总是觉得自己懂了，但是实际操作的时候，却发现不知道如何下手。这也许就是所谓的“眼高手低”。 也许有人会说，给别人讲解和再操作一遍，不是很花费时间吗，还不如多花点时间去学习其他东西。我想说，多花点时间学习和理解一样东西，和只是学习每样东西，都花一点时间，带给我们的收益，是绝对不一样的。也许从当前看，好像自己花了特别多时间来学习和理解，但是从长远看，当你完全理解了知识后，以后几乎都不需要怎么回顾，就能够理解知识的核心内容。而且，古人说：“温故而知新”，当学了知识后，再去讲解出来，不就是“温故而知新”吗？所以以后学习每个觉得有意义和价值的算法时，我都将自己的学习成果记录下来！

讲了前面一堆“废话”，既是自己的反思和想法，也是给看这篇文章的人，能够带来启发和激励。
好了，废话不多说。今天的主题缓存淘汰算法之LRU。
本文会按照3个步骤来讲解 1. 目的 2.原理讲解 3.代码剖析

1. 目的

任何算法产生的背后一定是存在某种需求。对于LRU算法，同样也是存在需求。现在微博十分火爆，每天都有好多人访问和浏览，尤其是每小时更新的“新闻头条”，比如前面一段时间“某某代孕”和“某某突然当爹”事件的发生。很多群众都喜欢吃瓜，一时间一群人疯狂点击此新闻。如果按照普通的存储方式，将信息都存储在mysql数据库当中，那么数据库根本承受不足如此高强度的访问，并可能导致服务器宕机。为了应对这种情况发生，引入了内存型数据库Redis，据官方称读写速度每秒高达10万条记录，这样就可以避免高并发事件引发的事故了。但随之也出现了一个问题，热点是会不断地更新，总不能一直存在缓存当中，那么就需要按照某种规则去淘汰。redis当中有许多淘汰机制，其中就有一个缓存淘汰算法（LRU）。所以，LRU就是为了淘汰缓存中存储的数据。

2. 原理讲解

LRU全称（Least Recentey Used）。LRU淘汰缓存数据的规则就是将很久没有使用过的缓存数据删除，这句话就是LRU算法的中心思想。接下来，我们就需要分析这句话------“很久没使用过的数据”。你会想如何知道这个数据是不是很久没有使用过的数据。这也是我们要解决的重点，解决办法就是使缓存的数据满足时序性。
一般的缓存都是采用K-V键值对存储，也就是HashMap数据结构。显然HashMap结构不满足时序性。那么哪些数据结构满足“时序性”，很容易想到链表这种结构。链表就是从头到尾按照顺序添加，先添加的可以放在前面，后添加的放在后面。但是还有一个问题，从链表中找到某个元素，时间复杂度高。
HashMap访问数据快，但是存储数据不具有时序性。
LinkedList数据结构具有时序性，而且增加结构和删除节点的时间复杂度为O(1)，但是查找某个节点时间复杂高。
为了解决上述问题，于是提出了LInkedHashMap数据结构，这也是LRU中核心的数据结构，如下图所示。

上面就是通过HashMap映射到LinkedlLIst当中的节点，并使用双向链表。
我们可以假设，链表的节点从左到右越新，第一个最旧。也就是当缓存需要删除数据时，就优先删除第一个节点，因为其很久没有被使用过了。
另外，我们还需要注意几点：

• 从缓存中获取数据时，要使当前数据移到链表最右端，表示最近使用过
• 给缓存中添加数据时，考虑的情况多一点，见下图：
  
  在操作链表的过程中， 也要注意Hashmap是否需要修改。
  接下来，通过代码的形式，来实现上述所说的功能。

3. 代码剖析

阅读完以上信息，对LRU原理有了大致的了解，但是对其实现，还是懵懵懂懂。接下来，我们就来从头到尾来剖析代码。
首先声明链表中节点类：

class Node{
	 public Node pre, next;
	 public int key, val;
	 public Node(int k, int v){
	    this.key = k;
	    this.val = v;
	 }	
		
}

接下来使双向链表：

class DoubleList{
	// 头尾 虚节点（无实际意义）
	private Node head, tail;
	private int size ; // 链中存储的元素
    public DoubleList(){   // 构造器，初始化
    	head = new Node(0, 0);
    	tail = new Node(0, 0);
    	head.next = tail;
    	tail.pre = head;
    	size = 0;
    }
	//链表尾部，添加数据
	public void addLast(Node e){
		tail.pre.next = e;
		e.pre = tail.pre;
		e.next = tail;
		tail.pre = x;
		size ++;
	}
	
	//删除链表中的节点，假设此节点一定存在
	public void remove(node e){
		e.pre.next = e.next;
		e.next.pre = e.pre;
		size --;
	}

	//删除链表中的头结点， 并返回该节点
	public Node removefirst(){
		if(this.size == 0){
			return null;
		}
		Node first = head.next;
		remove(first);
		return first;
	}
}

经过前面很有必要的重复造轮子，接下来，实现LRUcache类

class LRUcache{
	private HashMap<Integer, Node> map;
	private Doublelist cache;
	private int cap; // 容量
	public LRUcache(int capcaity){  // 初始化
		map = new HashMap<Integer, Integer>();
		cache = new Doublelist(); 
		this.cap = capcaity;
	}
}

上面还只是个开始，还没有写方法。
在LRU中很重要的两个方法put() 和 get（）方法还没写。此时要注意，这两个方法都需要操作链表和hashmap，为了整体代码耦合度比较低，不让这两个方法直接操作链表和hashmap。
接下来的每个方法，都是为了完成内存淘汰所需要的操作：

    // 将某个key提升为最近使用
    public void makeRecently(int key){
        Node node = map.get(key);
        cache.remove(node);
        cache.addlast(node);
    }

上面这段代码就是为了保证，当你从缓存中使用某个数据时，使该缓存数据的使用时间为最新。

//添加最近使用的元素
	public void addRecently(int key, int val){
		Node x = new Node(key, val);
		cache.add(x);
		map.put(key, val);
	} 

以上代码是保证添加新元素时的操作

// 删除某一个key
   public void deletekey(int key){
		Node x = map.get(key);
		cache.remove(x);
		map.remove(key);
	}

注意从缓存中删除数据时，也要将map中的数据删除

	// 删除很久没有使用的key
	public void removeleastRenctely(){
		Node e = cache.removeFirst();
		int delete = e.key;
		map.remove(delete);
	}

至此，全部准备工作以及完成，只需要完成最后两个方法，Put() 和 get()
由于get方法实现简单一点，先完成get()方法

	Node  get(int key){
		Node e = map.get(key);
		makeRecently(e);   // 重点
		return e;
	}

注意，当获取该缓存数据时，对时间性需要修改

接下来，就是put()方法的实现。
put方法考虑的内容比较多，在前面讲过需要考虑的内容，可能大家看到这已经忘记了，那么我把上面的图拿下来

void put(int key, int val){
	// 判断缓存中是否存在
	if(map.contains(key)){
		Node e = new Node(key, val);
		map.add(key, val); // 修改原先的值
		makeRenctly(e);
		return
	}
	// 如果缓存中没有
	//首先判断缓存数据是否存满
	if(cache.size == cap){
		removeleastRenctely();  // 删除旧的缓存
		addRecently(key, val);
		return
	}
	
	//如果缓存没有满
	addRecently(key, val);
	
}

现在全部代码已经完成，给大家从头到尾撸了一遍，相信大家对LRU的实现有了非常直观的感受！！！

备注： 由于写作经验比较少， 在描述问题时难免存在模糊或者难懂，请大家多多指教和批评。我会不断地提升自己。