1.?LRU
1.1.?原理

LRU（Least?recently?used，最近最少使用）算法根據數據的歷史訪問記錄來進行淘汰數據，其核心思想是“如果數據最近被訪問過，那么將來被訪問的幾率也更高”。

1.2.?實現

最常見的實現是使用一個鏈表保存緩存數據，詳細算法實現如下：

1.?新數據插入到鏈表頭部；

2.?每當緩存命中（即緩存數據被訪問），則將數據移到鏈表頭部；

3.?當鏈表滿的時候，將鏈表尾部的數據丟棄。

1.3.?分析

【命中率】

當存在熱點數據時，LRU的效率很好，但偶發性的、周期性的批量操作會導致LRU命中率急劇下降，緩存污染情況比較嚴重。

【復雜度】

實現簡單。

【代價】

命中時需要遍歷鏈表，找到命中的數據塊索引，然后需要將數據移到頭部。

?

2.?LRU-K

2.1.?原理

LRU-K中的K代表最近使用的次數，因此LRU可以認為是LRU-1。LRU-K的主要目的是為了解決LRU算法“緩存污染”的問題，其核心思想是將“最近使用過1次”的判斷標準擴展為“最近使用過K次”。

2.2.?實現

相比LRU，LRU-K需要多維護一個隊列，用于記錄所有緩存數據被訪問的歷史。只有當數據的訪問次數達到K次的時候，才將數據放入緩存。當需要淘汰數據時，LRU-K會淘汰第K次訪問時間距當前時間最大的數據。詳細實現如下：

1.?數據第一次被訪問，加入到訪問歷史列表；

2.?如果數據在訪問歷史列表里后沒有達到K次訪問，則按照一定規則（FIFO，LRU）淘汰；

3.?當訪問歷史隊列中的數據訪問次數達到K次后，將數據索引從歷史隊列刪除，將數據移到緩存隊列中，并緩存此數據，緩存隊列重新按照時間排序；

4.?緩存數據隊列中被再次訪問后，重新排序；

5.?需要淘汰數據時，淘汰緩存隊列中排在末尾的數據，即：淘汰“倒數第K次訪問離現在最久”的數據。

LRU-K具有LRU的優點，同時能夠避免LRU的缺點，實際應用中LRU-2是綜合各種因素后最優的選擇，LRU-3或者更大的K值命中率會高，但適應性差，需要大量的數據訪問才能將歷史訪問記錄清除掉。

2.3.?分析

【命中率】

LRU-K降低了“緩存污染”帶來的問題，命中率比LRU要高。

【復雜度】

LRU-K隊列是一個優先級隊列，算法復雜度和代價比較高。

【代價】

由于LRU-K還需要記錄那些被訪問過、但還沒有放入緩存的對象，因此內存消耗會比LRU要多；當數據量很大的時候，內存消耗會比較可觀。

LRU-K需要基于時間進行排序（可以需要淘汰時再排序，也可以即時排序），CPU消耗比LRU要高。

3.?Two?queues（2Q）

3.1.?原理

Two?queues（以下使用2Q代替）算法類似于LRU-2，不同點在于2Q將LRU-2算法中的訪問歷史隊列（注意這不是緩存數據的）改為一個FIFO緩存隊列，即：2Q算法有兩個緩存隊列，一個是FIFO隊列，一個是LRU隊列。

3.2.?實現

當數據第一次訪問時，2Q算法將數據緩存在FIFO隊列里面，當數據第二次被訪問時，則將數據從FIFO隊列移到LRU隊列里面，兩個隊列各自按照自己的方法淘汰數據。詳細實現如下：

1.?新訪問的數據插入到FIFO隊列；

2.?如果數據在FIFO隊列中一直沒有被再次訪問，則最終按照FIFO規則淘汰；

3.?如果數據在FIFO隊列中被再次訪問，則將數據移到LRU隊列頭部；

4.?如果數據在LRU隊列再次被訪問，則將數據移到LRU隊列頭部；

5.?LRU隊列淘汰末尾的數據。

?

注：上圖中FIFO隊列比LRU隊列短，但并不代表這是算法要求，實際應用中兩者比例沒有硬性規定。

3.3.?分析

【命中率】

2Q算法的命中率要高于LRU。

【復雜度】

需要兩個隊列，但兩個隊列本身都比較簡單。

【代價】

FIFO和LRU的代價之和。

2Q算法和LRU-2算法命中率類似，內存消耗也比較接近，但對于最后緩存的數據來說，2Q會減少一次從原始存儲讀取數據或者計算數據的操作。

4.?Multi?Queue（MQ）

4.1.?原理

MQ算法根據訪問頻率將數據劃分為多個隊列，不同的隊列具有不同的訪問優先級，其核心思想是：優先緩存訪問次數多的數據。

4.2.?實現

MQ算法將緩存劃分為多個LRU隊列，每個隊列對應不同的訪問優先級。訪問優先級是根據訪問次數計算出來的，例如

詳細的算法結構圖如下，Q0，Q1....Qk代表不同的優先級隊列，Q-history代表從緩存中淘汰數據，但記錄了數據的索引和引用次數的隊列：

?

如上圖，算法詳細描述如下：

1.?新插入的數據放入Q0；

2.?每個隊列按照LRU管理數據；

3.?當數據的訪問次數達到一定次數，需要提升優先級時，將數據從當前隊列刪除，加入到高一級隊列的頭部；

4.?為了防止高優先級數據永遠不被淘汰，當數據在指定的時間里訪問沒有被訪問時，需要降低優先級，將數據從當前隊列刪除，加入到低一級的隊列頭部；

5.?需要淘汰數據時，從最低一級隊列開始按照LRU淘汰；每個隊列淘汰數據時，將數據從緩存中刪除，將數據索引加入Q-history頭部；

6.?如果數據在Q-history中被重新訪問，則重新計算其優先級，移到目標隊列的頭部；

7.?Q-history按照LRU淘汰數據的索引。

4.3.?分析

【命中率】

MQ降低了“緩存污染”帶來的問題，命中率比LRU要高。

【復雜度】

MQ需要維護多個隊列，且需要維護每個數據的訪問時間，復雜度比LRU高。

【代價】

MQ需要記錄每個數據的訪問時間，需要定時掃描所有隊列，代價比LRU要高。

注：雖然MQ的隊列看起來數量比較多，但由于所有隊列之和受限于緩存容量的大小，因此這里多個隊列長度之和和一個LRU隊列是一樣的，因此隊列掃描性能也相近。

?

5.?LRU類算法對比

由于不同的訪問模型導致命中率變化較大，此處對比僅基于理論定性分析，不做定量分析。

對比點	對比
命中率	LRU-2?>?MQ(2)?>?2Q?>?LRU
復雜度	LRU-2?>?MQ(2)?>?2Q?>?LRU
代價	LRU-2??>?MQ(2)?>?2Q?>?LRU

實際應用中需要根據業務的需求和對數據的訪問情況進行選擇，并不是命中率越高越好。例如：雖然LRU看起來命中率會低一些，且存在”緩存污染“的問題，但由于其簡單和代價小，實際應用中反而應用更多。

?

java中最簡單的LRU算法實現，就是利用jdk的LinkedHashMap，覆寫其中的removeEldestEntry(Map.Entry)方法即可

如果你去看LinkedHashMap的源碼可知，LRU算法是通過雙向鏈表來實現，當某個位置被命中，通過調整鏈表的指向將該位置調整到頭位置，新加入的內容直接放在鏈表頭，如此一來，最近被命中的內容就向鏈表頭移動，需要替換時，鏈表最后的位置就是最近最少使用的位置。

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91

import?java.util.ArrayList;? import?java.util.Collection;? import?java.util.LinkedHashMap;? import?java.util.concurrent.locks.Lock;? import?java.util.concurrent.locks.ReentrantLock;? import?java.util.Map;? ??? ??? /** ?* 類說明：利用LinkedHashMap實現簡單的緩存， 必須實現removeEldestEntry方法，具體參見JDK文檔 ?*? ?* @author dennis ?*? ?* @param <K> ?* @param <V> ?*/? public?class?LRULinkedHashMap<K, V> extends?LinkedHashMap<K, V> {? ????private?final?int?maxCapacity;? ??? ????private?static?final?float?DEFAULT_LOAD_FACTOR = 0.75f;? ??? ????private?final?Lock lock = new?ReentrantLock();? ??? ????public?LRULinkedHashMap(int?maxCapacity) {? ????????super(maxCapacity, DEFAULT_LOAD_FACTOR, true);? ????????this.maxCapacity = maxCapacity;? ????}? ??? ????@Override? ????protected?boolean?removeEldestEntry(java.util.Map.Entry<K, V> eldest) {? ????????return?size() > maxCapacity;? ????}? ????@Override? ????public?boolean?containsKey(Object key) {? ????????try?{? ????????????lock.lock();? ????????????return?super.containsKey(key);? ????????} finally?{? ????????????lock.unlock();? ????????}? ????}? ??? ??????? ????@Override? ????public?V get(Object key) {? ????????try?{? ????????????lock.lock();? ????????????return?super.get(key);? ????????} finally?{? ????????????lock.unlock();? ????????}? ????}? ??? ????@Override? ????public?V put(K key, V value) {? ????????try?{? ????????????lock.lock();? ????????????return?super.put(key, value);? ????????} finally?{? ????????????lock.unlock();? ????????}? ????}? ??? ????public?int?size() {? ????????try?{? ????????????lock.lock();? ????????????return?super.size();? ????????} finally?{? ????????????lock.unlock();? ????????}? ????}? ??? ????public?void?clear() {? ????????try?{? ????????????lock.lock();? ????????????super.clear();? ????????} finally?{? ????????????lock.unlock();? ????????}? ????}? ??? ????public?Collection<Map.Entry<K, V>> getAll() {? ????????try?{? ????????????lock.lock();? ????????????return?new?ArrayList<Map.Entry<K, V>>(super.entrySet());? ????????} finally?{? ????????????lock.unlock();? ????????}? ????}? }? ????

?

基于雙鏈表 的LRU實現:

　　傳統意義的LRU算法是為每一個Cache對象設置一個計數器，每次Cache命中則給計數器+1，而Cache用完，需要淘汰舊內容，放置新內容時，就查看所有的計數器，并將最少使用的內容替換掉。

?? 它的弊端很明顯，如果Cache的數量少，問題不會很大， 但是如果Cache的空間過大，達到10W或者100W以上，一旦需要淘汰，則需要遍歷所有計算器，其性能與資源消耗是巨大的。效率也就非常的慢了。

??? 它的原理： 將Cache的所有位置都用雙連表連接起來，當一個位置被命中之后，就將通過調整鏈表的指向，將該位置調整到鏈表頭的位置，新加入的Cache直接加到鏈表頭中。

???? 這樣，在多次進行Cache操作后，最近被命中的，就會被向鏈表頭方向移動，而沒有命中的，而想鏈表后面移動，鏈表尾則表示最近最少使用的Cache。

???? 當需要替換內容時候，鏈表的最后位置就是最少被命中的位置，我們只需要淘汰鏈表最后的部分即可。

? 上面說了這么多的理論， 下面用代碼來實現一個LRU策略的緩存。

??? 我們用一個對象來表示Cache，并實現雙鏈表，

Java代碼 ?

public?class?LRUCache?{??

????/**?

?????*?鏈表節點?

?????*?@author?Administrator?

?????*?

?????*/??

????class?CacheNode?{??

????????……??

????}??

????private?int?cacheSize;//緩存大小??

????private?Hashtable?nodes;//緩存容器??

????private?int?currentSize;//當前緩存對象數量??

????private?CacheNode?first;//(實現雙鏈表)鏈表頭??

????private?CacheNode?last;//(實現雙鏈表)鏈表尾??

}??

????????????????????

public class LRUCache { /*** 鏈表節點* @author Administrator**/ class CacheNode { …… } private int cacheSize;//緩存大小 private Hashtable nodes;//緩存容器 private int currentSize;//當前緩存對象數量 private CacheNode first;//(實現雙鏈表)鏈表頭 private CacheNode last;//(實現雙鏈表)鏈表尾 }

?下面給出完整的實現，這個類也被Tomcat所使用（ org.apache.tomcat.util.collections.LRUCache），但是在tomcat6.x版本中，已經被棄用，使用另外其他的緩存類來替代它。

Java代碼 ?

public?class?LRUCache?{??

????/**?

?????*?鏈表節點?

?????*?@author?Administrator?

?????*?

?????*/??

????class?CacheNode?{??

????????CacheNode?prev;//前一節點??

????????CacheNode?next;//后一節點??

????????Object?value;//值??

????????Object?key;//鍵??

????????CacheNode()?{??

????????}??

????}??

????public?LRUCache(int?i)?{??

????????currentSize?=?0;??

????????cacheSize?=?i;??

????????nodes?=?new?Hashtable(i);//緩存容器??

????}??

??????

????/**?

?????*?獲取緩存中對象?

?????*?@param?key?

?????*?@return?

?????*/??

????public?Object?get(Object?key)?{??

????????CacheNode?node?=?(CacheNode)?nodes.get(key);??

????????if?(node?!=?null)?{??

????????????moveToHead(node);??

????????????return?node.value;??

????????}?else?{??

????????????return?null;??

????????}??

????}??

??????

????/**?

?????*?添加緩存?

?????*?@param?key?

?????*?@param?value?

?????*/??

????public?void?put(Object?key,?Object?value)?{??

????????CacheNode?node?=?(CacheNode)?nodes.get(key);??

??????????

????????if?(node?==?null)?{??

????????????//緩存容器是否已經超過大小.??

????????????if?(currentSize?>=?cacheSize)?{??

????????????????if?(last?!=?null)//將最少使用的刪除??

????????????????????nodes.remove(last.key);??

????????????????removeLast();??

????????????}?else?{??

????????????????currentSize++;??

????????????}??

??????????????

????????????node?=?new?CacheNode();??

????????}??

????????node.value?=?value;??

????????node.key?=?key;??

????????//將最新使用的節點放到鏈表頭，表示最新使用的.??

????????moveToHead(node);??

????????nodes.put(key,?node);??

????}??

????/**?

?????*?將緩存刪除?

?????*?@param?key?

?????*?@return?

?????*/??

????public?Object?remove(Object?key)?{??

????????CacheNode?node?=?(CacheNode)?nodes.get(key);??

????????if?(node?!=?null)?{??

????????????if?(node.prev?!=?null)?{??

????????????????node.prev.next?=?node.next;??

????????????}??

????????????if?(node.next?!=?null)?{??

????????????????node.next.prev?=?node.prev;??

????????????}??

????????????if?(last?==?node)??

????????????????last?=?node.prev;??

????????????if?(first?==?node)??

????????????????first?=?node.next;??

????????}??

????????return?node;??

????}??

????public?void?clear()?{??

????????first?=?null;??

????????last?=?null;??

????}??

????/**?

?????*?刪除鏈表尾部節點?

?????*??表示?刪除最少使用的緩存對象?

?????*/??

????private?void?removeLast()?{??

????????//鏈表尾不為空,則將鏈表尾指向null.?刪除連表尾（刪除最少使用的緩存對象）??

????????if?(last?!=?null)?{??

????????????if?(last.prev?!=?null)??

????????????????last.prev.next?=?null;??

????????????else??

????????????????first?=?null;??

????????????last?=?last.prev;??

????????}??

????}??

??????

????/**?

?????*?移動到鏈表頭，表示這個節點是最新使用過的?

?????*?@param?node?

?????*/??

????private?void?moveToHead(CacheNode?node)?{??

????????if?(node?==?first)??

????????????return;??

????????if?(node.prev?!=?null)??

????????????node.prev.next?=?node.next;??

????????if?(node.next?!=?null)??

????????????node.next.prev?=?node.prev;??

????????if?(last?==?node)??

????????????last?=?node.prev;??

????????if?(first?!=?null)?{??

????????????node.next?=?first;??

????????????first.prev?=?node;??

????????}??

????????first?=?node;??

????????node.prev?=?null;??

????????if?(last?==?null)??

????????????last?=?first;??

????}??

????private?int?cacheSize;??

????private?Hashtable?nodes;//緩存容器??

????private?int?currentSize;??

????private?CacheNode?first;//鏈表頭??

????private?CacheNode?last;//鏈表尾??

}<br?style="margin:?0px;?padding:?0px;"><br?style="margin:?0px;?padding:?0px;">??

public class LRUCache { /*** 鏈表節點* @author Administrator**/ class CacheNode { CacheNode prev;//前一節點 CacheNode next;//后一節點 Object value;//值 Object key;//鍵 CacheNode() { } } public LRUCache(int i) { currentSize = 0; cacheSize = i; nodes = new Hashtable(i);//緩存容器 } /*** 獲取緩存中對象* @param key* @return*/ public Object get(Object key) { CacheNode node = (CacheNode) nodes.get(key); if (node != null) { moveToHead(node); return node.value; } else { return null; } } /*** 添加緩存* @param key* @param value*/ public void put(Object key, Object value) { CacheNode node = (CacheNode) nodes.get(key); if (node == null) { //緩存容器是否已經超過大小. if (currentSize >= cacheSize) { if (last != null)//將最少使用的刪除 nodes.remove(last.key); removeLast(); } else { currentSize++; } node = new CacheNode(); } node.value = value; node.key = key; //將最新使用的節點放到鏈表頭，表示最新使用的. moveToHead(node); nodes.put(key, node); } /*** 將緩存刪除* @param key* @return*/ public Object remove(Object key) { CacheNode node = (CacheNode) nodes.get(key); if (node != null) { if (node.prev != null) { node.prev.next = node.next; } if (node.next != null) { node.next.prev = node.prev; } if (last == node) last = node.prev; if (first == node) first = node.next; } return node; } public void clear() { first = null; last = null; } /*** 刪除鏈表尾部節點* 表示 刪除最少使用的緩存對象*/ private void removeLast() { //鏈表尾不為空,則將鏈表尾指向null. 刪除連表尾（刪除最少使用的緩存對象） if (last != null) { if (last.prev != null) last.prev.next = null; else first = null; last = last.prev; } } /*** 移動到鏈表頭，表示這個節點是最新使用過的* @param node*/ private void moveToHead(CacheNode node) { if (node == first) return; if (node.prev != null) node.prev.next = node.next; if (node.next != null) node.next.prev = node.prev; if (last == node) last = node.prev; if (first != null) { node.next = first; first.prev = node; } first = node; node.prev = null; if (last == null) last = first; } private int cacheSize; private Hashtable nodes;//緩存容器 private int currentSize; private CacheNode first;//鏈表頭 private CacheNode last;//鏈表尾 }

轉載于:https://www.cnblogs.com/wangdaijun/p/5581336.html

總結

以上是生活随笔為你收集整理的缓存淘汰算法 (http://flychao88.iteye.com/blog/1977653)的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。