计组块忘光了呜呜呜。。。来复习一波。。
1. 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”。
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:

新数据插入到链表头部;
每当缓存命中(即缓存数据被访问),则将数据移到链表头部;
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。
2. 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;
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;
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。
3. 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:

新访问的数据插入到FIFO队列;
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;
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;
如果数据在LRU队列再次被访问,则将数据移到LRU队列头部;
LRU队列淘汰末尾的数据。
注:上图中FIFO队列比LRU队列短,但并不代表这是算法要求,实际应用中两者比例没有硬性规定。
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。
4. Multi Queue(MQ)#
4.1. 原理#
MQ算法根据访问频率将数据划分为多个队列,不同的队列具有不同的访问优先级,其核心思想是:优先缓存访问次数多的数据。
4.2. 实现#
MQ算法将缓存划分为多个LRU队列,每个队列对应不同的访问优先级。访问优先级是根据访问次数计算出来的,例如
详细的算法结构图如下,Q0,Q1….Qk代表不同的优先级队列,Q-history代表从缓存中淘汰数据,但记录了数据的索引和引用次数的队列:

如上图,算法详细描述如下:
新插入的数据放入Q0;
每个队列按照LRU管理数据;
当数据的访问次数达到一定次数,需要提升优先级时,将数据从当前队列删除,加入到高一级队列的头部;
为了防止高优先级数据永远不被淘汰,当数据在指定的时间里访问没有被访问时,需要降低优先级,将数据从当前队列删除,加入到低一级的队列头部;
需要淘汰数据时,从最低一级队列开始按照LRU淘汰;每个队列淘汰数据时,将数据从缓存中删除,将数据索引加入Q-history头部;
如果数据在Q-history中被重新访问,则重新计算其优先级,移到目标队列的头部;
Q-history按照LRU淘汰数据的索引。
4.3. 分析#
【命中率】
MQ降低了“缓存污染”带来的问题,命中率比LRU要高。
【复杂度】
MQ需要维护多个队列,且需要维护每个数据的访问时间,复杂度比LRU高。
【代价】
MQ需要记录每个数据的访问时间,需要定时扫描所有队列,代价比LRU要高。
注:虽然MQ的队列看起来数量比较多,但由于所有队列之和受限于缓存容量的大小,因此这里多个队列长度之和和一个LRU队列是一样的,因此队列扫描性能也相近。
5. LRU类算法对比#
由于不同的访问模型导致命中率变化较大,此处对比仅基于理论定性分析,不做定量分析。
| 对比点 | 对比 |
|---|---|
| 命中率 | LRU-2 > MQ(2) > 2Q > LRU |
| 复杂度 | LRU-2 > MQ(2) > 2Q > LRU |
| 代价 | LRU-2 > MQ(2) > 2Q > LRU |
实际应用中需要根据业务的需求和对数据的访问情况进行选择,并不是命中率越高越好。例如:虽然LRU看起来命中率会低一些,且存在”缓存污染“的问题,但由于其简单和代价小,实际应用中反而应用更多。
java中最简单的LRU算法实现,就是利用jdk的LinkedHashMap,覆写其中的removeEldestEntry(Map.Entry)方法即可
如果你去看LinkedHashMap的源码可知,LRU算法是通过双向链表来实现,当某个位置被命中,通过调整链表的指向将该位置调整到头位置,新加入的内容直接放在链表头,如此一来,最近被命中的内容就向链表头移动,需要替换时,链表最后的位置就是最近最少使用的位置。
代码实现
1import java.util.ArrayList;
2import java.util.Collection;
3import java.util.LinkedHashMap;
4import java.util.concurrent.locks.Lock;
5import java.util.concurrent.locks.ReentrantLock;
6import java.util.Map;
7
8
9/**
10 * 类说明:利用LinkedHashMap实现简单的缓存, 必须实现removeEldestEntry方法,具体参见JDK文档
11 *
12 * @author dennis
13 *
14 * @param <K>
15 * @param <V>
16 */
17public class LRULinkedHashMap<K, V> extends LinkedHashMap<K, V> {
18 private final int maxCapacity;
19
20 private static final float DEFAULT_LOAD_FACTOR = 0.75f;
21
22 private final Lock lock = new ReentrantLock();
23
24 public LRULinkedHashMap(int maxCapacity) {
25 super(maxCapacity, DEFAULT_LOAD_FACTOR, true);
26 this.maxCapacity = maxCapacity;
27 }
28
29 @Override
30 protected boolean removeEldestEntry(java.util.Map.Entry<K, V> eldest) {
31 return size() > maxCapacity;
32 }
33 @Override
34 public boolean containsKey(Object key) {
35 try {
36 lock.lock();
37 return super.containsKey(key);
38 } finally {
39 lock.unlock();
40 }
41 }
42
43
44 @Override
45 public V get(Object key) {
46 try {
47 lock.lock();
48 return super.get(key);
49 } finally {
50 lock.unlock();
51 }
52 }
53
54 @Override
55 public V put(K key, V value) {
56 try {
57 lock.lock();
58 return super.put(key, value);
59 } finally {
60 lock.unlock();
61 }
62 }
63
64 public int size() {
65 try {
66 lock.lock();
67 return super.size();
68 } finally {
69 lock.unlock();
70 }
71 }
72
73 public void clear() {
74 try {
75 lock.lock();
76 super.clear();
77 } finally {
78 lock.unlock();
79 }
80 }
81
82 public Collection<Map.Entry<K, V>> getAll() {
83 try {
84 lock.lock();
85 return new ArrayList<Map.Entry<K, V>>(super.entrySet());
86 } finally {
87 lock.unlock();
88 }
89 }
90}基于双链表的 LRU 实现:
传统意义的LRU算法是为每一个Cache对象设置一个计数器,每次Cache命中则给计数器+1,而Cache用完,需要淘汰旧内容,放置新内容时,就查看所有的计数器,并将最少使用的内容替换掉。
它的弊端很明显,如果Cache的数量少,问题不会很大, 但是如果Cache的空间过大,达到10W或者100W以上,一旦需要淘汰,则需要遍历所有计数器,其性能与资源消耗是巨大的。效率也就非常的慢了。
它的原理: 将Cache的所有位置都用双连表连接起来,当一个位置被命中之后,就将通过调整链表的指向,将该位置调整到链表头的位置,新加入的Cache直接加到链表头中。
这样,在多次进行Cache操作后,最近被命中的,就会被向链表头方向移动,而没有命中的,则向链表后面移动,链表尾则表示最近最少使用的Cache。
当需要替换内容时候,链表的最后位置就是最少被命中的位置,我们只需要淘汰链表最后的部分即可。
上面说了这么多的理论, 下面用代码来实现一个LRU策略的缓存。
我们用一个对象来表示Cache,并实现双链表,
代码实现
1public class LRUCache {
2 /**
3 * 链表节点
4 * @author Administrator
5 *
6 */
7 class CacheNode {
8 ……
9 }
10 private int cacheSize;//缓存大小
11 private Hashtable nodes;//缓存容器
12 private int currentSize;//当前缓存对象数量
13 private CacheNode first;//(实现双链表)链表头
14 private CacheNode last;//(实现双链表)链表尾
15}下面给出完整的实现,这个类也被Tomcat所使用( org.apache.tomcat.util.collections.LRUCache),但是在tomcat6.x版本中,已经被弃用,使用另外其他的缓存类来替代它。
1public class LRUCache {
2 /**
3 * 链表节点
4 * @author Administrator
5 *
6 */
7 class CacheNode {
8 CacheNode prev;//前一节点
9 CacheNode next;//后一节点
10 Object value;//值
11 Object key;//键
12 CacheNode() {
13 }
14 }
15 public LRUCache(int i) {
16 currentSize = 0;
17 cacheSize = i;
18 nodes = new Hashtable(i);//缓存容器
19 }
20
21 /**
22 * 获取缓存中对象
23 * @param key
24 * @return
25 */
26 public Object get(Object key) {
27 CacheNode node = (CacheNode) nodes.get(key);
28 if (node != null) {
29 moveToHead(node);
30 return node.value;
31 } else {
32 return null;
33 }
34 }
35
36 /**
37 * 添加缓存
38 * @param key
39 * @param value
40 */
41 public void put(Object key, Object value) {
42 CacheNode node = (CacheNode) nodes.get(key);
43
44 if (node == null) {
45 //缓存容器是否已经超过大小.
46 if (currentSize >= cacheSize) {
47 if (last != null)//将最少使用的删除
48 nodes.remove(last.key);
49 removeLast();
50 } else {
51 currentSize++;
52 }
53
54 node = new CacheNode();
55 }
56 node.value = value;
57 node.key = key;
58 //将最新使用的节点放到链表头,表示最新使用的.
59 moveToHead(node);
60 nodes.put(key, node);
61 }
62 /**
63 * 将缓存删除
64 * @param key
65 * @return
66 */
67 public Object remove(Object key) {
68 CacheNode node = (CacheNode) nodes.get(key);
69 if (node != null) {
70 if (node.prev != null) {
71 node.prev.next = node.next;
72 }
73 if (node.next != null) {
74 node.next.prev = node.prev;
75 }
76 if (last == node)
77 last = node.prev;
78 if (first == node)
79 first = node.next;
80 }
81 return node;
82 }
83 public void clear() {
84 first = null;
85 last = null;
86 }
87 /**
88 * 删除链表尾部节点
89 * 表示 删除最少使用的缓存对象
90 */
91 private void removeLast() {
92 //链表尾不为空,则将链表尾指向null. 删除连表尾(删除最少使用的缓存对象)
93 if (last != null) {
94 if (last.prev != null)
95 last.prev.next = null;
96 else
97 first = null;
98 last = last.prev;
99 }
100 }
101
102 /**
103 * 移动到链表头,表示这个节点是最新使用过的
104 * @param node
105 */
106 private void moveToHead(CacheNode node) {
107 if (node == first)
108 return;
109 if (node.prev != null)
110 node.prev.next = node.next;
111 if (node.next != null)
112 node.next.prev = node.prev;
113 if (last == node)
114 last = node.prev;
115 if (first != null) {
116 node.next = first;
117 first.prev = node;
118 }
119 first = node;
120 node.prev = null;
121 if (last == null)
122 last = first;
123 }
124 private int cacheSize;
125 private Hashtable nodes;//缓存容器
126 private int currentSize;
127 private CacheNode first;//链表头
128 private CacheNode last;//链表尾
129}