手写LRU缓存淘汰算法
背景
在咱们这个日益追求高效的世界,咱们对任何事情的等待都显得十分的浮躁,网页页面刷新不出来,好烦,电脑打开运行程序慢,又是好烦!那怎么办,技术的产生不就是咱们所服务么,今天咱们就聊一聊缓存
这个技术,并使用咱们熟知的数据结构--用链表实现LRU缓存淘汰算法
。node
在学习如何使用链表实现LRU缓存淘汰算法前,咱们先提出几个问题,你们好好思考下,问题以下:面试
-
什么是缓存,缓存的做用?算法
-
缓存的淘汰策略有哪些?数据库
-
如何使用链表实现LRU缓存淘汰算法,有什么特色,如何优化?浏览器
好了,咱们带着上面的问题来学进行下面的学习。缓存
一、什么是缓存,缓存的做用是什么?
缓存
能够简单的理解为保存数据的一个副本
,以便于后续可以快速的进行访问。以计算机的使用场景为例
,当cpu要访问内存中的一条数据时,它会先在缓存里查找,若是可以找到则直接使用,若是没找到,则须要去内存里查找;服务器
一样的,在数据库的访问场景中
,当项目系统须要查询数据库中的某条数据时,能够先让请求查询缓存,若是命中,就直接返回缓存的结果,若是没有命中,就查询数据库, 并将查询结果放入缓存,下次请求时查询缓存命中,直接返回结果,就不用再次查询数据库。数据结构
经过以上两个例子,咱们发现不管在哪一种场景下,都存在这样一个顺序:先缓存,后内存
;先缓存,后数据库
。可是缓存的存在也占用了一部份内存空间,因此缓存是典型的以空间换时间
,牺牲数据的实时性
,却知足计算机运行的高效性
。性能
仔细想一下,咱们平常开发中遇到缓存的例子还挺多的。学习
-
操做系统的缓存
减小与磁盘的交互
-
数据库缓存
减小对数据库的查询
-
Web服务器缓存
减小对应用服务器的请求
-
客户浏览器的缓存
减小对网站的访问
二、缓存有哪些淘汰策略?
缓存的本质是以空间换时间
,那么缓存的容量大小确定是有限的,当缓存被占满时,缓存中的那些数据应该被清理出去,那些数据应该被保留呢?这就须要缓存的淘汰策略来决定。
事实上,经常使用的缓存的淘汰策略有三种:先进先出算法(First in First out FIFO
);淘汰必定时期内被访问次数最少的页面(Least Frequently Used LFU
);淘汰最长时间未被使用的页面(Least Recently Used LRU
)
这些算法在不一样层次的缓存上执行时具备不一样的效率,须要结合具体的场景来选择。
2.1 FIFO算法
FIFO
算法即先进先出算法
,常采用队列实现。在缓存中,它的设计原则是:若是一个数据最早进入缓存中,则应该最先淘汰掉
。
-
新访问的数据插入FIFO队列的尾部,队列中数据由队到队头按顺序顺序移动
-
队列满时,删除队头的数据
2.2 LRU算法
LRU算法
是根据对数据的历史访问次数来进行淘汰数据的,一般使用链表来实现。在缓存中,它的设计原则是:若是数据最近被访问过,那么未来它被访问的概率也很高。
image-20210227120433527
-
新加入的数据插入到链表的头部
-
每当缓存命中时(即缓存数据被访问),则将数据移到链表头部
-
当来链表已满的时候,将链表尾部的数据丢弃
2.3 LFU算法
LFU算法
是根据数据的历史访问频率来淘汰数据,所以,LFU算法中的每一个数据块都有一个引用计数,全部数据块按照引用计数排序,具备相同引用计数的数据块则按照时间排序。在缓存中,它的设计原则是:若是数据被访问屡次,那么未来它的访问频率也会更高
。
-
新加入数据插入到队列尾部(引用计数为1;
-
队列中的数据被访问后,引用计数增长,队列从新排序;
-
当须要淘汰数据时,将已经排序的列表最后的数据块删除。
三、如何使用链表实现缓存淘汰,有什么特色,如何优化?
在上面的文章中咱们理解了缓存的概念
及淘汰策略
,其中LRU算法
是笔试/面试中考察比较频繁的,我秋招的时候,不少公司都让我手写了这个算法,为了不你们采坑,下面,咱们就手写一个LRU缓存淘汰算法。
咱们都知道链表的形式不止一种,咱们应该选择哪种呢?
思考三分钟........
好了,公布答案!
事实上,链表按照不一样的链接结构能够划分为单链表
、循环链表
和双向链表
。
-
单链表
每一个节点只包含一个指针,即后继指针。
单链表有两个特殊的节点,即首节点和尾节点,用首节点地址表示整条链表,尾节点的后继指针指向空地址null。
性能特色:插入和删除节点的时间复杂度为O(1),查找的时间复杂度为O(n)。
-
循环链表
除了尾节点的后继指针指向首节点的地址外均与单链表一致。
适用于存储有循环特色的数据,好比约瑟夫问题。
-
双向链表
节点除了存储数据外,还有两个指针分别指向前一个节点地址(前驱指针prev)和下一个节点地址(后继指针next)
首节点的前驱指针prev和尾节点的后继指针均指向空地址。
双向链表相较于单链表的一大优点在于:找到前驱节点的时间复杂度为O(1),而单链表只能从头节点慢慢往下找,因此仍然是O(n).并且,对于插入和删除也是有优化的。
咱们可能会有问题:单链表的插入删除不是O(1)吗?
是的,可是通常状况下,咱们想要进行插入删除操做,不少时候仍是得先进行查找,再插入或者删除,可见实际上是先O(n),再O(1)。
不熟悉链表解题的同窗能够先看看个人上一篇算法解析文章刷了LeetCode链表专题,我发现了一个秘密。
由于咱们须要删除操做,删除一个节点不只要获得该节点自己的指针,也须要操做其它前驱节点的指针,而双向链表可以直接找到前驱,保证了操做时间复杂度为O(1),所以使用双向链表做为实现LRU缓存淘汰算法的结构会更高效。
算法思路
维护一个双向链表,保存全部缓存的值,而且最老的值放在链表最后面。
-
当访问的值在链表中时: 将找到链表中值将其删除,并从新在链表头添加该值(保证链表中 数值的顺序是重新到旧)
-
当访问的值不在链表中时: 当链表已满:删除链表最后一个值,将要添加的值放在链表头 当链表未满:直接在链表头添加
3.1 LRU缓存淘汰算法
极客时间王争的《数据结构与算法之美》给出了一个使用有序单链表实现LRU缓存淘汰算法,代码以下:
public class LRUBaseLinkedList<T> { /** * 默认链表容量 */ private final static Integer DEFAULT_CAPACITY = 10; /** * 头结点 */ private SNode<T> headNode; /** * 链表长度 */ private Integer length; /** * 链表容量 */ private Integer capacity; public LRUBaseLinkedList() { this.headNode = new SNode<>(); this.capacity = DEFAULT_CAPACITY; this.length = 0; } public LRUBaseLinkedList(Integer capacity) { this.headNode = new SNode<>(); this.capacity = capacity; this.length = 0; } public void add(T data) { SNode preNode = findPreNode(data); // 链表中存在,删除原数据,再插入到链表的头部 if (preNode != null) { deleteElemOptim(preNode); intsertElemAtBegin(data); } else { if (length >= this.capacity) { //删除尾结点 deleteElemAtEnd(); } intsertElemAtBegin(data); } } /** * 删除preNode结点下一个元素 * * @param preNode */ private void deleteElemOptim(SNode preNode) { SNode temp = preNode.getNext(); preNode.setNext(temp.getNext()); temp = null; length--; } /** * 链表头部插入节点 * * @param data */ private void intsertElemAtBegin(T data) { SNode next = headNode.getNext(); headNode.setNext(new SNode(data, next)); length++; } /** * 获取查找到元素的前一个结点 * * @param data * @return */ private SNode findPreNode(T data) { SNode node = headNode; while (node.getNext() != null) { if (data.equals(node.getNext().getElement())) { return node; } node = node.getNext(); } return null; } /** * 删除尾结点 */ private void deleteElemAtEnd() { SNode ptr = headNode; // 空链表直接返回 if (ptr.getNext() == null) { return; } // 倒数第二个结点 while (ptr.getNext().getNext() != null) { ptr = ptr.getNext(); } SNode tmp = ptr.getNext(); ptr.setNext(null); tmp = null; length--; } private void printAll() { SNode node = headNode.getNext(); while (node != null) { System.out.print(node.getElement() + ","); node = node.getNext(); } System.out.println(); } public class SNode<T> { private T element; private SNode next; public SNode(T element) { this.element = element; } public SNode(T element, SNode next) { this.element = element; this.next = next; } public SNode() { this.next = null; } public T getElement() { return element; } public void setElement(T element) { this.element = element; } public SNode getNext() { return next; } public void setNext(SNode next) { this.next = next; } } public static void main(String[] args) { LRUBaseLinkedList list = new LRUBaseLinkedList(); Scanner sc = new Scanner(System.in); while (true) { list.add(sc.nextInt()); list.printAll(); } } }
这段代码无论缓存有没有满,都须要遍历一遍链表,因此这种基于链表的实现思路,缓存访问的时间复杂度为 O(n)。
3.2使用哈希表优化LRU
事实上,这个思路还能够继续优化,咱们能够把单链表换成双向链表
,并引入散列表
。
-
双向链表支持查找前驱,保证操做的时间复杂度为O(1)
-
引入散列表记录每一个数据的位置,将缓存访问的时间复杂度降到O(1)
哈希表查找较快,可是数据无固定的顺序;链表却是有顺序之分。插入、删除较快,可是查找较慢。将它们结合,就能够造成一种新的数据结构--哈希链表
(LinkedHashMap
)
力扣上146题-LRU缓存机制恰好能够拿来练手,题图以下:
题目:
运用你所掌握的数据结构,设计和实现一个 LRU (最近最少使用) 缓存机制 。
-
实现 LRUCache 类:
LRUCache(int capacity) 以正整数做为容量 capacity 初始化 LRU 缓存 int get(int key) 若是关键字 key 存在于缓存中,则返回关键字的值,不然返回 -1 。 void put(int key, int value) 若是关键字已经存在,则变动其数据值;若是关键字不存在,则插入该组「关键字-值」。当缓存容量达到上限时,它应该在写入新数据以前删除最久未使用的数据值,从而为新的数据值留出空间。
思路:
咱们的思路就是哈希表+双向链表
-
哈希表用于知足题目时间复杂度O(1)的要求,双向链表用于存储顺序
-
哈希表键值类型:<Integer, ListNode>,哈希表的键用于存储输入的key,哈希表的值用于存储双向链表的节点
-
双向链表的节点中除了value外还须要包含key,由于在删除最久未使用的数据时,须要经过链表来定位hashmap中应当删除的键值对
-
一些操做:双向链表中,在后面的节点表示被最近访问
新加入的节点放在链表末尾,addNodeToLast(node)
若容量达到上限,去除最久未使用的数据,removeNode(head.next)
若数据新被访问过,好比被get了或被put了新值,把该节点挪到链表末尾,moveNodeToLast(node)
-
为了操做的方便,在双向链表头和尾分别定义一个head和tail节点。
代码
class LRUCache { private int capacity; private HashMap<Integer, ListNode> hashmap; private ListNode head; private ListNode tail; private class ListNode{ int key; int val; ListNode prev; ListNode next; public ListNode(){ } public ListNode(int key, int val){ this.key = key; this.val = val; } } public LRUCache(int capacity) { this.capacity = capacity; hashmap = new HashMap<>(); head = new ListNode(); tail = new ListNode(); head.next = tail; tail.prev = head; } private void removeNode(ListNode node){ node.prev.next = node.next; node.next.prev = node.prev; } private void addNodeToLast(ListNode node){ node.prev = tail.prev; node.prev.next = node; node.next = tail; tail.prev= node; } private void moveNodeToLast(ListNode node){ removeNode(node); addNodeToLast(node); } public int get(int key) { if(hashmap.containsKey(key)){ ListNode node = hashmap.get(key); moveNodeToLast(node); return node.val; }else{ return -1; } } public void put(int key, int value) { if(hashmap.containsKey(key)){ ListNode node = hashmap.get(key); node.val = value; moveNodeToLast(node); return; } if(hashmap.size() == capacity){ hashmap.remove(head.next.key); removeNode(head.next); } ListNode node = new ListNode(key, value); hashmap.put(key, node); addNodeToLast(node); } }
巨人的肩膀
[1]数据结构与算法之美-王争
[2]力扣-LRU缓存机制(146题)
[3]https://blog.csdn.net/yangpl_tale/article/details/44998423
[4]https://leetcode-cn.com/problems/lru-cache/solution/146-lru-huan-cun-ji-zhi-ha-xi-biao-shuan-l3um/