LRU缓存算法介绍

概念：

LRU（least recently used)是将近期最不会访问的数据给淘汰掉，LRU认为：最近被使用过的数据，那么未来被访问的几率也多，最近没有被访问，那么未来被访问的几率也比较低。其实这个并非正确的，可是由于LRU算法简单，存储空间没有被浪费，因此仍是用的比较普遍的。

LRU原理：

LRU通常采用链表的放缓死实现，便于快速移动数据位置。网上找了一个图，感受画的很赞，因此就粘过来了，为了说明问题~~~~~感谢这个图的做者！！！！

LRU的实现有两种方式：缓存命中后，是否要这个数据缓存项到LRU队列的最前端。

首先这个图说明的是LRU的一种实现方式，那就是在缓存访问命中后，要将这个数据缓存项到达LRU队列的最前端。第五步，将E插入缓存池后，这个缓存池已经满了，因此第六步插入F后，要考虑把近期没有访问的数据，也就是A给淘汰掉了（可怜的A啊。。。。）第七步，C被访问，从时间点来讲，C最近被访问过了，因此移动到了链表的头部（暂时没有被淘汰）；第八步，将G存入缓存后，G位于链表头部，那么B只能被淘汰了。。。。

由于链表的插入和删除时间复杂度都为O（1），因此用链表不用数组。。。。。（这句是参考别人的，还不是很懂，让我研究研究。。。）

原文连接：

http://blog.csdn.net/xiao_mrs_li/article/details/69257694

http://flychao88.iteye.com/blog/1977653

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“若是数据最近被访问过，那么未来被访问的概率也更高”。

1.2. 实现

最多见的实现是使用一个链表保存缓存数据，详细算法实现以下：

1. 新数据插入到链表头部；

2. 每当缓存命中（即缓存数据被访问），则将数据移到链表头部；

3. 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、周期性的批量操做会致使LRU命中率急剧降低，缓存污染状况比较严重。

【复杂度】

实现简单。

【代价】

命中时须要遍历链表，找到命中的数据块索引，而后须要将数据移到头部。
 

 

2. LRU-K

2.1. 原理

LRU-K中的K表明最近使用的次数，所以LRU能够认为是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须要多维护一个队列，用于记录全部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。当须要淘汰数据时，LRU-K会淘汰第K次访问时间距当前时间最大的数据。详细实现以下：

1. 数据第一次被访问，加入到访问历史列表；

2. 若是数据在访问历史列表里后没有达到K次访问，则按照必定规则（FIFO，LRU）淘汰；

3. 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，缓存队列从新按照时间排序；

4. 缓存数据队列中被再次访问后，从新排序；

5. 须要淘汰数据时，淘汰缓存队列中排在末尾的数据，即：淘汰“倒数第K次访问离如今最久”的数据。

LRU-K具备LRU的优势，同时可以避免LRU的缺点，实际应用中LRU-2是综合各类因素后最优的选择，LRU-3或者更大的K值命中率会高，但适应性差，须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下降了“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】

因为LRU-K还须要记录那些被访问过、但尚未放入缓存的对象，所以内存消耗会比LRU要多；当数据量很大的时候，内存消耗会比较可观。

LRU-K须要基于时间进行排序（能够须要淘汰时再排序，也能够即时排序），CPU消耗比LRU要高。
 

3. Two queues（2Q）

3.1. 原理

Two queues（如下使用2Q代替）算法相似于LRU-2，不一样点在于2Q将LRU-2算法中的访问历史队列（注意这不是缓存数据的）改成一个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，两个队列各自按照本身的方法淘汰数据。详细实现以下：

1. 新访问的数据插入到FIFO队列；

2. 若是数据在FIFO队列中一直没有被再次访问，则最终按照FIFO规则淘汰；

3. 若是数据在FIFO队列中被再次访问，则将数据移到LRU队列头部；

4. 若是数据在LRU队列再次被访问，则将数据移到LRU队列头部；

5. LRU队列淘汰末尾的数据。

 

注：上图中FIFO队列比LRU队列短，但并不表明这是算法要求，实际应用中二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】

须要两个队列，但两个队列自己都比较简单。

【代价】

FIFO和LRU的代价之和。

2Q算法和LRU-2算法命中率相似，内存消耗也比较接近，但对于最后缓存的数据来讲，2Q会减小一次从原始存储读取数据或者计算数据的操做。
 

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，不一样的队列具备不一样的访问优先级，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，每一个队列对应不一样的访问优先级。访问优先级是根据访问次数计算出来的，例如

详细的算法结构图以下，Q0，Q1....Qk表明不一样的优先级队列，Q-history表明从缓存中淘汰数据，但记录了数据的索引和引用次数的队列：

 

如上图，算法详细描述以下：

1. 新插入的数据放入Q0；

2. 每一个队列按照LRU管理数据；

3. 当数据的访问次数达到必定次数，须要提高优先级时，将数据从当前队列删除，加入到高一级队列的头部；

4. 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，须要下降优先级，将数据从当前队列删除，加入到低一级的队列头部；

5. 须要淘汰数据时，从最低一级队列开始按照LRU淘汰；每一个队列淘汰数据时，将数据从缓存中删除，将数据索引加入Q-history头部；

6. 若是数据在Q-history中被从新访问，则从新计算其优先级，移到目标队列的头部；

7. Q-history按照LRU淘汰数据的索引。

4.3. 分析

【命中率】

MQ下降了“缓存污染”带来的问题，命中率比LRU要高。

【复杂度】

MQ须要维护多个队列，且须要维护每一个数据的访问时间，复杂度比LRU高。

【代价】

MQ须要记录每一个数据的访问时间，须要定时扫描全部队列，代价比LRU要高。

注：虽然MQ的队列看起来数量比较多，但因为全部队列之和受限于缓存容量的大小，所以这里多个队列长度之和和一个LRU队列是同样的，所以队列扫描性能也相近。
 

 

5. LRU类算法对比

因为不一样的访问模型致使命中率变化较大，此处对比仅基于理论定性分析，不作定量分析。

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

实际应用中须要根据业务的需求和对数据的访问状况进行选择，并非命中率越高越好。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，但因为其简单和代价小，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)方法便可

若是你去看LinkedHashMap的源码可知，LRU算法是经过双向链表来实现，当某个位置被命中，经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，须要替换时，链表最后的位置就是最近最少使用的位置。

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;  
   
   
/** 
 * 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 
 *  
 * @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();  
        }  
    }  
}

基于双链表 的LRU实现:

　　传统意义的LRU算法是为每个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，须要淘汰旧内容，放置新内容时，就查看全部的计数器，并将最少使用的内容替换掉。

   它的弊端很明显，若是Cache的数量少，问题不会很大， 可是若是Cache的空间过大，达到10W或者100W以上，一旦须要淘汰，则须要遍历全部计算器，其性能与资源消耗是巨大的。效率也就很是的慢了。

    它的原理： 将Cache的全部位置都用双连表链接起来，当一个位置被命中以后，就将经过调整链表的指向，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，在屡次进行Cache操做后，最近被命中的，就会被向链表头方向移动，而没有命中的，而想链表后面移动，链表尾则表示最近最少使用的Cache。

     当须要替换内容时候，链表的最后位置就是最少被命中的位置，咱们只须要淘汰链表最后的部分便可。

  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。

    咱们用一个对象来表示Cache，并实现双链表，

public class LRUCache {  
    /** 
     * 链表节点 
     * @author Administrator 
     * 
     */  
    class CacheNode {  
        ……  
    }  
    private int cacheSize;//缓存大小  
    private Hashtable nodes;//缓存容器  
    private int currentSize;//当前缓存对象数量  
    private CacheNode first;//(实现双链表)链表头  
    private CacheNode last;//(实现双链表)链表尾  
}

下面给出完整的实现，这个类也被Tomcat所使用（ org.apache.tomcat.util.collections.LRUCache），可是在tomcat6.x版本中，已经被弃用，使用另外其余的缓存类来替代它。

public class LRUCache {  
    /** 
     * 链表节点 
     * @author Administrator 
     * 
     */  
    class CacheNode {  
        CacheNode prev;//前一节点  
        CacheNode next;//后一节点  
        Object value;//值  
        Object key;//键  
        CacheNode() {  
        }  
    }  
    public LRUCache(int i) {  
        currentSize = 0;  
        cacheSize = i;  
        nodes = new Hashtable(i);//缓存容器  
    }  
      
    /** 
     * 获取缓存中对象 
     * @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;  
        }  
    }  
      
    /** 
     * 添加缓存 
     * @param key 
     * @param value 
     */  
    public void put(Object key, Object value) {  
        CacheNode node = (CacheNode) nodes.get(key);  
          
        if (node == null) {  
            //缓存容器是否已经超过大小.  
            if (currentSize >= cacheSize) {  
                if (last != null)//将最少使用的删除  
                    nodes.remove(last.key);  
                removeLast();  
            } else {  
                currentSize++;  
            }  
              
            node = new CacheNode();  
        }  
        node.value = value;  
        node.key = key;  
        //将最新使用的节点放到链表头，表示最新使用的.  
        moveToHead(node);  
        nodes.put(key, node);  
    }  
    /** 
     * 将缓存删除 
     * @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;  
    }  
    /** 
     * 删除链表尾部节点 
     *  表示 删除最少使用的缓存对象 
     */  
    private void removeLast() {  
        //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）  
        if (last != null) {  
            if (last.prev != null)  
                last.prev.next = null;  
            else  
                first = null;  
            last = last.prev;  
        }  
    }  
      
    /** 
     * 移动到链表头，表示这个节点是最新使用过的 
     * @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;//缓存容器  
    private int currentSize;  
    private CacheNode first;//链表头  
    private CacheNode last;//链表尾  
}