LRU算法怎么理解

本篇内容介绍了“LRU算法怎么理解”的有关知识，在实际案例的操作过程中，不少人都会遇到这样的困境，接下来就让小编带领大家学习一下如何处理这些情况吧！希望大家仔细阅读，能够学有所成！

01、前言

我们常用缓存提升数据查询速度，由于缓存容量有限，当缓存容量到达上限，就需要删除部分数据挪出空间，这样新数据才可以添加进来。缓存数据不能随机删除，一般情况下我们需要根据某种算法删除缓存数据。常用淘汰算法有  LRU,LFU,FIFO。

02、LRU 简介

LRU 是 Least Recently Used  的缩写，这种算法认为最近使用的数据是热门数据，下一次很大概率将会再次被使用。而最近很少被使用的数据，很大概率下一次不再用到。当缓存容量满的时候，优先淘汰最近很少使用的数据。

假设现在缓存内部数据如图所示：

这里我们将列表第一个节点称为头结点，最后一个节点为尾结点。

当调用缓存获取 key=1 的数据，LRU 算法需要将 1 这个节点移动到头结点，其余节点不变，如图所示。

然后我们插入一个 key=8  节点，此时缓存容量到达上限，所以加入之前需要先删除数据。由于每次查询都会将数据移动到头结点，未被查询的数据就将会下沉到尾部节点，尾部的数据就可以认为是最少被访问的数据，所以删除尾结点的数据。

然后我们直接将数据添加到头结点。

这里总结一下 LRU 算法具体步骤：

• 新数据直接插入到列表头部

• 缓存数据被命中，将数据移动到列表头部

• 缓存已满的时候，移除列表尾部数据。

03、LRU 算法实现

上面例子中可以看到，LRU 算法需要添加头节点，删除尾结点。而链表添加节点/删除节点时间复杂度  O(1)，非常适合当做存储缓存数据容器。但是不能使用普通的单向链表，单向链表有几点劣势:

1. 鸿蒙官方战略合作共建——HarmonyOS技术社区

2. 每次获取任意节点数据，都需要从头结点遍历下去，这就导致获取节点复杂度为 O(N)。

3. 移动中间节点到头结点，我们需要知道中间节点前一个节点的信息，单向链表就不得不再次遍历获取信息。

针对以上问题，可以结合其他数据结构解决。

使用散列表存储节点，获取节点的复杂度将会降低为  O(1)。节点移动问题可以在节点中再增加前驱指针，记录上一个节点信息，这样链表就从单向链表变成了双向链表。

综上使用双向链表加散列表结合体，数据结构如图所示:

在双向链表中特意增加两个『哨兵』节点，不用来存储任何数据。使用哨兵节点，增加/删除节点的时候就可以不用考虑边界节点不存在情况，简化编程难度，降低代码复杂度。

LRU 算法实现代码如下，为了简化 key ，val 都认为 int 类型。

public class LRUCache {   Entry head, tail;  int capacity;  int size;  Map cache;    public LRUCache(int capacity) {  this.capacity = capacity;  // 初始化链表  initLinkedList();  size = 0;  cache = new HashMap<>(capacity + 2);  }   /**  * 如果节点不存在，返回 -1.如果存在，将节点移动到头结点，并返回节点的数据。  *  * @param key  * @return  */  public int get(int key) {  Entry node = cache.get(key);  if (node == null) {  return -1;  }  // 存在移动节点  moveToHead(node);  return node.value;  }   /**  * 将节点加入到头结点，如果容量已满，将会删除尾结点  *  * @param key  * @param value  */  public void put(int key, int value) {  Entry node = cache.get(key);  if (node != null) {  node.value = value;  moveToHead(node);  return;  }  // 不存在。先加进去，再移除尾结点  // 此时容量已满 删除尾结点  if (size == capacity) {  Entry lastNode = tail.pre;  deleteNode(lastNode);  cache.remove(lastNode.key);  size--;  }  // 加入头结点   Entry newNode = new Entry();  newNode.key = key;  newNode.value = value;  addNode(newNode);  cache.put(key, newNode);  size++;   }   private void moveToHead(Entry node) {  // 首先删除原来节点的关系  deleteNode(node);  addNode(node);  }   private void addNode(Entry node) {  head.next.pre = node;  node.next = head.next;   node.pre = head;  head.next = node;  }   private void deleteNode(Entry node) {  node.pre.next = node.next;  node.next.pre = node.pre;  }    public static class Entry {  public Entry pre;  public Entry next;  public int key;  public int value;   public Entry(int key, int value) {  this.key = key;  this.value = value;  }   public Entry() {  }  }   private void initLinkedList() {  head = new Entry();  tail = new Entry();   head.next = tail;  tail.pre = head;   }   public static void main(String[] args) {   LRUCache cache = new LRUCache(2);   cache.put(1, 1);  cache.put(2, 2);  System.out.println(cache.get(1));  cache.put(3, 3);  System.out.println(cache.get(2));   } }

04、LRU 算法分析

缓存命中率是缓存系统的非常重要指标，如果缓存系统的缓存命中率过低，将会导致查询回流到数据库，导致数据库的压力升高。

结合以上分析 LRU 算法优缺点。

LRU 算法优势在于算法实现难度不大，对于对于热点数据， LRU 效率会很好。

LRU  算法劣势在于对于偶发的批量操作，比如说批量查询历史数据，就有可能使缓存中热门数据被这些历史数据替换，造成缓存污染，导致缓存命中率下降，减慢了正常数据查询。

05、LRU 算法改进方案

以下方案来源于 MySQL InnoDB LRU 改进算法

将链表拆分成两部分，分为热数据区，与冷数据区，如图所示。

改进之后算法流程将会变成下面一样:

1. 鸿蒙官方战略合作共建——HarmonyOS技术社区

2. 访问数据如果位于热数据区，与之前 LRU 算法一样，移动到热数据区的头结点。

3. 插入数据时，若缓存已满，淘汰尾结点的数据。然后将数据插入冷数据区的头结点。

4. 处于冷数据区的数据每次被访问需要做如下判断：

5. 若该数据已在缓存中超过指定时间，比如说 1 s，则移动到热数据区的头结点。

6. 若该数据存在在时间小于指定的时间，则位置保持不变。

对于偶发的批量查询，数据仅仅只会落入冷数据区，然后很快就会被淘汰出去。热门数据区的数据将不会受到影响，这样就解决了 LRU  算法缓存命中率下降的问题。

“LRU算法怎么理解”的内容就介绍到这里了，感谢大家的阅读。如果想了解更多行业相关的知识可以关注亿速云网站，小编将为大家输出更多高质量的实用文章！