存淘汰演算法--LRU演算法
1. LRU
1.1. 原理
LRU（Least recently used，最近最少使用）演算法根據資料的歷史訪問記錄來進行淘汰資料，其核心思想是“如果資料最近被訪問過，那麼將來被訪問的機率也更高”。
1.2. 實現
最常見的實現是使用一個連結串列儲存快取資料，詳細演算法實現如下：
1. 新資料插入到連結串列頭部；
2. 每當快取命中（即快取資料被訪問），則將資料移到連結串列頭部；
3. 當連結串列滿的時候，將連結串列尾部的資料丟棄。
1.3. 分析
【命中率】
當存在熱點資料時，LRU的效率很好，但偶發性的、週期性的批量操作會導致LRU命中率急劇下降，快取汙染情況比較嚴重。
【複雜度】
實現簡單。
【代價】
命中時需要遍歷連結串列，找到命中的資料塊索引，然後需要將資料移到頭部。
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演算法“快取汙染”的問題，其核心思想是將“最近使用過1次”的判斷標準擴充套件為“最近使用過K次”。
2.2. 實現
相比LRU，LRU-K需要多維護一個佇列，用於記錄所有快取資料被訪問的歷史。只有當資料的訪問次數達到K次的時候，才將資料放入快取。當需要淘汰資料時，LRU-K會淘汰第K次訪問時間距當前時間最大的資料。詳細實現如下：
1. 資料第一次被訪問，加入到訪問歷史列表；
2. 如果資料在訪問歷史列表裡後沒有達到K次訪問，則按照一定規則（FIFO，LRU）淘汰；
3. 當訪問歷史佇列中的資料訪問次數達到K次後，將資料索引從歷史佇列刪除，將資料移到快取佇列中，並快取此資料，快取佇列重新按照時間排序；
4. 快取資料佇列中被再次訪問後，重新排序；
5. 需要淘汰資料時，淘汰快取佇列中排在末尾的資料，即：淘汰“倒數第K次訪問離現在最久”的資料。
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是綜合各種因素後最優的選擇，LRU-3或者更大的K值命中率會高，但適應性差，需要大量的資料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“快取汙染”帶來的問題，命中率比LRU要高。
【複雜度】
LRU-K佇列是一個優先順序佇列，演算法複雜度和代價比較高。
【代價】
由於LRU-K還需要記錄那些被訪問過、但還沒有放入快取的物件，因此記憶體消耗會比LRU要多；當資料量很大的時候，記憶體消耗會比較可觀。
LRU-K需要基於時間進行排序（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）演算法類似於LRU-2，不同點在於2Q將LRU-2演算法中的訪問歷史佇列（注意這不是快取資料的）改為一個FIFO快取佇列，即：2Q演算法有兩個快取佇列，一個是FIFO佇列，一個是LRU佇列。
3.2. 實現
當資料第一次訪問時，2Q演算法將資料快取在FIFO佇列裡面，當資料第二次被訪問時，則將資料從FIFO佇列移到LRU佇列裡面，兩個佇列各自按照自己的方法淘汰資料。詳細實現如下：
1. 新訪問的資料插入到FIFO佇列；
2. 如果資料在FIFO佇列中一直沒有被再次訪問，則最終按照FIFO規則淘汰；
3. 如果資料在FIFO佇列中被再次訪問，則將資料移到LRU佇列頭部；
4. 如果資料在LRU佇列再次被訪問，則將資料移到LRU佇列頭部；
5. LRU佇列淘汰末尾的資料。
注：上圖中FIFO佇列比LRU佇列短，但並不代表這是演算法要求，實際應用中兩者比例沒有硬性規定。
3.3. 分析
【命中率】
2Q演算法的命中率要高於LRU。
【複雜度】
需要兩個佇列，但兩個佇列本身都比較簡單。
【代價】
FIFO和LRU的代價之和。
2Q演算法和LRU-2演算法命中率類似，記憶體消耗也比較接近，但對於最後快取的資料來說，2Q會減少一次從原始儲存讀取資料或者計算資料的操作。
4. Multi Queue（MQ）
4.1. 原理
MQ演算法根據訪問頻率將資料劃分為多個佇列，不同的佇列具有不同的訪問優先順序，其核心思想是：優先快取訪問次數多的資料。
4.2. 實現
MQ演算法將快取劃分為多個LRU佇列，每個佇列對應不同的訪問優先順序。訪問優先順序是根據訪問次數計算出來的，例如
詳細的演算法結構圖如下，Q0，Q1....Qk代表不同的優先順序佇列，Q-history代表從快取中淘汰資料，但記錄了資料的索引和引用次數的佇列：
如上圖，演算法詳細描述如下：
1. 新插入的資料放入Q0；
2. 每個佇列按照LRU管理資料；
3. 當資料的訪問次數達到一定次數，需要提升優先順序時，將資料從當前佇列刪除，加入到高一級佇列的頭部；
4. 為了防止高優先順序資料永遠不被淘汰，當資料在指定的時間裡訪問沒有被訪問時，需要降低優先順序，將資料從當前佇列刪除，加入到低一級的佇列頭部；
5. 需要淘汰資料時，從最低一級佇列開始按照LRU淘汰；每個佇列淘汰資料時，將資料從快取中刪除，將資料索引加入Q-history頭部；
6. 如果資料在Q-history中被重新訪問，則重新計算其優先順序，移到目標佇列的頭部；
7. Q-history按照LRU淘汰資料的索引。
4.3. 分析
【命中率】
MQ降低了“快取汙染”帶來的問題，命中率比LRU要高。
【複雜度】
MQ需要維護多個佇列，且需要維護每個資料的訪問時間，複雜度比LRU高。
【代價】
MQ需要記錄每個資料的訪問時間，需要定時掃描所有佇列，代價比LRU要高。
注：雖然MQ的佇列看起來數量比較多，但由於所有佇列之和受限於快取容量的大小，因此這裡多個佇列長度之和和一個LRU佇列是一樣的，因此佇列掃描效能也相近。
5. LRU類演算法對比
由於不同的訪問模型導致命中率變化較大，此處對比僅基於理論定性分析，不做定量分析。
|
對比點 |
對比 |
|
命中率 |
LRU-2 > MQ(2) > 2Q > LRU |
|
複雜度 |
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資料的訪問情況進行選擇，並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”快取汙染“的問題，但由於其簡單和代價小，實際應用中反而應用更多。
java中最簡單的LRU演算法實現，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的原始碼可知，LRU演算法是通過雙向連結串列來實現，當某個位置被命中，通過調整連結串列的指向將該位置調整到頭位置，新加入的內容直接放在連結串列頭，如此一來，最近被命中的內容就向連結串列頭移動，需要替換時，連結串列最後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;
/**
* 類說明：利用LinkedHashMap實現簡單的快取， 必須實現removeEldestEntry方法，具體參見JDK文件
*
* @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();
}
}
} 基於雙鏈表 的LRU實現:
傳統意義的LRU演算法是為每一個Cache物件設定一個計數器，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，就檢視所有的計數器，並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，其效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線起來，當一個位置被命中之後，就將通過調整連結串列的指向，將該位置調整到連結串列頭的位置，新加入的Cache直接加到連結串列頭中。
這樣，在多次進行Cache操作後，最近被命中的，就會被向連結串列頭方向移動，而沒有命中的，而想連結串列後面移動，連結串列尾則表示最近最少使用的Cache。
當需要替換內容時候，連結串列的最後位置就是最少被命中的位置，我們只需要淘汰連結串列最後的部分即可。
上面說了這麼多的理論， 下面用程式碼來實現一個LRU策略的快取。
我們用一個物件來表示Cache，並實現雙鏈表，
Java程式碼
public class LRUCache {
/**
* 連結串列節點
* @author Administrator
*
*/
class CacheNode {
……
}
private int cacheSize;//快取大小
private Hashtable nodes;//快取容器
private int currentSize;//當前快取物件數量
private CacheNode first;//(實現雙鏈表)連結串列頭
private CacheNode last;//(實現雙鏈表)連結串列尾
}
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，使用另外其他的快取類來替代它。
Java程式碼
public class LRUCache {
/**
* 連結串列節點
* @author Administrator
*
*/
class CacheNode {
CacheNode prev;//前一節點
CacheNode next;//後一節點
Object value;//值
Object key;//鍵
CacheNode() {
}
}
public LRUCache(int i) {
currentSize = 0;
cacheSize = i;
nodes = new Hashtable(i);//快取容器
}
/**
* 獲取快取中物件
* @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;
}
}
/**
* 新增快取
* @param key
* @param value
*/
public void put(Object key, Object value) {
CacheNode node = (CacheNode) nodes.get(key);
if (node == null) {
//快取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連結串列頭，表示最新使用的.
moveToHead(node);
nodes.put(key, node);
}
/**
* 將快取刪除
* @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;
}
/**
* 刪除連結串列尾部節點
* 表示 刪除最少使用的快取物件
*/
private void removeLast() {
//連結串列尾不為空,則將連結串列尾指向null. 刪除連表尾（刪除最少使用的快取物件）
if (last != null) {
if (last.prev != null)
last.prev.next = null;
else
first = null;
last = last.prev;
}
}
/**
* 移動到連結串列頭，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;//快取容器
private int currentSize;
private CacheNode first;//連結串列頭
private CacheNode last;//連結串列尾
}