共计 6525 个字符，预计需要花费 17 分钟才能阅读完成。
手写 LRU 缓存淘汰算法
背景
在咱们这个日益谋求高效的世界，咱们对任何事件的期待都显得非常的塌实，网页页面刷新不进去，好烦，电脑关上运行程序慢，又是好烦！那怎么办，技术的产生不就是咱们所服务么，明天咱们就聊一聊 缓存 这个技术，并应用咱们熟知的数据结构 –用链表实现 LRU 缓存淘汰算法。
在学习如何应用链表实现 LRU 缓存淘汰算法前，咱们先提出几个问题，大家好好思考下，问题如下：
- 什么是缓存，缓存的作用？
- 缓存的淘汰策略有哪些？
- 如何应用链表实现 LRU 缓存淘汰算法，有什么特点，如何优化？
好了，咱们带着下面的问题来学进行上面的学习。
1、什么是缓存，缓存的作用是什么?
缓存 能够简略的了解为保留数据的一个 正本 ，以便于后续可能疾速的进行拜访。 以计算机的应用场景为例，当 cpu 要拜访内存中的一条数据时，它会先在缓存里查找，如果可能找到则间接应用，如果没找到，则须要去内存里查找；
同样的，在数据库的拜访场景中，当我的项目零碎须要查询数据库中的某条数据时，能够先让申请查问缓存，如果命中，就间接返回缓存的后果，如果没有命中，就查询数据库，并将查问后果放入缓存，下次申请时查问缓存命中，间接返回后果，就不必再次查询数据库。
通过以上两个例子，咱们发现无论在哪种场景下，都存在这样一个程序：先缓存，后内存 ； 先缓存，后数据库 。然而缓存的存在也占用了一部分内存空间，所以缓存是典型的以 空间换工夫 ，就义数据的 实时性 ，却满足计算机运行的 高效性。
认真想一下，咱们日常开发中遇到缓存的例子还挺多的。
- 操作系统的缓存
缩小与磁盘的交互
- 数据库缓存
缩小对数据库的查问
- Web 服务器缓存
缩小对应用服务器的申请
- 客户浏览器的缓存
缩小对网站的拜访
2、缓存有哪些淘汰策略?
缓存的实质是以 空间换工夫，那么缓存的容量大小必定是无限的，当缓存被占满时，缓存中的那些数据应该被清理进来，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，罕用的缓存的淘汰策略有三种：先进先出算法(First in First out FIFO)；淘汰肯定期间内被拜访次数起码的页面(Least Frequently Used LFU)；淘汰最长工夫未被应用的页面(Least Recently Used LRU)
这些算法在不同档次的缓存上执行时具备不同的效率，须要联合具体的场景来抉择。
2.1 FIFO 算法
FIFO算法即 先进先出算法 ，常采纳队列实现。在缓存中，它的设计准则是： 如果一个数据最先进入缓存中，则应该最早淘汰掉。
- 新拜访的数据插入 FIFO 队列的尾部，队列中数据由队到队头按程序程序挪动
- 队列满时，删除队头的数据
2.2 LRU 算法
LRU 算法 是依据对数据的历史拜访次数来进行淘汰数据的，通常应用链表来实现。在缓存中，它的设计准则是：如果数据最近被拜访过，那么未来它被拜访的几率也很高。
- 新退出的数据插入到链表的头部
- 每当缓存命中时(即缓存数据被拜访)，则将数据移到链表头部
- 当来链表已满的时候，将链表尾部的数据抛弃
2.3 LFU 算法
LFU 算法 是依据数据的历史拜访频率来淘汰数据，因而，LFU 算法中的每个数据块都有一个援用计数，所有数据块依照援用计数排序，具备雷同援用计数的数据块则依照工夫排序。在缓存中，它的设计准则是：如果数据被拜访屡次，那么未来它的拜访频率也会更高。
- 新退出数据插入到队列尾部（援用计数为 1；
- 队列中的数据被拜访后，援用计数减少，队列从新排序；
- 当须要淘汰数据时，将曾经排序的列表最初的数据块删除。
3、如何应用链表实现缓存淘汰，有什么特点，如何优化？
在下面的文章中咱们了解了 缓存的概念 及淘汰策略 ，其中LRU 算法 是口试 / 面试中考查比拟频繁的，我秋招的时候，很多公司都让我手写了这个算法，为了防止大家采坑，上面，咱们就手写一个 LRU 缓存淘汰算法。
咱们都晓得链表的模式不止一种，咱们应该抉择哪一种呢？
思考三分钟 ……..
好了，颁布答案！
事实上，链表依照不同的连接结构能够划分为 单链表 、 循环链表 和双向链表。
- 单链表
- 每个节点只蕴含一个指针，即后继指针。
- 单链表有两个非凡的节点，即首节点和尾节点，用首节点地址示意整条链表，尾节点的后继指针指向空地址 null。
- 性能特点：插入和删除节点的工夫复杂度为 O(1)，查找的工夫复杂度为 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统一。
- 实用于存储有循环特点的数据，比方约瑟夫问题。
- 双向链表
- 节点除了存储数据外，还有两个指针别离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劣势在于：找到前驱节点的工夫复杂度为 O(1)，而单链表只能从头节点缓缓往下找，所以依然是 O(n). 而且，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，然而个别状况下，咱们想要进行插入删除操作，很多时候还是得先进行查找，再插入或者删除，可见其实是先 O(n), 再 O(1)。
不相熟链表解题的同学能够先看看我的上一篇算法解析文章刷了 LeetCode 链表专题，我发现了一个机密。
因为咱们须要删除操作，删除一个节点不仅要失去该节点自身的指针，也须要操作其它前驱节点的指针，而双向链表可能间接找到前驱，保障了操作工夫复杂度为 O(1)，因而应用双向链表作为实现 LRU 缓存淘汰算法的构造会更高效。
算法思路
保护一个双向链表，保留所有缓存的值，并且最老的值放在链表最初面。
- 当拜访的值在链表中时：将找到链表中值将其删除，并从新在链表头增加该值（保障链表中 数值的程序是从新到旧）
- 当拜访的值不在链表中时：当链表已满：删除链表最初一个值，将要增加的值放在链表头 当链表未满：间接在链表头增加
3.1 LRU 缓存淘汰算法
极客工夫王争的《数据结构与算法之美》给出了一个应用有序单链表实现 LRU 缓存淘汰算法，代码如下：
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;
// 空链表间接返回
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();}
}
}这段代码不论缓存有没有满，都须要遍历一遍链表，所以这种基于链表的实现思路，缓存拜访的工夫复杂度为 O(n)。
3.2 应用哈希表优化 LRU
事实上，这个思路还能够持续优化，咱们能够把单链表换成 双向链表 ，并引入 散列表。
- 双向链表反对查找前驱，保障操作的工夫复杂度为 O(1)
- 引入散列表记录每个数据的地位，将缓存拜访的工夫复杂度降到 O(1)
哈希表查找较快，然而数据无固定的程序；链表倒是有程序之分。插入、删除较快，然而查找较慢。将它们联合，就能够造成一种新的数据结构 –哈希链表(LinkedHashMap)
力扣上 146 题 -LRU 缓存机制刚好能够拿来练手，题图如下：
题目：
使用你所把握的数据结构，设计和实现一个 LRU (最近起码应用) 缓存机制。
- 实现 LRUCache 类：
LRUCache(int capacity) 以正整数作为容量 capacity 初始化 LRU 缓存
int get(int key) 如果关键字 key 存在于缓存中，则返回关键字的值，否则返回 -1。
void put(int key, int value) 如果关键字曾经存在，则变更其数据值；如果关键字不存在，则插入该组「关键字 - 值」。当缓存容量达到下限时，它应该在写入新数据之前删除最久未应用的数据值，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
- 哈希表用于满足题目工夫复杂度 O(1)的要求，双向链表用于存储程序
- 哈希表键值类型：<Integer, ListNode>，哈希表的键用于存储输出的 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 外还须要蕴含 key，因为在删除最久未应用的数据时，须要通过链表来定位 hashmap 中该当删除的键值对
- 一些操作：双向链表中，在前面的节点示意被最近拜访
- 新退出的节点放在链表开端，addNodeToLast(node)
- 若容量达到下限，去除最久未应用的数据，removeNode(head.next)
- 若数据新被拜访过，比方被 get 了或被 put 了新值，把该节点挪到链表开端，moveNodeToLast(node)
- 为了操作的不便，在双向链表头和尾别离定义一个 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);
}
}
伟人的肩膀
[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_…
[4]https://leetcode-cn.com/probl…
本文由博客群发一文多发等经营工具平台 OpenWrite 公布