原文网址：缓存淘汰算法--LRU算法的原理与应用_IT利刃出鞘的博客-CSDN博客

简介

本文LRU算法的原理、Java实现、应用。

LRU算法全称是：Least Recently Used，即：检查最近最少使用的数据。这个算法通常使用在内存淘汰策略中，用于将不常用的数据转移出内存，将空间腾给最近更常用的“热点数据”。

LRU算法的原理

一般来讲，LRU将访问数据的顺序或时间和数据本身维护在一个容器当中。当访问一个数据时：

若该数据不在容器中，则设置该数据的优先级为最高并放入容器中。
若该数据在容器当中，则更新该数据的优先级至最高。

当数据的总量达到上限后，则移除容器中优先级最低的数据。下图是一个简单的LRU原理示意图：

如果我们按照7 0 1 2 0 3 0 4的顺序来访问数据，且数据的总量上限为3，则如上图所示，LRU算法会依次淘汰7 1 2这三个数据。

Java实现

实现方案

LRU算法实现要支持的项：

在任意位置删除、在末尾进行添加。
按照访问（使用）顺序排序。
数据量超过一定阈值后，需要删除Least Recently Used数据。

各个实现方法的对比如下：

基于数组

方案：为每一个数据附加一个额外的属性——时间戳，当每一次访问数据时，更新该数据的时间戳至当前时间。当数据空间已满后，则扫描整个数组，淘汰时间戳最小的数据。

不足：维护时间戳需要额外的空间，淘汰数据时需要扫描整个数组（时间复杂度为O(n)，效率低）

基于长度有限的双向链表

方案：访问一个数据时，当数据不在链表中，则将数据插入至链表头部，如果在链表中，则将该数据移至链表头部。当数据空间已满后，则淘汰链表最末尾的数据。

不足：插入数据或取数据时，需要扫描整个链表（时间复杂度为O(n)，效率低）。

基于双向链表和哈希表

方案：为了改进上面需要扫描链表的缺陷，配合哈希表，将数据和链表中的节点形成映射，将插入操作和读取操作的时间复杂度从O(N)降至O(1)。

java.util.LinkedHashMap已经实现了其中的99%，因此直接基于LinkedHashMap实现LRUCache非常简单。

基于Java的LinkedHashMap实现示例

LinkedHashMap底层就是用的HashMap加双链表实现的
LinkedHashMap支持按照访问顺序的存储。
LinkedHashMap实现了一个方法removeEldestEntry用于判断是否需要移除最不常读取的数，方法默认是直接返回false，不会移除元素。需要重写该方法：即当缓存满后就移除最不常用的数。

// 继承LinkedHashMap
public class LRUCache<K, V> extends LinkedHashMap<K, V> {
    private final int MAX_CACHE_SIZE;

    public LRUCache(int cacheSize) {
        // 第三个参数要设置为true，按访问排序
        super((int) Math.ceil(cacheSize / 0.75) + 1, 0.75f, true);
        MAX_CACHE_SIZE = cacheSize;
    }

    @Override
    protected boolean removeEldestEntry(Map.Entry eldest) {
        // 超过阈值时返回true，进行LRU淘汰
        return size() > MAX_CACHE_SIZE;
    }
}

LRU的应用

MySQL的Buffer Pool

LRU 在 MySQL 的应用就是 Buffer Pool，也就是缓冲池。

缓冲池的目的是为了减少磁盘 IO，它是一块连续的内存，默认大小 128M，可以进行修改。这一块连续的内存，被划分为若干默认大小为 16KB 的页。

既然它是一个 pool，那么必然有满了的时候，这时候就要移除某些页了，为了减少磁盘 IO，所以应该淘汰掉很久没有被访问过的页，这个就是 LRU 。

Redis

Redis会有满的时候，满了就要淘汰掉长期不使用的key，在 Redis 中用了一个类似的 LRU 算法，而不是严格的 LRU 算法。

Dubbo

Dubbo的LRU缓存LRUCache使用LinkedHashMap实现了LRU算法。

LRUCache.java

Vue 的内置组件 keep-alive

Vue 的内置组件 keep-alive 使用了 LRU 算法。

缓存淘汰算法--LRU算法的原理与应用

简介