请选择 进入手机版 | 继续访问电脑版
设为首页收藏本站

houcx

 找回密码
 立即注册
搜索
热搜: 活动 交友 discuz
查看: 1688|回复: 0

缓存淘汰算法--LRU算法

[复制链接]

240

主题

242

帖子

1210

积分

管理员

Rank: 9Rank: 9Rank: 9

积分
1210
发表于 2018-4-25 10:17:36 | 显示全部楼层 |阅读模式
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“如果数据最近被访问过,那么将来被访问的几率也更高”。
1.2. 实现
最常见的实现是使用一个链表保存缓存数据,详细算法实现如下:
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、周期性的批量操作会导致LRU命中率急剧下降,缓存污染情况比较严重。
【复杂度】
实现简单。
【代价】
命中时需要遍历链表,找到命中的数据块索引,然后需要将数据移到头部。


2. LRU-K2.1. 原理
LRU-K中的K代表最近使用的次数,因此LRU可以认为是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需要多维护一个队列,用于记录所有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。当需要淘汰数据时,LRU-K会淘汰第K次访问时间距当前时间最大的数据。详细实现如下:
1. 数据第一次被访问,加入到访问历史列表;
2. 如果数据在访问历史列表里后没有达到K次访问,则按照一定规则(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,缓存队列重新按照时间排序;
4. 缓存数据队列中被再次访问后,重新排序;
5. 需要淘汰数据时,淘汰缓存队列中排在末尾的数据,即:淘汰“倒数第K次访问离现在最久”的数据。
LRU-K具有LRU的优点,同时能够避免LRU的缺点,实际应用中LRU-2是综合各种因素后最优的选择,LRU-3或者更大的K值命中率会高,但适应性差,需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降低了“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】
由于LRU-K还需要记录那些被访问过、但还没有放入缓存的对象,因此内存消耗会比LRU要多;当数据量很大的时候,内存消耗会比较可观。
LRU-K需要基于时间进行排序(可以需要淘汰时再排序,也可以即时排序),CPU消耗比LRU要高。

3. Two queues(2Q)3.1. 原理
Two queues(以下使用2Q代替)算法类似于LRU-2,不同点在于2Q将LRU-2算法中的访问历史队列(注意这不是缓存数据的)改为一个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,两个队列各自按照自己的方法淘汰数据。详细实现如下:
1. 新访问的数据插入到FIFO队列;
2. 如果数据在FIFO队列中一直没有被再次访问,则最终按照FIFO规则淘汰;
3. 如果数据在FIFO队列中被再次访问,则将数据移到LRU队列头部;
4. 如果数据在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,但并不代表这是算法要求,实际应用中两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】
需要两个队列,但两个队列本身都比较简单。
【代价】
FIFO和LRU的代价之和。
2Q算法和LRU-2算法命中率类似,内存消耗也比较接近,但对于最后缓存的数据来说,2Q会减少一次从原始存储读取数据或者计算数据的操作。

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,不同的队列具有不同的访问优先级,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,每个队列对应不同的访问优先级。访问优先级是根据访问次数计算出来的,例如
详细的算法结构图如下,Q0,Q1....Qk代表不同的优先级队列,Q-history代表从缓存中淘汰数据,但记录了数据的索引和引用次数的队列:

如上图,算法详细描述如下:
1. 新插入的数据放入Q0;
2. 每个队列按照LRU管理数据;
3. 当数据的访问次数达到一定次数,需要提升优先级时,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,需要降低优先级,将数据从当前队列删除,加入到低一级的队列头部;
5. 需要淘汰数据时,从最低一级队列开始按照LRU淘汰;每个队列淘汰数据时,将数据从缓存中删除,将数据索引加入Q-history头部;
6. 如果数据在Q-history中被重新访问,则重新计算其优先级,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降低了“缓存污染”带来的问题,命中率比LRU要高。
【复杂度】
MQ需要维护多个队列,且需要维护每个数据的访问时间,复杂度比LRU高。
【代价】
MQ需要记录每个数据的访问时间,需要定时扫描所有队列,代价比LRU要高。
注:虽然MQ的队列看起来数量比较多,但由于所有队列之和受限于缓存容量的大小,因此这里多个队列长度之和和一个LRU队列是一样的,因此队列扫描性能也相近。


5. LRU类算法对比
由于不同的访问模型导致命中率变化较大,此处对比仅基于理论定性分析,不做定量分析。
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
实际应用中需要根据业务的需求和对数据的访问情况进行选择,并不是命中率越高越好。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,但由于其简单和代价小,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)方法即可
如果你去看LinkedHashMap的源码可知,LRU算法是通过双向链表来实现,当某个位置被命中,通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,需要替换时,链表最后的位置就是最近最少使用的位置。

[size=1em]
1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

37

38

39

40

41

42

43

44

45

46

47

48

49

50

51

52

53

54

55

56

57

58

59

60

61

62

63

64

65

66

67

68

69

70

71

72

73

74

75

76

77

78

79

80

81

82

83

84

85

86

87

88

89

90

91

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算法是为每一个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,需要淘汰旧内容,放置新内容时,就查看所有的计数器,并将最少使用的内容替换掉。

   它的弊端很明显,如果Cache的数量少,问题不会很大, 但是如果Cache的空间过大,达到10W或者100W以上,一旦需要淘汰,则需要遍历所有计算器,其性能与资源消耗是巨大的。效率也就非常的慢了。
    它的原理: 将Cache的所有位置都用双连表连接起来,当一个位置被命中之后,就将通过调整链表的指向,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,在多次进行Cache操作后,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。
     当需要替换内容时候,链表的最后位置就是最少被命中的位置,我们只需要淘汰链表最后的部分即可。
  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。
    我们用一个对象来表示Cache,并实现双链表,
Java代码  [url=][/url]

  • 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),但是在tomcat6.x版本中,已经被弃用,使用另外其他的缓存类来替代它。
Java代码  [url=][/url]

  • 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  
  • }<br style="margin: 0px; padding: 0px;"><br style="margin: 0px; padding: 0px;">  




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








回复

使用道具 举报

您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

QQ|Archiver|手机版|小黑屋|houcx ( 京ICP备15004793号  

GMT+8, 2019-11-15 11:11 , Processed in 0.067617 second(s), 24 queries .

Powered by houcx! X3.2

© 2001-2013 Comsenz Inc.

快速回复 返回顶部 返回列表