cache缓存淘汰算法LRU算法.docx
《cache缓存淘汰算法LRU算法.docx》由会员分享,可在线阅读,更多相关《cache缓存淘汰算法LRU算法.docx(20页珍藏版)》请在冰点文库上搜索。
cache缓存淘汰算法LRU算法
缓存淘汰算法--LRU算法
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-K
2.1. 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。
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
*
*@authordennis
*
*@param
*@param
*/
public class LRULinkedHashMapextends LinkedHashMap{
private final int maxCapacity;
private static final float DEFAULT_LOAD_FACTOR=0.75f;
private final Locklock=new ReentrantLock();
public LRULinkedHashMap(int maxCapacity){
super(maxCapacity,DEFAULT_LOAD_FACTOR,true);
this.maxCapacity=maxCapacity;
}
@Override
protected boolean removeEldestEntry(java.util.Map.Entryeldest){
return size()>maxCapacity;
}
@Override
public boolean containsKey(Objectkey){
try {
lock.lock();
return super.containsKey(key);
}finally {
lock.unlock();
}
}
@Override
public Vget(Objectkey){
try {
lock.lock();
return super.get(key);
}finally {
lock.unlock();
}
}
@Override
public Vput(Kkey,Vvalue){
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>getAll(){
try {
lock.lock();
return new ArrayList>(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
1.public class LRUCache {
2. /**
3. * 链表节点
4. * @author Administrator
5. *
6. */
7. class CacheNode {
8. ……
9. }
10. private int cacheSize;//缓存大小
11. private Hashtable nodes;//缓存容器
12. private int currentSize;//当前缓存对象数量
13. private CacheNode first;//(实现双链表)链表头
14. private CacheNode last;//(实现双链表)链表尾
15.}
16.
publicclassLRUCache{
/**
*链表节点
*@authorAdministrator
*
*/
classCacheNode{
……
}
privateintcacheSize;//缓存大小
privateHashtablenodes;//缓存容器
privateintcurrentSize;//当前缓存对象数量
privateCacheNodefirst;//(实现双链表)链表头
privateCacheNodelast;//(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
1.public class LRUCache {
2. /**
3. * 链表节点
4. * @author Administrator
5. *
6. */
7. class CacheNode {
8. CacheNode prev;//前一节点
9. CacheNode next;//后一节点
10. Object value;//值
11. Object key;//键
12. CacheNode() {
13. }
14. }
15. public LRUCache(int i) {
16. currentSize = 0;
17. cacheSize = i;
18. nodes = new Hashtable(i);//缓存容器
19. }
20.
21. /**
22. * 获取缓存中对象
23. * @param key
24. * @return
25. */
26. public Object get(Object key) {
27. CacheNode node = (CacheNode) nodes.get(key);
28. if (node !
= null) {
29. moveToHead(node);
30. return node.value;
31. } else {
32. return null;
33. }
34. }
35.
36. /**
37. * 添加缓存
38. * @param key
39. * @param value
40. */
41. public void put(Object key, Object value) {
42. CacheNode node = (CacheNode) nodes.get(key);
43.
44. if (node == null) {
45. //缓存容器是否已经超过大小.
46. if (currentSize >= cacheSize) {
47. if (last !
= null)//将最少使用的删除
48. nodes.remove(last.key);
49. removeLast();
50. } else {
51. currentSize++;
52. }
53.
54. node = new CacheNode();
55. }
56. node.value = value;
57. node.key = key;
58. //将最新使用的节点放到链表头,表示最新使用的.
59. moveToHead(node);
60. nodes.put(key, node);
61. }
62. /**
63. * 将缓存删除
64. * @param key
65. * @return
66. */
67. public Object remove(Object key) {
68. CacheNode node = (CacheNode) nodes.get(key);
69. if (node !
= null) {
70. if (node.prev !
= null) {
71. node.prev.next = node.next;
72. }
73. if (node.next !
= null) {
74. node.next.prev = node.prev;
75. }
76. if (last == node)
77. last = node.prev;
78. if (first == node)
79. first = node.next;
80. }
81. return node;
82. }
83. public void clear() {
84. first = null;
85. last = null;
86. }
87. /**
88. * 删除链表尾部节点
89. * 表示 删除最少使用的缓存对象
90. */
91. private void removeLast() {
92. //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)
93. if (last !
= null) {
94. if (last.prev !
= null)
95. last.prev.next = null;
96. else
97. first = null;
98. last = last.prev;
99. }
100. }
1