Java實現常用緩存淘汰算法:FIFO、LRU、LFU
緩存淘汰算法
在高并發(fā)、高性能的質量要求不斷提高時，我們首先會想到的就是利用緩存予以應對。
第一次請求時把計算好的結果存放在緩存中，下次遇到同樣的請求時，把之前保存在緩存中的數據直接拿來使用。
但是，緩存的空間一般都是有限，不可能把所有的結果全部保存下來。那么，當緩存空間全部被占滿再有新的數據需要被保存，就要決定刪除原來的哪些數據。如何做這樣決定需要使用緩存淘汰算法。
常用的緩存淘汰算法有：FIFO、LRU、LFU，下面我們就逐一介紹一下。
FIFO
FIFO，First In First Out，先進先出算法。判斷被存儲的時間，離目前最遠的數據優(yōu)先被淘汰。簡單地說，先存入緩存的數據，先被淘汰。
最早存入緩存的數據，其不再被使用的可能性比剛存入緩存的可能性大。建立一個FIFO隊列，記錄所有在緩存中的數據。當一條數據被存入緩存時，就把它插在隊尾上。需要被淘汰的數據一直在隊列頭。這種算法只是在按線性順序訪問數據時才是理想的，否則效率不高。因為那些常被訪問的數據，往往在緩存中也停留得最久，結果它們卻因變“老”而不得不被淘汰出去。
FIFO算法用隊列實現就可以了，這里就不做代碼實現了。
LRU
LRU，Least Recently Used，最近最少使用算法。判斷最近被使用的時間，目前最遠的數據優(yōu)先被淘汰。簡單地說，LRU 的淘汰規(guī)則是基于訪問時間。
如果一個數據在最近一段時間沒有被使用到，那么可以認為在將來它被使用的可能性也很小。因此，當緩存空間滿時，最久沒有使用的數據最先被淘汰。
在Java中，其實LinkedHashMap已經實現了LRU緩存淘汰算法，需要在構造函數第三個參數傳入true，表示按照時間順序訪問?？梢灾苯永^承LinkedHashMap來實現。
package one.more;
import java.util.LinkedHashMap;
import java.util.Map;
public class LruCache<K, V> extends LinkedHashMap<K, V> {
/**
* 容量限制
*/
private int capacity;
LruCache(int capacity) {
// 初始大小，0.75是裝載因子，true是表示按照訪問時間排序
super(capacity, 0.75f, true);
//緩存最大容量
this.capacity = capacity;
}
/**
* 重寫removeEldestEntry方法，如果緩存滿了，則把鏈表頭部第一個節(jié)點和對應的數據刪除。
*/
@Override
protected boolean removeEldestEntry(Map.Entry<K, V> eldest) {
return size() > capacity;
}
}
我寫一個簡單的程序測試一下：
package one.more;
public class TestApp {
public static void main(String[] args) {
LruCache<String, String> cache = new LruCache(3);
cache.put("keyA", "valueA");
System.out.println("put keyA");
System.out.println(cache);
System.out.println("=========================");
cache.put("keyB", "valueB");
System.out.println("put keyB");
System.out.println(cache);
System.out.println("=========================");
cache.put("keyC", "valueC");
System.out.println("put keyC");
System.out.println(cache);
System.out.println("=========================");
cache.get("keyA");
System.out.println("get keyA");
System.out.println(cache);
System.out.println("=========================");
cache.put("keyD", "valueD");
System.out.println("put keyD");
System.out.println(cache);
}
}
運行結果如下：
put keyA
{keyA=valueA}
=========================
put keyB
{keyA=valueA, keyB=valueB}
=========================
put keyC
{keyA=valueA, keyB=valueB, keyC=valueC}
=========================
get keyA
{keyB=valueB, keyC=valueC, keyA=valueA}
=========================
put keyD
{keyC=valueC, keyA=valueA, keyD=valueD}
當然，這個不是面試官想要的，也不是我們想要的。我們可以使用雙向鏈表和哈希表進行實現，哈希表用于存儲對應的數據，雙向鏈表用于數據被使用的時間先后順序。
在訪問數據時，如果數據已存在緩存中，則把該數據的對應節(jié)點移到鏈表尾部。如此操作，在鏈表頭部的節(jié)點則是最近最少使用的數據。
當需要添加新的數據到緩存時，如果該數據已存在緩存中，則把該數據對應的節(jié)點移到鏈表尾部；如果不存在，則新建一個對應的節(jié)點，放到鏈表尾部；如果緩存滿了，則把鏈表頭部第一個節(jié)點和對應的數據刪除。
package one.more;
import java.util.HashMap;
import java.util.Map;
public class LruCache<K, V> {
/**
* 頭結點
*/
private Node head;
/**
* 尾結點
*/
private Node tail;
/**
* 容量限制
*/
private int capacity;
/**
* key和數據的映射
*/
private Map<K, Node> map;
LruCache(int capacity) {
this.capacity = capacity;
this.map = new HashMap<>();
}
public V put(K key, V value) {
Node node = map.get(key);
// 數據存在，將節(jié)點移動到隊尾
if (node != null) {
V oldValue = node.value;
//更新數據
node.value = value;
moveToTail(node);
return oldValue;
} else {
Node newNode = new Node(key, value);
// 數據不存在，判斷鏈表是否滿
if (map.size() == capacity) {
// 如果滿，則刪除隊首節(jié)點，更新哈希表
map.remove(removeHead().key);
}
// 放入隊尾節(jié)點
addToTail(newNode);
map.put(key, newNode);
return null;
}
}
public V get(K key) {
Node node = map.get(key);
if (node != null) {
moveToTail(node);
return node.value;
}
return null;
}
@Override
public String toString() {
StringBuilder sb = new StringBuilder();
sb.append("LruCache{");
Node curr = this.head;
while (curr != null) {
if(curr != this.head){
sb.append(',').append(' ');
}
sb.append(curr.key);
sb.append('=');
sb.append(curr.value);
curr = curr.next;
}
return sb.append('}').toString();
}
private void addToTail(Node newNode) {
if (newNode == null) {
return;
}
if (head == null) {
head = newNode;
tail = newNode;
} else {
//連接新節(jié)點
tail.next = newNode;
newNode.pre = tail;
//更新尾節(jié)點指針為新節(jié)點
tail = newNode;
}
}
private void moveToTail(Node node) {
if (tail == node) {
return;
}
if (head == node) {
head = node.next;
head.pre = null;
} else {
//調整雙向鏈表指針
node.pre.next = node.next;
node.next.pre = node.pre;
}
node.pre = tail;
node.next = null;
tail.next = node;
tail = node;
}
private Node removeHead() {
if (head == null) {
return null;
}
Node res = head;
if (head == tail) {
head = null;
tail = null;
} else {
head = res.next;
head.pre = null;
res.next = null;
}
return res;
}
class Node {
K key;
V value;
Node pre;
Node next;
Node(K key, V value) {
this.key = key;
this.value = value;
}
}
}
再次運行測試程序，結果如下：
put keyA
LruCache{keyA=valueA}
=========================
put keyB
LruCache{keyA=valueA, keyB=valueB}
=========================
put keyC
LruCache{keyA=valueA, keyB=valueB, keyC=valueC}
=========================
get keyA
LruCache{keyB=valueB, keyC=valueC, keyA=valueA}
=========================
put keyD
LruCache{keyC=valueC, keyA=valueA, keyD=valueD}
LFU
LFU，Least Frequently Used，最不經常使用算法，在一段時間內，數據被使用次數最少的，優(yōu)先被淘汰。簡單地說，LFU 的淘汰規(guī)則是基于訪問次數。
如果一個數據在最近一段時間很少被使用到，那么可以認為在將來它被使用的可能性也很小。因此，當空間滿時，最小頻率使用的數據最先被淘汰。
我們可以使用雙哈希表進行實現，一個哈希表用于存儲對應的數據，另一個哈希表用于存儲數據被使用次數和對應的數據。
package one.more;
import java.util.Comparator;
import java.util.HashMap;
import java.util.LinkedList;
import java.util.List;
import java.util.Map;
import java.util.stream.Collectors;
public class LfuCache<K, V> {
/**
* 容量限制
*/
private int capacity;
/**
* 當前最小使用次數
*/
private int minUsedCount;
/**
* key和數據的映射
*/
private Map<K, Node> map;
/**
* 數據頻率和對應數據組成的鏈表
*/
private Map<Integer, List<Node>> usedCountMap;
public LfuCache(int capacity) {
this.capacity = capacity;
this.minUsedCount = 1;
this.map = new HashMap<>();
this.usedCountMap = new HashMap<>();
}
public V get(K key) {
Node node = map.get(key);
if (node == null) {
return null;
}
// 增加數據的訪問頻率
addUsedCount(node);
return node.value;
}
public V put(K key, V value) {
Node node = map.get(key);
if (node != null) {
// 如果存在則增加該數據的訪問頻次
V oldValue = node.value;
node.value = value;
addUsedCount(node);
return oldValue;
} else {
// 數據不存在，判斷鏈表是否滿
if (map.size() == capacity) {
// 如果滿，則刪除隊首節(jié)點，更新哈希表
List<Node> list = usedCountMap.get(minUsedCount);
Node delNode = list.get(0);
list.remove(delNode);
map.remove(delNode.key);
}
// 新增數據并放到數據頻率為1的數據鏈表中
Node newNode = new Node(key, value);
map.put(key, newNode);
List<Node> list = usedCountMap.get(1);
if (list == null) {
list = new LinkedList<>();
usedCountMap.put(1, list);
}
list.add(newNode);
minUsedCount = 1;
return null;
}
}
@Override
public String toString() {
StringBuilder sb = new StringBuilder();
sb.append("LfuCache{");
List<Integer> usedCountList = this.usedCountMap.keySet().stream().collect(Collectors.toList());
usedCountList.sort(Comparator.comparingInt(i -> i));
int count = 0;
for (int usedCount : usedCountList) {
List<Node> list = this.usedCountMap.get(usedCount);
if (list == null) {
continue;
}
for (Node node : list) {
if (count > 0) {
sb.append(',').append(' ');
}
sb.append(node.key);
sb.append('=');
sb.append(node.value);
sb.append("(UsedCount:");
sb.append(node.usedCount);
sb.append(')');
count++;
}
}
return sb.append('}').toString();
}
private void addUsedCount(Node node) {
List<Node> oldList = usedCountMap.get(node.usedCount);
oldList.remove(node);
// 更新最小數據頻率
if (minUsedCount == node.usedCount && oldList.isEmpty()) {
minUsedCount++;
}
node.usedCount++;
List<Node> set = usedCountMap.get(node.usedCount);
if (set == null) {
set = new LinkedList<>();
usedCountMap.put(node.usedCount, set);
}
set.add(node);
}
class Node {
K key;
V value;
int usedCount = 1;
Node(K key, V value) {
this.key = key;
this.value = value;
}
}
}
再次運行測試程序，結果如下：
put keyA
LfuCache{keyA=valueA(UsedCount:1)}
=========================
put keyB
LfuCache{keyA=valueA(UsedCount:1), keyB=valueB(UsedCount:1)}
=========================
put keyC
LfuCache{keyA=valueA(UsedCount:1), keyB=valueB(UsedCount:1), keyC=valueC(UsedCount:1)}
=========================
get keyA
LfuCache{keyB=valueB(UsedCount:1), keyC=valueC(UsedCount:1), keyA=valueA(UsedCount:2)}
=========================
put keyD
LfuCache{keyC=valueC(UsedCount:1), keyD=valueD(UsedCount:1), keyA=valueA(UsedCount:2)}
總結
看到這里，你已經超越了大多數人！
FIFO，First In First Out，先進先出算法。判斷被存儲的時間，離目前最遠的數據優(yōu)先被淘汰，可以使用隊列實現。
LRU，Least Recently Used，最近最少使用算法。判斷最近被使用的時間，目前最遠的數據優(yōu)先被淘汰，可以使用雙向鏈表和哈希表實現。
LFU，Least Frequently Used，最不經常使用算法，在一段時間內，數據被使用次數最少的，優(yōu)先被淘汰，可以使用雙哈希表實現。
以上就是Java實現常用緩存淘汰算法:FIFO、LRU、LFU的詳細內容，更多關于Java緩存淘汰算法的資料請關注腳本之家其它相關文章！
相關文章
這篇文章主要介紹了Jedis對redis的五大操作代碼詳解，分別是字符串、列表、散列、集合、有序集合，具有一定參考價值，需要的朋友可以了解下。2017-11-11
SpringMVC攔截器實現監(jiān)聽session是否過期詳解
這篇文章主要介紹了SpringMVC攔截器實現監(jiān)聽session是否過期詳解，還是比較不錯的，這里分享給大家，供需要的朋友參考。2017-11-11
下面小編就為大家?guī)硪黄猨ava用兩個例子充分闡述多態(tài)的可拓展性介紹。小編覺得挺不錯的，現在就分享給大家，也給大家做個參考。一起跟隨小編過來看看吧2016-06-06
實際的爬蟲是從一系列的種子鏈接開始。種子鏈接是起始節(jié)點，種子頁面的超鏈接指向的頁面是子節(jié)點（中間節(jié)點），對于非html文檔，如excel等，不能從中提取超鏈接，看做圖的終端節(jié)點2013-10-10
這篇文章主要介紹了Java中Http連接的兩種方式(小結)，文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧2019-09-09
java字符串的替換replace、replaceAll、replaceFirst的區(qū)別說明
這篇文章主要介紹了java字符串的替換replace、replaceAll、replaceFirst的區(qū)別說明，具有很好的參考價值，希望對大家有所幫助。如有錯誤或未考慮完全的地方，望不吝賜教2022-03-03
今天小編就為大家分享一篇關于spring循環(huán)注入異常問題的解決方案，小編覺得內容挺不錯的，現在分享給大家，具有很好的參考價值，需要的朋友一起跟隨小編來看看吧2018-12-12
從入門到精通詳解SpringBoot中請求參數注解的完全指南
我們應該如何在后端優(yōu)雅地接收這些參數,Spring?Boot提供了一系列注解來幫助我們輕松完成請求參數的綁定,本文將對其中最常用的注解進行詳細講解,包括它們的用法、區(qū)別以及最佳實踐2026-05-05
解決SpringBoot中使用@Transactional注解遇到的問題
這篇文章主要介紹了SpringBoot中使用@Transactional注解遇到的問題，具有很好的參考價值，希望對大家有所幫助。如有錯誤或未考慮完全的地方，望不吝賜教2021-09-09
本文介紹Java中時間偏移處理,利用java.time包中的ZonedDateTime、ZoneOffset等類,支持跨時區(qū)轉換、日志統(tǒng)一標準,并給出最佳實踐中注意事項與應用場景示例2025-09-09