缓存数据淘汰算法LRU 和 LFU

本文由 AI 生成，内容仅供参考，请仔细甄别。

---

一、什么是缓存淘汰算法？

缓存空间是有限的，当缓存已满又需要新增数据时，需要一个策略决定“谁被淘汰（evict）”。

---

二、LRU（最近最少使用）

📌 全称：Least Recently Used

📘 核心思想：

最近最少使用的数据优先被淘汰。

也就是说，很久没被访问的数据会被认为“不重要”，优先移除。

📈 应用场景：

• 适合访问具有时间局部性的场景（最近访问过的数据还可能被再次访问）
• 常见于：Redis 默认淘汰策略、操作系统页面置换（如 Linux 的 page cache）

🛠️ 实现方式：

• 通常用 双向链表 + HashMap
• Java 中：LinkedHashMap 就可以实现 LRU 缓存
• 现代高性能实现（如 Caffeine）使用 分段队列 + 时间窗口优化

✅ 优点：

• 简单、高效
• 适用于大多数缓存场景

❌ 缺点：

• 无法区分访问频率 → 可能会淘汰热点但“间隔长”的数据

---

三、LFU（最不经常使用）

📌 全称：Least Frequently Used

📘 核心思想：

访问次数最少的数据优先被淘汰。

也就是说，“用得不多”的数据会被优先淘汰，哪怕它刚刚访问过。

📈 应用场景：

• 数据访问具有 频率热点特征 的场景（如部分热门商品/文章访问次数远高于其他）
• 比如新闻首页最热榜、搜索缓存等

🛠️ 实现方式：

• 常用结构：最小堆 + HashMap
• 或：频率分桶法（frequency-bucket + 双链表）
• Java 高性能实现：Caffeine 支持近似 LFU

✅ 优点：

• 保留使用频率高的数据，更适合“冷数据很多”的场景

❌ 缺点：

• 实现复杂
• 频率需要定期衰减（否则冷数据可能因早期频繁访问而“常驻”）

---

四、LRU vs LFU 对比总结

特性	LRU	LFU
策略核心	最近最少使用	最少访问次数
关注点	时间顺序	访问频率
数据保留倾向	最近用过的数据	访问次数多的数据
热点识别能力	一般（只看是否“最近”）	强（会识别长期热点）
实现复杂度	简单（双向链表 + HashMap）	复杂（频率桶 + HashMap + 最小堆等）
适合场景	普通缓存、短期热点	长期热点识别、高性能缓存（如 Caffeine）

---

五、简单代码对比（Java 示例）

🔹 LRU 简单实现（基于 LinkedHashMap）：

class LRUCache<K, V> extends LinkedHashMap<K, V> {
    private final int capacity;

    public LRUCache(int capacity) {
        super(capacity, 0.75f, true); // accessOrder = true 实现 LRU
        this.capacity = capacity;
    }

    @Override
    protected boolean removeEldestEntry(Map.Entry<K, V> eldest) {
        return size() > capacity;
    }
}

---

🔸 LFU 实现略复杂，推荐使用开源工具：

• Caffeine（支持 LRU + LFU 的现代 Java 缓存框架）
• Redis：从 Redis 4.0 开始支持 LFU 模式（需配置 maxmemory-policy 为 allkeys-lfu）

---

六、扩展：其他常见缓存策略

策略名	全称	简要说明
FIFO	First In First Out	最先加入的先被淘汰（简单但容易误判重要数据）
ARC	Adaptive Replacement Cache	综合 LRU 和 LFU，自适应调整
Random	随机淘汰	Redis 支持，适用于极端高性能要求场景

---

七、总结

• 如果你希望缓存保留 “最近使用过” 的数据：选 LRU
• 如果你希望缓存保留 “访问频率高” 的数据：选 LFU
• 如果对命中率要求更高，建议用现代实现（如 Caffeine，它做了 LRU+LFU 混合优化）

---