-
每次添加元素到链表中的时候都是从头部添加
-
每次删除元素的时候都是从尾部删除
-
删除的时候同时从哈希表里面删除对应的key
-
再次访问的元素，需要把元素移动到链表的头部
Leetcode
========
Leetcode有LRU Cache经典算法题，这道题并不难，也是我当面试官经常考的一道题。
这道题算是LRU实现的简单版本，可以当作入门练习。
146. LRU 缓存机制
运用你所掌握的数据结构，设计和实现一个 LRU (最近最少使用) 缓存机制 。 实现 LRUCache 类：
- LRUCache(int capacity) 以正整数作为容量 capacity 初始化 LRU 缓存
- int get(int key) 如果关键字 key 存在于缓存中，则返回关键字的值，否则返回 -1 。
- void put(int key, int value) 如果关键字已经存在，则变更其数据值；如果关键字不存在，则插入该组「关键字-值」。当缓存容量达到上限时，它应该在写入新数据之前删除最久未使用的数据值，从而为新的数据值留出空间。
进阶：你是否可以在 O(1) 时间复杂度内完成这两种操作？
C++解答：
#include
#include<unordered_map>
using namespace std;
class LRUCache {
public:
struct Node {
Node(int key, int val) {
key_ = key;
val_ = val;
left_ = right_ = nullptr;
}
int key_, val_;
Node* left_, *right_;
};
LRUCache(int capacity) {
capacity_ = capacity;
head_ = new Node(-1, -1);
tail_ = new Node(-1, -1);
head_->right_ = tail_;
tail_->left_ = head_;
}
~LRUCache() {
Node *node = head_;
while (node != nullptr) {
Node *next = node->right_;
delete node;
node = next;
}
}
int get(int key) {
if(hash_.count(key) == 0) return -1;
Node *node = hash_[key];
if (node->left_ != head_) {
unlink(node);
insertToHead(node);
}
return node->val_;
}
void put(int key, int value) {
if (hash_.count(key) == 0) {
if (hash_.size() >= capacity_) {
Node *node = tail_->left_;
unlink(node);
hash_.erase(node->key_);
delete node;
}
Node *node = new Node(key, value);
hash_[key] = node;
insertToHead(node);
} else {
Node *node = hash_[key];
node->val_ = value;
if (node->left_ != head_) {
unlink(node);
insertToHead(node);
}
}
}
void insertToHead(Node *node) {
node->right_ = head_->right_;
head_->right_ = node;
node->left_ = head_;
node->right_->left_ = node;
}
void unlink(Node *node) {
node->left_->right_ = node->right_;
node->right_->left_ = node->left_;
}
private:
int capacity_;
unordered_map<int, Node*> hash_;
Node *head_, *tail_;
};
复制代码
开源项目应用
======
这里我会介绍LRU在各个常用的开源项目中的使用。
我会用尽量简短的语言概述，但是又能尽量包含关键信息。
Redis中使用LRU淘汰策略
Redis 作为缓存使用时，一些场景下需要考虑内存的空间消耗问题。
Redis 有很多淘汰策略，其中和LRU相关的有其中的两种：
allkeys-lru: 对所有的键都采取LRU淘汰
volatile-lru: 仅对设置了过期时间的键采取LRU淘汰
我们知道，LRU算法需要一个双向链表来记录数据的最近被访问顺序，但是出于节省内存的考虑，Redis的LRU算法并非完整的实现。
Redis并不会选择最久未被访问的键进行回收，相反它会尝试运行一个近似LRU的算法，通过对少量键进行取样，然后回收其中的最久未被访问的键。通过调整每次回收时的采样数量maxmemory-samples，可以实现调整算法的精度。
在Redis3.0中，还新增加了一个淘汰池，本质上它是一个大根堆，新随机出来的key会添加到淘汰池，然后淘汰最旧的key。
关于Redis的淘汰策略或者LRU源码分析，也可以单独出一遍博客分析，这里篇幅所限不做详细分析了。
MySQL中InnoDB引擎中缓存池LRU算法
InnoDB的缓存池：简单来说就是一块内存区域，该区域内缓存着InnoDB访问存储在磁盘的数据和索引信息。缓冲池有两个作用，一是提高了大容量读取操作的效率，二是提高了缓存管理的效率。
MySQL的InnoDB引擎从磁盘加载数据页到缓存池时，往往连带着目标数据页相邻的数据页一起加载到缓存池中–MySQL预读机制。
为什么MySQL会存在预读机制呢？
其实就是提升性能。
但是另一方面可能会发生，预读进去的数据页几乎不被访问，但是由于LRU的特性，这部分数据页在预读进去后会处于链表的头节点附近，还可能淘汰一部分本身访问比较频繁的数据页。
所以MySQL采用了基于冷热隔离的LRU策略
LRU链被拆为两部分：一部分存储热数据，一部分存储冷数据。
当数据初次加载到缓存池中时，会首先放在冷链的头部，经过 innodb_old_blocks_time （默认1s）后如果再被访问，则将缓存页移动至热链头部。
实际业务使用
======
实际业务中主要针对热点数据使用内存LRU缓存来降低后端数据库或者Redis缓存的压力。
电商大促
大促期间秒杀促销或者人气店铺
我们在实际业务中使用了LRU缓存，主要是为了解决热点数据的访问问题。
我们的一些数据存在MySQL中，然后使用Redis的集群作为缓存。平时由于命中率比较高，MySQL的读取的QPS相对比较低，一切都很顺利。
写在最后
很多人感叹“学习无用”，实际上之所以产生无用论，是因为自己想要的与自己所学的匹配不上，这也就意味着自己学得远远不够。无论是学习还是工作，都应该有主动性，所以如果拥有大厂梦，那么就要自己努力去实现它。
最后祝愿各位身体健康，顺利拿到心仪的offer！
由于文章的篇幅有限，所以这次的蚂蚁金服和京东面试题答案整理在了PDF文档里
一切都很顺利。
写在最后
很多人感叹“学习无用”，实际上之所以产生无用论，是因为自己想要的与自己所学的匹配不上，这也就意味着自己学得远远不够。无论是学习还是工作，都应该有主动性，所以如果拥有大厂梦，那么就要自己努力去实现它。
最后祝愿各位身体健康，顺利拿到心仪的offer！
由于文章的篇幅有限，所以这次的蚂蚁金服和京东面试题答案整理在了PDF文档里
[外链图片转存中…(img-Vuwaxuwx-1718857526256)]
[外链图片转存中…(img-Roptlizv-1718857526257)]
[外链图片转存中…(img-XDwaFle4-1718857526260)]
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
