LRU缓存：高效的缓存淘汰策略实现与优化

最新推荐文章于 2025-02-26 22:33:09 发布

派大星9527

最新推荐文章于 2025-02-26 22:33:09 发布

阅读量720

点赞数 9

分类专栏：算法文章标签：缓存

本文链接：https://blog.youkuaiyun.com/2401_89367332/article/details/144308035

版权

算法专栏收录该内容

11 篇文章

订阅专栏

1. 背景介绍

LRU（Least Recently Used）缓存是一种常用的缓存淘汰策略，其核心思想是：当缓存空间已满时，优先淘汰最近最少使用的数据。本文将深入探讨LRU缓存的两种不同实现方案，并分析其设计思路和优化技巧。

2. 问题定义

LRU缓存需要支持以下两种基本操作：

get(key)：如果缓存中存在指定的键，则返回对应的值，并将该数据移动到最近使用的位置。
put(key, value)：将数据写入缓存。如果缓存已满，则需要淘汰最近最少使用的数据。

3. 方案一：自定义双向链表实现

3.1 设计思路

第一个实现方案通过自定义LinkNode结构和双向链表来管理缓存数据。主要特点包括：

使用unordered_map存储键值对
自定义链表节点，维护数据访问顺序
手动管理节点的插入、删除和移动

3.2 核心代码解析

class LRUCache {
public:
    struct LinkNode {
        int val;
        LinkNode* next;
        LinkNode* last;
        LinkNode() {
            val = 0;
            next = nullptr;
            last = nullptr;
        }
    };
    
    // 关键实现：get和put方法
    int get(int key) {
        // 检查key是否存在
        if (LRU_map.count(key)) {
            // 将访问的节点移动到链表尾部（最近使用）
            // 处理不同位置的节点移动情况
            ...
        }
        return -1;
    }
    
    void put(int key, int value) {
        // 处理缓存满、初次插入等多种场景
        if (LRU_map.size() == capacity) {
            // 淘汰最少使用的数据
            ...
        }
        ...
    }
};

3.3 方案优点与不足

优点：

完全自定义实现，对底层细节有更多控制
可以精细化内存管理

不足：

代码复杂度高
需要手动管理内存，容易出错
使用多个哈希表，空间利用率不高

4. 方案二：STL优化实现

4.1 设计思路

第二个实现方案利用STL的list和unordered_map，显著简化了代码：

使用list<pair<int, int>>存储键值对
使用unordered_map维护键与迭代器的映射
头部存储最新数据，尾部存储最旧数据

4.2 核心代码解析

class LRUCache {
public:
    list<pair<int, int>> cache;
    unordered_map<int, list<pair<int, int>>::iterator> hash;
    
    int get(int key) {
        if (hash.count(key)) {
            // 将访问节点移动到头部
            cache.push_front(*hash[key]);
            cache.erase(hash[key]);
            hash[key] = cache.begin();
            return cache.front().second;
        }
        return -1;
    }
    
    void put(int key, int value) {
        if (hash.count(key)) {
            cache.erase(hash[key]);
        }
        else if (hash.size() == capacity) {
            // 删除最久未使用的数据
            hash.erase(cache.back().first);
            cache.pop_back();
        }
        cache.push_front({key, value});
        hash[key] = cache.begin();
    }
};