高级java每日一道面试题-2024年9月30日-算法篇-LRU是什么?如何实现?

如果有遗漏,评论区告诉我进行补充

面试官: LRU是什么?如何实现?

我回答:

LRU（Least Recently Used）是一种常用的缓存淘汰策略，用于在缓存满时决定哪些数据应该被移除。LRU算法的基本思想是：当缓存达到其容量上限时，最近最少使用的数据会被优先淘汰。这种策略假设最近使用的数据在未来也会被频繁访问。

LRU算法概述

LRU算法是一种缓存淘汰策略，其核心思想是：如果一个数据在最近一段时间没有被访问到，那么在未来被访问的可能性也很小。因此，当缓存空间已满时，LRU算法会选择最近最少使用的数据进行淘汰。

LRU算法广泛应用于操作系统中的页面置换、数据库查询优化、Web缓存等场景，是最大化缓存命中率的有效手段之一。

LRU算法的实现原理

LRU的实现

LRU的实现通常需要一个数据结构来同时支持快速查找和插入/删除操作。常用的数据结构是哈希表（HashMap）和双向链表（Doubly Linked List）的结合体。

数据结构

• 哈希表：用于快速查找缓存中的元素。
• 双向链表：用于维护元素的访问顺序，最近访问的元素放在链表头部，最久未访问的元素放在链表尾部。

基本操作

1. 插入：

   • 如果新插入的键已经在缓存中，则更新其值，并将其移动到链表头部。
   • 如果新插入的键不在缓存中，且缓存已满，则移除链表尾部的元素，并将新元素插入到链表头部。

2. 访问：

   • 如果访问的键在缓存中，则将其移动到链表头部。
   • 如果访问的键不在缓存中，则返回null或其他默认值。

3. 删除：

   • 如果删除的键在缓存中，则从链表和哈希表中移除该元素。
   • 如果删除的键不在缓存中，则不进行任何操作。

LRU算法的实现需要满足以下几个要求：

1. 查找快：能够迅速找到缓存中的数据。
2. 插入快：能够快速地将新数据插入到缓存中。
3. 删除快：能够高效地删除缓存中的数据。
4. 维护顺序：需要维护数据的访问顺序，以便在缓存空间不足时淘汰最近最少使用的数据。

代码实现

下面是一个使用Java实现LRU缓存的示例：

import java.util.HashMap;
import java.util.Map;public class LRUCache<K, V> {private final int capacity;private final Map<K, Node<K, V>> map;private final DoublyLinkedList<K, V> list;public LRUCache(int capacity) {this.capacity = capacity;this.map = new HashMap<>();this.list = new DoublyLinkedList<>();}public V get(K key) {if (map.containsKey(key)) {Node<K, V> node = map.get(key);list.moveToHead(node); // 将访问的节点移到链表头部return node.value;}return null;}public void put(K key, V value) {if (map.containsKey(key)) {Node<K, V> node = map.get(key);node.value = value; // 更新节点的值list.moveToHead(node); // 将更新的节点移到链表头部} else {if (map.size() >= capacity) {Node<K, V> removedNode = list.removeTail(); // 移除链表尾部的节点map.remove(removedNode.key); // 从哈希表中移除对应的键}Node<K, V> newNode = new Node<>(key, value);list.addHead(newNode); // 将新节点添加到链表头部map.put(key, newNode); // 在哈希表中添加新的键值对}}private static class Node<K, V> {K key;V value;Node<K, V> prev;Node<K, V> next;Node(K key, V value) {this.key = key;this.value = value;}}private static class DoublyLinkedList<K, V> {private Node<K, V> head;private Node<K, V> tail;public void addHead(Node<K, V> node) {if (head == null) {head = tail = node;} else {node.next = head;head.prev = node;head = node;}}public void moveToHead(Node<K, V> node) {if (node == head) return; // 如果节点已经是头结点，则无需移动removeNode(node);addHead(node);}public Node<K, V> removeTail() {if (tail == null) return null;Node<K, V> node = tail;removeNode(tail);return node;}private void removeNode(Node<K, V> node) {if (node.prev != null) {node.prev.next = node.next;} else {head = node.next;}if (node.next != null) {node.next.prev = node.prev;} else {tail = node.prev;}node.prev = null;node.next = null;}}public static void main(String[] args) {LRUCache<Integer, String> cache = new LRUCache<>(2);cache.put(1, "one");cache.put(2, "two");System.out.println(cache.get(1)); // 输出: onecache.put(3, "three"); // 移除最近最少使用的 2System.out.println(cache.get(2)); // 输出: nullcache.put(4, "four"); // 移除最近最少使用的 1System.out.println(cache.get(1)); // 输出: nullSystem.out.println(cache.get(3)); // 输出: threeSystem.out.println(cache.get(4)); // 输出: four}
}

解释

1. LRUCache 类：

   • capacity：缓存的最大容量。
   • map：哈希表，用于存储键和对应的节点。
   • list：双向链表，用于维护节点的访问顺序。

2. get 方法：

   • 如果键存在于缓存中，将对应的节点移动到链表头部，并返回其值。
   • 如果键不存在于缓存中，返回null。

3. put 方法：

   • 如果键已经存在于缓存中，更新其值并将节点移动到链表头部。
   • 如果键不存在于缓存中且缓存已满，移除链表尾部的节点，并将新节点添加到链表头部。
   • 如果键不存在于缓存中且缓存未满，直接将新节点添加到链表头部。

4. Node 类：

   • 表示双向链表中的一个节点，包含键、值以及前驱和后继指针。

5. DoublyLinkedList 类：

   • 实现了双向链表的基本操作，包括添加节点到头部、移动节点到头部、移除节点等。

LRU算法的性能分析

LRU算法的性能主要取决于哈希表和双向链表的操作效率。由于哈希表的查找、插入和删除操作的时间复杂度都是O(1)，双向链表的插入、删除和移动操作的时间复杂度也都是O(1)（在已知节点位置的情况下），因此LRU算法的整体时间复杂度可以认为是O(1)。

然而，需要注意的是，在实际应用中，由于哈希表的冲突和链表节点的移动等操作，LRU算法的实际性能可能会受到一定影响。此外，当缓存数据量很大时，哈希表和链表的内存开销也需要考虑。

LRU算法的改进和优化

针对LRU算法的不足，有一些改进和优化方法：

1. LRU-K算法：将“最近使用过1次”的判断标准扩展为“最近使用过K次”，以减少缓存污染问题。LRU-K算法需要多维护一个队列来记录所有缓存数据被访问的历史。
2. Two Queues（2Q）算法：使用两个缓存队列，一个是FIFO队列，一个是LRU队列。新数据先放入FIFO队列，当数据再次被访问时，将其移到LRU队列。这种算法结合了FIFO和LRU的优点。
3. 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。新数据放入最低优先级的队列，当数据的访问次数达到一定次数时，将其提升到更高优先级的队列。

总结

综上所述，LRU算法是一种高效且广泛应用的缓存淘汰策略。在Java中，可以通过使用哈希表和双向链表的组合来实现LRU缓存。同时，也需要根据实际应用场景和需求对LRU算法进行改进和优化。