了解 LRU 之前,我们应该了解一下缓存,大家都知道计算机具有缓存内存,可以临时存储最常用的数据,当缓存数据超过一定大小时,系统会进行回收,以便释放出空间来缓存新的数据,但从系统中检索数据的成本比较高。

缓存要求:

  • 固定大小:缓存需要有一些限制来限制内存使用。
  • 快速访问:缓存插入和查找操作应该很快,最好是 O(1) 时间。
  • 在达到内存限制的情况下替换条目:缓存应该具有有效的算法来在内存已满时驱逐条目

如果提供一个缓存替换算法来辅助管理,按照设定的内存大小,删除最少使用的数据,在系统回收之前主动释放出空间,会使得整个检索过程变得非常快,因此 LRU 缓存淘汰算法就出现了。

LRU 原理与实现

LRU (Least Recently Used) 缓存淘汰算法提出最近被频繁访问的数据应具备更高的留存,淘汰那些不常被访问的数据,即最近使用的数据很大概率将会再次被使用,抛弃最长时间未被访问的数据,目的是为了方便以后获取数据变得更快,例如 Vuekeep-live 组件就是 LRU 的一种实现。

实现的中心思想拆分为以下几步:

  • 新的数据插入到链表头部。
  • 每当缓存命中(即缓存数据被访问),则将数据移到链表头部。
  • 当缓存内存已满时(链表数量已满时),将链表尾部的数据淘汰。

Example

这里使用一个例子来说明 LRU 实现的流程,详细请参考这里

  1. 最开始时,内存空间是空的,因此依次进入A、B、C是没有问题的
  2. 当加入D时,就出现了问题,内存空间不够了,因此根据LRU算法,内存空间中A待的时间最为久远,选择A,将其淘汰
  3. 当再次引用B时,内存空间中的B又处于活跃状态,而C则变成了内存空间中,近段时间最久未使用的
  4. 当再次向内存空间加入E时,这时内存空间又不足了,选择在内存空间中待的最久的C将其淘汰出内存,这时的内存空间存放的对象就是E->B->D

基于双向链表和 HashMap 实现 LRU

常见的 LRU 算法是基于双向链表HashMap 实现的。

双向链表:用于管理缓存数据结点的顺序,新增数据和缓存命中(最近被访问)的数据被放置在 Header 结点,尾部的结点根据内存大小进行淘汰。

HashMap:存储所有结点的数据,当 LRU 缓存命中(进行数据访问)时,进行拦截进行数据置换和删除操作。

双向链表

双向链表是众多链表中的一种,链表都是采用链式存储结构,链表中的每一个元素,我们称之为数据结点

每个数据结点都包含一个数据域指针域指针域可以确定结点与结点之间的顺序,通过更新数据结点的指针域的指向可以更新链表的顺序

双向链表的每个数据结点包含一个数据域和两个指针域

  • proir 指向上一个数据结点;
  • data 当前数据结点的数据;
  • next 指向下一个数据结点;

指针域确定链表的顺序,那么双向链表拥有双向指针域,数据结点的之间不在是单一指向,而是双向指向。即 proir 指针域指向上一个数据结点,next 指针域指向下一个数据结点。

同理:

  • 单向链表只有一个指针域。
  • 循环(环状)链表则是拥有双向指针域,且头部结点的指针域指向尾部结点,尾部结点的指针域指向头部结点。

特殊结点:Header 和 Tailer 结点

链表中还有两个特殊的结点,那就算 Header 结点和 Tailer 结点,分别表示头部结点尾部结点头部结点表示最新的数据或者缓存命中(最近访问过的数据),尾部结点表示长时间未被使用,即将被淘汰的数据节点。

作为算法大家都会关注其时间和空间复杂度 O(n),基于双向链表双向指针域的优势,为了降级时间复杂度,因此
为了保证 LRU 新数据和缓存命中的数据都位于链表最前面(Header),缓存淘汰的时候删除最后的结点(Tailer),又要避免数据查找时从头到尾遍历,降低算法的时间复杂度,同时基于双向链表带来的优势,可以改变个别数据结点的指针域从而达到链表数据的更新,如果提供 Header 和 Tailer 结点作为标识的话,可以使用头插法快速增加结点,根据 Tailer 结点也可以在缓存淘汰时快速更新链表的顺序,避免遍历从头到尾遍历,降低算法的时间复杂度。

排序示例

LRU 链表中有 [6,5,4,3,2,1] 6个数据结点,其中 6 所在的数据结点为 Header(头部)结点,1 所在的数据结点为 Tailer(尾部)结点。如果此时数据 3 被访问(缓存命中),3 应该被更新至链表头,用数组的思维应该是删除 3,但是如果我们利用双向链表双向指针的优势,可以快速的实现链表顺便的更新:

  • 3 被删除时,42 中间没有其他结点,即 4next 指针域指向 2 所在的数据结点;同理,2proir 指针域指向 2 所在的数据结点。

HashMap

至于为什么使用 HashMap,用一句话来概括主要是因为 HashMap 通过 Key 获取速度会快的多,降低算法的时间复杂度。

例如:

  • 我们在 get 缓存的时候从 HashMap 中获取的时候基本上时间复杂度控制在 O(1),如果从链表中一次遍历的话时间复杂度是 O(n)。
  • 我们访问一个已经存在的节点时候,需要将这个节点移动到 header 节点后,这个时候需要在链表中删除这个节点,并重新在 header 后面新增一个节点。这个时候先去 HashMap 中获取这个节点删除节点关系,避免了从链表中遍历,将时间复杂度从 O(N) 减少为 O(1)

由于前端没有 HashMap 的相关 API,我们可以使用 Object 或者 Map 来代替。

代码实现

现在让我们运用所掌握的数据结构,设计和实现一个,或者参考 LeeCode 146 题

链表结点 Entry

export class Entry {    value: T    key: string | number    next: Entry    prev: Entry    constructor(val: T) {        this.value = val;    }}

双向链表 Double Linked List

主要职责:

  • 管理头部结点和尾部结点
  • 插入新数据时,将新数据移到头部结点
  • 删除数据时,更新删除结点前后两个结点的指向域
/*** Simple double linked list. Compared with array, it has O(1) remove operation.* @constructor*/export class LinkedList {    head: Entry    tail: Entry    private _len = 0    /**    * Insert a new value at the tail    */    insert(val: T): Entry {        const entry = new Entry(val);        this.insertEntry(entry);        return entry;    }    /**    * Insert an entry at the tail    */    insertEntry(entry: Entry) {        if (!this.head) {            this.head = this.tail = entry;        }        else {            this.tail.next = entry;            entry.prev = this.tail;            entry.next = null;            this.tail = entry;        }        this._len++;    }    /**    * Remove entry.    */    remove(entry: Entry) {        const prev = entry.prev;        const next = entry.next;        if (prev) {            prev.next = next;        }        else {            // Is head            this.head = next;        }        if (next) {            next.prev = prev;        }        else {            // Is tail            this.tail = prev;        }        entry.next = entry.prev = null;        this._len--;    }    /**    * Get length    */    len(): number {        return this._len;    }    /**    * Clear list    */    clear() {        this.head = this.tail = null;        this._len = 0;    }}

LRU 核心算法

主要职责:

  • 将数据添加到链表并更新链表顺序
  • 缓存命中时更新链表的顺序
  • 内存溢出抛弃过时的链表数据
/*** LRU Cache*/export default class LRU {    private _list = new LinkedList()    private _maxSize = 10    private _lastRemovedEntry: Entry    private _map: Dictionary> = {}    constructor(maxSize: number) {        this._maxSize = maxSize;    }    /**    * @return Removed value    */    put(key: string | number, value: T): T {        const list = this._list;        const map = this._map;        let removed = null;        if (map[key] == null) {            const len = list.len();            // Reuse last removed entry            let entry = this._lastRemovedEntry;            if (len >= this._maxSize && len > 0) {                // Remove the least recently used                const leastUsedEntry = list.head;                list.remove(leastUsedEntry);                delete map[leastUsedEntry.key];                removed = leastUsedEntry.value;                this._lastRemovedEntry = leastUsedEntry;                }            if (entry) {                entry.value = value;            }            else {                entry = new Entry(value);            }            entry.key = key;            list.insertEntry(entry);            map[key] = entry;        }        return removed;    }    get(key: string | number): T {        const entry = this._map[key];        const list = this._list;        if (entry != null) {            // Put the latest used entry in the tail            if (entry !== list.tail) {                list.remove(entry);                list.insertEntry(entry);            }            return entry.value;        }    }    /**    * Clear the cache    */    clear() {        this._list.clear();        this._map = {};    }    len() {        return this._list.len();    }}

其他 LRU 算法

除了以上常见的 LRU 算法,随着需求的复杂多样,基于 LRU 的思想也衍生出了许多优化算法,例如:

参考链接