手撸LRU算法和LRU在Redis中的配置详解

1、概念

LRU是Least Recently Used的缩写，即最近最少使用。百度百科中说：LRU是一种常用的页面置换算法，选择最近最久未使用的页面予以淘汰。铁子们说：LRU是一种缓存淘汰算法，其核心思想是，如果数据最近被访问过，那么将来被访问的几率也更高。

2、实现原理分析

灵机一动，我瞬间想到了一种实现方法，为每一个缓存对象设置一个计数器，每次缓存命中则给计数器加1，随着新缓存的数量一直增加，一旦内存耗尽就需要淘汰旧缓存，但是淘汰缓存要遍历所有的计数器，并将计数器值最小的缓存对象丢弃。

显然，上述实现LRU的思路弊端很明显，如果缓存的数量少，问题不大， 但是缓存数量达到十万或者百万量级，如果需要淘汰缓存对象，则需要遍历所有计算器，想一想就非常可怕，其性能与资源消耗是巨大的，效率也就非常的慢了。

如果用数组做缓存对象存储，在数组中移动对象的话，需要进行整体copy，性能也是不佳。就在此时，电闪雷鸣，风雨交加，外面突然下起了雨，我站在窗前，发现雨点打在地上呈现出了链表两个字，顿时豁然开朗，土地平旷，屋舍俨然。

考虑到链表中进行节点的移动，只需要改变指针的指向，效率是很高的，但是获取元素的效率不高，故考虑HashMap和链表结合的方式，类似于LinkedHashMap的实现。

3、手写LRU简单实现

定义一个缓存节点

/**
 * 缓存节点
 */
public class Node {

    String key;

    Object value;

    Node pre;

    Node next;

}

简单实现LRU策略 

/**
* @Author:         liuliya
* @CreateDate:     2020/5/26 17:57
*/
public class LruCache {

    //缓存容器
    private Map cache = new ConcurrentHashMap<>();

    //缓存容量
    private int capacity;

    //当前缓存数量
    private int currentCount;

    //链表头
    private Node head;

    //链表尾
    private Node tail;

    //初始化一个双向链表
    public LruCache(int capacity) {
        this.capacity = capacity;
        this.currentCount = 0;

        head = new Node();
        head.pre = null;

        tail = new Node();
        tail.next = null;

        head.next = tail;
        tail.pre = head;
    }

    //读取缓存
    public Object get(String key) {
        Node node = cache.get(key);
        if (null == node) {
            return null;
        }
        //将读取的节点移动到链表头
        this.move2Head(node);
        return node.value;
    }

    //写入缓存
    public void set(String key, Object value) {
        Node existNode = cache.get(key);
        //如果该缓存节点不存在
        if (existNode == null) {
            Node node = new Node();
            node.key = key;
            node.value = value;

            this.cache.put(key, node);
            this.addNode(node);

            currentCount++;

            if (currentCount > capacity) {
                //淘汰链表尾结点
                Node tail = this.popTail();
                this.cache.remove(tail.key);
                currentCount--;
            }
        } else {
            existNode.value = value;
            this.move2Head(existNode);
        }
    }

    //添加节点
    public void addNode(Node node) {
        node.pre = head;
        node.next = head.next;
        head.next.pre = node;
        head.next = node;
    }

    //删除节点
    public void removeNode(Node node) {
        Node pre = node.pre;
        Node next = node.next;
        pre.next = next;
        next.pre = pre;
    }

    //将节点移动到链表头部
    public void move2Head(Node node) {
        this.removeNode(node);
        this.addNode(node);
    }

    //丢弃尾结点
    public Node popTail() {
        Node node = tail.pre;
        this.removeNode(node);
        return node;
    }

}

测试中定义一个容量为3的缓存lruCache，往lruCache依次存入三个缓存，使用缓存“a”后，lru策略将“a”缓存移动到链表头，再次往lruCache存入数据时就会淘汰“b”。

 public static void main(String[] args) {
        LruCache lruCache = new LruCache(3);
        lruCache.set("a", 1);
        lruCache.set("b", 2);
        lruCache.set("c", 3);
        lruCache.get("a");     //返回1
        lruCache.set("d", 4);  //该操作会使缓存b作废
        lruCache.get("b");     //未找到
 }

 

4、LRU在Redis中的配置

在实际生产环境中有这样一个场景，如果预估Redis中的缓存数据为300M，但是部署Redis的服务器只腾出200M给Redis使用，这时候就要考虑配置Redis中的缓存淘汰策略了。

找到redis的配置文件redis.conf，配置文件中有一个maxmemory参数表示redis使用服务器内存大小。maxmemory设置为0，表示缓存大小无限制（无限制配置只限在64为操作系统环境下，如果为32位操作系统，maxmemory隐式不能超过3GB）。

当然也可使用 CONFIG SET maxmemory 命令设置大小。

Redis默认提供了如下几种缓存淘汰策略：

从设置ttl的key中选取最近不常用的key进行删除
# volatile-lru -> remove the key with an expire set using an LRU algorithm

优先删除最近不常用的key
# allkeys-lru -> remove any key according to the LRU algorithm

从设置ttl属性的key中进行随机删除
# volatile-random -> remove a random key with an expire set

随机删除key
# allkeys-random -> remove a random key, any key

从设置ttl属性的key中选取存活时间最短的key进行删除
# volatile-ttl -> remove the key with the nearest expire time (minor TTL)

不进行淘汰，若有写操作会返回error
# noeviction -> don't expire at all, just return an error on write operations

             策略同样可以在redis.conf文件中进行配置:

 

              欢迎关注公众号进行技术交流，分享java技术、源码、架构和面试题。