缓存淘汰策略的实现
从本质上来说，缓存算法并没有好坏之分，只有是否适用当前的业务场景。因此根据不同的业务场景设置不同的缓存算法会使缓存命中率更高。
一、FIFO
FIFO（First in First out）先进先出。可以理解为是一种类似队列的算法实现
实现概念：最先进来的数据，被认为在未来被访问的概率也是最低的，因此，当规定空间用尽且需要放入新数据的时候，会优先淘汰最早进来的数据。
优点：没什么优点
缺点：算法逻辑设计所实现的缓存的命中率是比较低，没有任何额外逻辑能够尽可能的保证常用数据不被淘汰掉。
二、LRU
LRU（The Least Recently Used）最近最久未使用算法
实现概念：如果一个数据最近很少被访问到，那么被认为在未来被访问的概率也是最低的，当规定空间用尽且需要放入新数据的时候，会优先淘汰最久未被访问的数据。
优点：LRU很好的应对了针对于突发流量涌入的情况
缺点：对于周期性、偶发性的访问数据，有大概率可能造成缓存污染，置换出去了热点数据，把这些偶发性数据留下了，从而导致LRU的数据命中率急剧下降。
例如：当一个新剧热播，流量涌入，此剧的相关缓存登顶。但当新剧热度降低趋势变得平缓，其他周期性播出的综艺类节目涌入后将新剧缓存挤出， 这是我又访问新剧，则不得不又将新剧加入缓存，这显然不合时宜，因为新剧我已经访问过很多次了。
三、LFU
LFU（The Least Frequently Used）最近很少使用算法，与LRU的区别在于LRU是以时间衡量，LFU是以时间段内的次数
实现概念：如果一个数据在一定时间内被访问的次数很低，那么被认为在未来被访问的概率也是最低的，当规定空间用尽且需要放入新数据的时候，会优先淘汰时间段内访问次数最低的数据。
针对以上的实现概念可以看出，它相较于LRU其多出了访问次数的概念，可以理解为当有缓存命中时其对应该缓存的计数器会+1。
优点：LFU有效的保护了缓存，因为是以次数为基准所以更加准确，针对于访问概率差不多时，缓存命中率较高。
缺点：LFU需要额外的空间来存储计数器来记录访问频次。针对于一个数据的洪峰。后来又衰弱，由于其频率过高导致其缓存很难失效。
例如：当一个新剧热播，流量涌入，此剧的相关缓存登顶。但当新剧热度降低趋势变得平缓，但是由于其缓存命中次数过高，导致其缓存一直处于缓存队列中，一直不会失效，直到剩余所有缓存计数都超过了此缓存才将其排出。
四、W-TinyLFU
W-TinyLFU（Window Tiny Least Frequently Used）是对LFU的的优化和加强
实现概念：当一个数据进来的时候，会进行筛选比较，进入W-LRU窗口队列，以此应对流量突增，经过淘汰后进入过滤器，通过访问访问频率判决是否进入缓存。如果一个数据最近被访问的次数很低，那么被认为在未来被访问的概率也是最低的，当规定空间用尽的时候，会优先淘汰最近访问次数很低的数据
它也存储一个次数，但它为什么是对LFU的优化呢，因为其存储的值为Count-Min Sketch，Count-Min Sketch是一个hash操作，它扩增为多个hash，在多个hash地址上记录缓存命中次数。这样多个hash会导致原来hash冲突的概率降低，当查询数据时，且从当多个hash取得数据，取出多个hash数据中取其中的最小值，来定义为此缓存的命中次数。也就是Count Min的含义所在。
当某一个key的的计数器大于触发值（k），则整体计数器会除以2，这样解决了LFU的缓存难失效问题。
这样我就可以使用申请固定的空间大小来存储缓存计数，就算是hash冲突也没关系，因为从概率上来说我获取的最小值是最准确的。
其类似于布隆过滤器的实现，可以将布隆过滤器看成一种概率性数据结构，本质是高效的插入和查询。相比于传统的List、Map其更高效、占用空间更少。其实现是当有变量加入布隆过滤器时，通过K个映射函数将变量映射为位图中的K个点，将K个点的值由0置为1.当有新的元素加入时候继续映射，就算是点位重复也没关系，该点位依旧为1.当查询时,元素交于K个点。
1、若k个位置有一个为0，则该元素肯定不在集合中
2、若K个位置全部为1，则该元素有可能存在集合中
优点：在空间和时间维度上拥有巨大优势。
缺点：误差率的存在，应用较少，只有Caffine使用此算法。