手撕一个LRU Cache

前言

今天时间紧张，借一道经典面试题简单聊两句吧。

LeetCode 146 - LRU Cache

最近最少使用缓存（LRU Cache）是一种简单而高效的缓存机制，其思想基于局部性原理，在CPU缓存管理、操作系统内存管理以及Redis、Memcached等内存数据库中有非常重要的地位。下面来按照题目要求实现一个最简单的LRU Cache。

Design a data structure that follows the constraints of a Least Recently Used (LRU) cache.
Implement the LRUCache class:

• LRUCache(int capacity) Initialize the LRU cache with positive size capacity.
• int get(int key) Return the value of the key if the key exists, otherwise return -1.
• void put(int key, int value) Update the value of the key if the key exists. Otherwise, add the key-value pair to the cache. If the number of keys exceeds the capacity from this operation, evict the least recently used key.

Follow up:
Could you do get and put in O(1) time complexity?

分析：

• 什么数据结构能够满足在O(1)时间内存取数据？——哈希表。
• 什么数据结构能够记录元素进入缓存的顺序？——数组或链表。但是为了与上一个条件配合，只有双端链表能满足。

结构如下图所示。

Java代码如下。注意这里采用了头插法，亦即链表头部的元素最新，链表尾部的元素最旧。在执行get/put操作时，如果key对应的元素已经存在，就需要将这个最近使用的元素从链表中移除，再插回头部。如果超过了缓存容量，就从链表尾部淘汰元素。

class LRUCache {
    private class ListNode {
        private int key;
        private int value;
        private ListNode prev, next;
        
        public ListNode() {}

        public ListNode(int key, int value) {
            this.key = key;
            this.value = value;
        }
    }

    private Map container;
    private ListNode head, tail;
    private int capacity, size;

    public LRUCache(int capacity) {
        this.container = new HashMap<>();
        this.head = this.tail = new ListNode();
        head.next = tail;
        tail.prev = head;
        this.capacity = capacity;
        this.size = 0;
    }

    private void insertNode(ListNode node) {
        ListNode head1 = head.next;
        head.next = node;
        node.prev = head;
        node.next = head1;
        head1.prev = node;
    }

    private void deleteNode(ListNode node) {
        ListNode nPrev = node.prev, nNext = node.next;
        nPrev.next = nNext;
        nNext.prev = nPrev;
        node.prev = node.next = null;
    }
    
    public int get(int key) {
        ListNode data = container.get(key);
        if (data == null) {
            return -1;
        }

        deleteNode(data);
        insertNode(data);
        return data.value;
    }
    
    public void put(int key, int value) {
        ListNode data = container.get(key);
        if (data == null) {
            if (size < capacity) {
                size++;
            } else {
                ListNode leastRecent = tail.prev;
                container.remove(leastRecent.key);
                deleteNode(leastRecent);
            }

            ListNode newNode = new ListNode(key, value);
            insertNode(newNode);
            container.put(key, newNode);
        } else {
            data.value = value;
            deleteNode(data);
            insertNode(data);
        }
    }
}

解法二：LinkedHashMap

如果不想手写双端链表怎么办？我们当然可以换用LinkedList，不过更加简单的方式是直接借助Java集合框架中的LinkedHashMap。LinkedHashMap就是在普通HashMap Entry的基础上加了前向指针和后向指针，所以能够按顺序组织键值对。其结构图如下所示。

注意其构造方法中的accessOrder参数。如果accessOrder为false，则保持元素的插入顺序。如果accessOrder为true，则按照访问顺序重新整理元素，最近被访问到的元素会放在双端链表的尾部。更方便的是，通过覆写其removeEldestEntry()方法，就可以在满足特定的条件时自动删除最久未被使用的元素，其他事情交给LinkedHashMap本身去做。

代码如下，同样能AC。

import java.util.LinkedHashMap;

class LRUCache extends LinkedHashMap {
    private int capacity;

    public LRUCache(int capacity) {
        super(capacity, 0.75f, true);
        this.capacity = capacity;
    }

    @Override
    protected boolean removeEldestEntry(Map.Entry eldest) {
        return size() > capacity;
    }

    public int get(int key) {
        return super.getOrDefault(key, -1);
    }

    public void put(int key, int value) {
        super.put(key, value);
    }
}

LinkedHashMap的源码不难，看官可自行参考。

如何保证线程安全？

对于解法二，换用线程安全的ConcurrentLinkedHashMap即可。如果仍然要求我们自己来实现，有两种思路：

• 将普通的HashMap换成ConcurrentHashMap，双端链表换成ConcurrentLinkedQueue（此时链表内部维护的是key的访问顺序）；
• 用可重入读写锁ReentrantReadWriteLock来保证put/get操作的线程安全性。

Redis中的LRU

Redis的最大用途之一就是作为缓存，所以它提供了相当完备的LRU算法实现。需要注意的是，由于Redis内部可能会维护海量的key，用类似LinkedHashMap的方法将所有键值都串在一起显然是不现实的。所以Redis采用了一种定期近似抽样的方法，根据LRU时钟分辨率REDIS_LRU_CLOCK_RESOLUTION确定抽样周期，每次抽取maxmemory-samples（默认值为5）个key，并淘汰掉这些key中最久未被访问的那一个。显然，增大此参数的值会增大LRU的精准度，但同时也会增大内存占用。

Redis文档中Using Redis as an LRU Cache一节对此机制有非常详细的讲解，看官可自行参考，不再废话了。

The End

最近昼夜温差大，大家注意身体。

晚安咯。