介紹
redis是一個(gè)內(nèi)存數(shù)據(jù)庫(kù)，當(dāng)Redis使用的內(nèi)存超過(guò)物理內(nèi)存的限制后，內(nèi)存數(shù)據(jù)會(huì)和磁盤產(chǎn)生頻繁的交換，交換會(huì)導(dǎo)致Redis性能急劇下降。所以在生產(chǎn)環(huán)境中我們通過(guò)配置參數(shù)maxmemoey來(lái)限制使用的內(nèi)存大小。
當(dāng)實(shí)際使用的內(nèi)存超過(guò)maxmemoey后，Redis提供了如下幾種可選策略。
noeviction：寫(xiě)請(qǐng)求返回錯(cuò)誤
volatile-lru：使用lru算法刪除設(shè)置了過(guò)期時(shí)間的鍵值對(duì) volatile-lfu：使用lfu算法刪除設(shè)置了過(guò)期時(shí)間的鍵值對(duì) volatile-random：在設(shè)置了過(guò)期時(shí)間的鍵值對(duì)中隨機(jī)進(jìn)行刪除 volatile-ttl：根據(jù)過(guò)期時(shí)間的先后進(jìn)行刪除，越早過(guò)期的越先被刪除
allkeys-lru：在所有鍵值對(duì)中，使用lru算法進(jìn)行刪除 allkeys-lfu：在所有鍵值對(duì)中，使用lfu算法進(jìn)行刪除 allkeys-random：所有鍵值對(duì)中隨機(jī)刪除
我們來(lái)詳細(xì)了解一下lru和lfu算法，這是2個(gè)常見(jiàn)的緩存淘汰算法。「因?yàn)橛?jì)算機(jī)緩存的容量是有限的，所以我們要?jiǎng)h除那些沒(méi)用的數(shù)據(jù)，而這兩種算法的區(qū)別就是判定沒(méi)用的緯度不一樣。」
LRU算法
「lru（Least recently used，最近最少使用）算法，即最近訪問(wèn)的數(shù)據(jù)，后續(xù)很大概率還會(huì)被訪問(wèn)到，即是有用的。而長(zhǎng)時(shí)間未被訪問(wèn)的數(shù)據(jù)，應(yīng)該被淘汰」
lru算法中數(shù)據(jù)會(huì)被放到一個(gè)鏈表中，鏈表的頭節(jié)點(diǎn)為最近被訪問(wèn)的數(shù)據(jù)，鏈表的尾節(jié)點(diǎn)為長(zhǎng)時(shí)間沒(méi)有被訪問(wèn)的數(shù)據(jù)
「lru算法的核心實(shí)現(xiàn)就是哈希表加雙向鏈表」。鏈表可以用來(lái)維護(hù)訪問(wèn)元素的順序，而hash表可以幫我們?cè)贠(1)時(shí)間復(fù)雜度下訪問(wèn)到元素。
「至于為什么是雙向鏈表呢」？主要是要?jiǎng)h除元素，所以要獲取前繼節(jié)點(diǎn)。數(shù)據(jù)結(jié)構(gòu)圖示如下
使用雙向鏈表+HashMap
雙向鏈表節(jié)點(diǎn)定義如下
public class ListNode<K, V> {
K key;
V value;
ListNode pre;
ListNode next;
public ListNode() {}
public ListNode(K key, V value) {
this.key = key;
this.value = value;
}
}
封裝雙向鏈表的常用操作
public class DoubleList {
private ListNode head;
private ListNode tail;
public DoubleList() {
head = new ListNode();
tail = new ListNode();
head.next = tail;
tail.pre = head;
}
public void remove(ListNode node) {
node.pre.next = node.next;
node.next.pre = node.pre;
}
public void addLast(ListNode node) {
node.pre = tail.pre;
tail.pre = node;
node.pre.next = node;
node.next = tail;
}
public ListNode removeFirst() {
if (head.next == tail) {
return null;
}
ListNode first = head.next;
remove(first);
return first;
}
}
封裝一個(gè)緩存類，提供最基本的get和put方法。「需要注意，這兩種基本的方法都涉及到對(duì)兩種數(shù)據(jù)結(jié)構(gòu)的修改」。
public class MyLruCache<K, V> {
private int capacity;
private DoubleList doubleList;
private Map<K, ListNode> map;
public MyLruCache(int capacity) {
this.capacity = capacity;
map = new HashMap<>();
doubleList = new DoubleList();
}
public V get(Object key) {
ListNode<K, V> node = map.get(key);
if (node == null) {
return null;
}
// 先刪除該節(jié)點(diǎn)，再接到尾部
doubleList.remove(node);
doubleList.addLast(node);
return node.value;
}
public void put(K key, V value) {
// 直接調(diào)用這邊的get方法，如果存在，它會(huì)在get內(nèi)部被移動(dòng)到尾巴，不用再移動(dòng)一遍,直接修改值即可
if ((get(key)) != null) {
map.get(key).value = value;
return;
}
// 如果超出容量，把頭去掉
if (map.size() == capacity) {
ListNode listNode = doubleList.removeFirst();
map.remove(listNode.key);
}
// 若不存在，new一個(gè)出來(lái)
ListNode node = new ListNode(key, value);
map.put(key, node);
doubleList.addLast(node);
}
}
這里我們的實(shí)現(xiàn)為最近訪問(wèn)的放在鏈表的尾節(jié)點(diǎn)，不經(jīng)常訪問(wèn)的放在鏈表的頭節(jié)點(diǎn)
測(cè)試一波，輸出為鏈表的正序輸出（代碼為了簡(jiǎn)潔沒(méi)有貼toString方法）
MyLruCache<String, String> myLruCache = new MyLruCache<>(3);
// {5 : 5}
myLruCache.put("5", "5");
// {5 : 5}{3 : 3}
myLruCache.put("3", "3");
// {5 : 5}{3 : 3}{4 : 4}
myLruCache.put("4", "4");
// {3 : 3}{4 : 4}{2 : 2}
myLruCache.put("2", "2");
// {4 : 4}{2 : 2}{3 : 3}
myLruCache.get("3");
「因?yàn)長(zhǎng)inkedHashMap的底層實(shí)現(xiàn)就是哈希表加雙向鏈表，所以你可以用LinkedHashMap替換HashMap和DoubleList來(lái)改寫(xiě)一下上面的類」。
我來(lái)演示一下更騷的操作，只需要重寫(xiě)一個(gè)構(gòu)造函數(shù)和removeEldestEntry方法即可。
使用LinkedHashMap實(shí)現(xiàn)LRU
public class LruCache<K, V> extends LinkedHashMap<K, V> {
private int cacheSize;
public LruCache(int cacheSize) {
/**
* initialCapacity: 初始容量大小
* loadFactor: 負(fù)載因子
* accessOrder: false基于插入排序（默認(rèn)），true基于訪問(wèn)排序
*/
super(cacheSize, 0.75f, true);
this.cacheSize = cacheSize;
}
/**
* 當(dāng)調(diào)用put或者putAll方法時(shí)會(huì)調(diào)用如下方法，是否刪除最老的數(shù)據(jù)，默認(rèn)為false
*/
@Override
protected boolean removeEldestEntry(Map.Entry<K, V> eldest) {
return size() > cacheSize;
}
}
注意這個(gè)緩存并不是線程安全的，可以調(diào)用Collections.synchronizedMap方法返回線程安全的map
LruCache<String, String> lruCache = new LruCache(3);
Map<String, String> safeMap = Collections.synchronizedMap(lruCache);
Collections.synchronizedMap實(shí)現(xiàn)線程安全的方式很簡(jiǎn)單，只是返回一個(gè)代理類。代理類對(duì)Map接口的所有方法加鎖
public static <K,V> Map<K,V> synchronizedMap(Map<K,V> m) {
return new SynchronizedMap<>(m);
}
LFU算法
「LRU算法有一個(gè)問(wèn)題，當(dāng)一個(gè)長(zhǎng)時(shí)間不被訪問(wèn)的key，偶爾被訪問(wèn)一下后，可能會(huì)造成一個(gè)比這個(gè)key訪問(wèn)更頻繁的key被淘汰。」
即LRU算法對(duì)key的冷熱程度的判斷可能不準(zhǔn)確。而LFU算法（Least Frequently Used，最不經(jīng)常使用）則是按照訪問(wèn)頻率來(lái)判斷key的冷熱程度的，每次刪除的是一段時(shí)間內(nèi)訪問(wèn)頻率較低的數(shù)據(jù)，比LRU算法更準(zhǔn)確。
使用3個(gè)hash表實(shí)現(xiàn)lfu算法
那么我們應(yīng)該如何組織數(shù)據(jù)呢？
為了實(shí)現(xiàn)鍵值的對(duì)快速訪問(wèn)，用一個(gè)map來(lái)保存鍵值對(duì)
private HashMap<K, Integer> keyToFreq;
還需要用一個(gè)map來(lái)保存鍵的訪問(wèn)頻率
private HashMap<K, Integer> keyToFreq;
「當(dāng)然你也可以把值和訪問(wèn)頻率封裝到一個(gè)類中，用一個(gè)map來(lái)替代上述的2個(gè)map」
接下來(lái)就是最核心的部分，刪除訪問(wèn)頻率最低的數(shù)據(jù)。
- 為了能在O(1)時(shí)間復(fù)雜度內(nèi)找到訪問(wèn)頻率最低的數(shù)據(jù)，我們需要一個(gè)變量minFreq記錄訪問(wèn)最低的頻率
- 每個(gè)訪問(wèn)頻率有可能對(duì)應(yīng)多個(gè)鍵。當(dāng)空間不夠用時(shí)，我們要?jiǎng)h除最早被訪問(wèn)的數(shù)據(jù)，所以需要如下數(shù)據(jù)結(jié)構(gòu)，Map<頻率, 有序集合>。每次內(nèi)存不夠用時(shí)，刪除有序集合的第一個(gè)元素即可。并且這個(gè)有序集合要能快速刪除某個(gè)key，因?yàn)槟硞€(gè)key被訪問(wèn)后，需要從這個(gè)集合中刪除，加入freq+1對(duì)應(yīng)的集合中
- 有序集合很多，但是能滿足快速刪除某個(gè)key的只有set，但是set插入數(shù)據(jù)是無(wú)序的。「幸虧JAVA有LinkedHashSet這個(gè)類，鏈表和集合的結(jié)合體，鏈表不能快速刪除元素，但是能保證插入順序。集合內(nèi)部元素?zé)o序，但是能快速刪除元素，完美」
下面就是具體的實(shí)現(xiàn)。
public class LfuCache<K, V> {
private HashMap<K, V> keyToVal;
private HashMap<K, Integer> keyToFreq;
private HashMap<Integer, LinkedHashSet<K>> freqTokeys;
private int minFreq;
private int capacity;
public LfuCache(int capacity) {
keyToVal = new HashMap<>();
keyToFreq = new HashMap<>();
freqTokeys = new HashMap<>();
this.capacity = capacity;
this.minFreq = 0;
}
public V get(K key) {
V v = keyToVal.get(key);
if (v == null) {
return null;
}
increaseFrey(key);
return v;
}
public void put(K key, V value) {
// get方法里面會(huì)增加頻次
if (get(key) != null) {
// 重新設(shè)置值
keyToVal.put(key, value);
return;
}
// 超出容量，刪除頻率最低的key
if (keyToVal.size() >= capacity) {
removeMinFreqKey();
}
keyToVal.put(key, value);
keyToFreq.put(key, 1);
// key對(duì)應(yīng)的value存在，返回存在的key
// key對(duì)應(yīng)的value不存在，添加key和value
freqTokeys.putIfAbsent(1, new LinkedHashSet<>());
freqTokeys.get(1).add(key);
this.minFreq = 1;
}
// 刪除出現(xiàn)頻率最低的key
private void removeMinFreqKey() {
LinkedHashSet<K> keyList = freqTokeys.get(minFreq);
K deleteKey = keyList.iterator().next();
keyList.remove(deleteKey);
if (keyList.isEmpty()) {
// 這里刪除元素后不需要重新設(shè)置minFreq
// 因?yàn)閜ut方法執(zhí)行完會(huì)將minFreq設(shè)置為1
freqTokeys.remove(keyList);
}
keyToVal.remove(deleteKey);
keyToFreq.remove(deleteKey);
}
// 增加頻率
private void increaseFrey(K key) {
int freq = keyToFreq.get(key);
keyToFreq.put(key, freq + 1);
freqTokeys.get(freq).remove(key);
freqTokeys.putIfAbsent(freq + 1, new LinkedHashSet<>());
freqTokeys.get(freq + 1).add(key);
if (freqTokeys.get(freq).isEmpty()) {
freqTokeys.remove(freq);
// 最小頻率的set為空，key被移動(dòng)到minFreq+1對(duì)應(yīng)的set了
// 所以minFreq也要加1
if (freq == this.minFreq) {
this.minFreq++;
}
}
}
}
測(cè)試一下
LfuCache<String, String> lfuCache = new LfuCache(2);
lfuCache.put("1", "1");
lfuCache.put("2", "2");
// 1
System.out.println(lfuCache.get("1"));
lfuCache.put("3", "3");
// 1的頻率為2，2和3的頻率為1，但2更早之前被訪問(wèn)，所以被清除
// 結(jié)果為null
System.out.println(lfuCache.get("2"));
