1. LRU

1.1. 原理

LRU（Least recently used，最近最少使用）算法根據數據的歷史訪問記錄來進行淘汰數據，其核心思想是“如果數據最近被訪問過，那麽將來被訪問的幾率也更高”。

1.2. 實現

最常見的實現是使用一個鏈表保存緩存數據，詳細算法實現如下：

1. 新數據插入到鏈表頭部；

2. 每當緩存命中（即緩存數據被訪問），則將數據移到鏈表頭部；

3. 當鏈表滿的時候，將鏈表尾部的數據丟棄。

1.3. 分析

【命中率】

當存在熱點數據時，LRU的效率很好，但偶發性的、周期性的批量操作會導致LRU命中率急劇下降，緩存汙染情況比較嚴重。

【復雜度】

實現簡單。

【代價】

命中時需要遍歷鏈表，找到命中的數據塊索引，然後需要將數據移到頭部。

2. LRU-K（描述有誤，請勿參考）

2.1. 原理

LRU-K中的K代表最近使用的次數，因此LRU可以認為是LRU-1。LRU-K的主要目的是為了解決LRU算法“緩存汙染”的問題，其核心思想是將“最近使用過1次”的判斷標準擴展為“最近使用過K次”。

2.2. 實現

相比LRU，LRU-K需要多維護一個隊列，用於記錄所有緩存數據被訪問的歷史。只有當數據的訪問次數達到K次的時候，才將數據放入緩存。當需要淘汰數據時，LRU-K會淘汰第K次訪問時間距當前時間最大的數據。詳細實現如下：

1. 數據第一次被訪問，加入到訪問歷史列表；

2. 如果數據在訪問歷史列表裏後沒有達到K次訪問，則按照一定規則（FIFO，LRU）淘汰；

3. 當訪問歷史隊列中的數據訪問次數達到K次後，將數據索引從歷史隊列刪除，將數據移到緩存隊列中，並緩存此數據，緩存隊列重新按照時間排序；

4. 緩存數據隊列中被再次訪問後，重新排序；

5. 需要淘汰數據時，淘汰緩存隊列中排在末尾的數據，即：淘汰“倒數第K次訪問離現在最久”的數據。

LRU-K具有LRU的優點，同時能夠避免LRU的缺點，實際應用中LRU-2是綜合各種因素後最優的選擇，LRU-3或者更大的K值命中率會高，但適應性差，需要大量的數據訪問才能將歷史訪問記錄清除掉。

2.3. 分析

【命中率】

LRU-K降低了“緩存汙染”帶來的問題，命中率比LRU要高。

【復雜度】

LRU-K隊列是一個優先級隊列，算法復雜度和代價比較高。

【代價】

由於LRU-K還需要記錄那些被訪問過、但還沒有放入緩存的對象，因此內存消耗會比LRU要多；當數據量很大的時候，內存消耗會比較可觀。

LRU-K需要基於時間進行排序（可以需要淘汰時再排序，也可以即時排序），CPU消耗比LRU要高。

3. Two queues（2Q）

3.1. 原理

Two queues（以下使用2Q代替）算法類似於LRU-2，不同點在於2Q將LRU-2算法中的訪問歷史隊列（註意這不是緩存數據的）改為一個FIFO緩存隊列，即：2Q算法有兩個緩存隊列，一個是FIFO隊列，一個是LRU隊列。

3.2. 實現

當數據第一次訪問時，2Q算法將數據緩存在FIFO隊列裏面，當數據第二次被訪問時，則將數據從FIFO隊列移到LRU隊列裏面，兩個隊列各自按照自己的方法淘汰數據。詳細實現如下：

1. 新訪問的數據插入到FIFO隊列；

2. 如果數據在FIFO隊列中一直沒有被再次訪問，則最終按照FIFO規則淘汰；

3. 如果數據在FIFO隊列中被再次訪問，則將數據移到LRU隊列頭部；

4. 如果數據在LRU隊列再次被訪問，則將數據移到LRU隊列頭部；

5. LRU隊列淘汰末尾的數據。

註：上圖中FIFO隊列比LRU隊列短，但並不代表這是算法要求，實際應用中兩者比例沒有硬性規定。

3.3. 分析

【命中率】

2Q算法的命中率要高於LRU。

【復雜度】

需要兩個隊列，但兩個隊列本身都比較簡單。

【代價】

FIFO和LRU的代價之和。

2Q算法和LRU-2算法命中率類似，內存消耗也比較接近，但對於最後緩存的數據來說，2Q會減少一次從原始存儲讀取數據或者計算數據的操作。

4. Multi Queue（MQ）

4.1. 原理

MQ算法根據訪問頻率將數據劃分為多個隊列，不同的隊列具有不同的訪問優先級，其核心思想是：優先緩存訪問次數多的數據。

4.2. 實現

MQ算法將緩存劃分為多個LRU隊列，每個隊列對應不同的訪問優先級。訪問優先級是根據訪問次數計算出來的，例如

詳細的算法結構圖如下，Q0，Q1....Qk代表不同的優先級隊列，Q-history代表從緩存中淘汰數據，但記錄了數據的索引和引用次數的隊列：

如上圖，算法詳細描述如下：

1. 新插入的數據放入Q0；

2. 每個隊列按照LRU管理數據；

3. 當數據的訪問次數達到一定次數，需要提升優先級時，將數據從當前隊列刪除，加入到高一級隊列的頭部；

4. 為了防止高優先級數據永遠不被淘汰，當數據在指定的時間裏訪問沒有被訪問時，需要降低優先級，將數據從當前隊列刪除，加入到低一級的隊列頭部；

5. 需要淘汰數據時，從最低一級隊列開始按照LRU淘汰；每個隊列淘汰數據時，將數據從緩存中刪除，將數據索引加入Q-history頭部；

6. 如果數據在Q-history中被重新訪問，則重新計算其優先級，移到目標隊列的頭部；

7. Q-history按照LRU淘汰數據的索引。

4.3. 分析

【命中率】

MQ降低了“緩存汙染”帶來的問題，命中率比LRU要高。

【復雜度】

MQ需要維護多個隊列，且需要維護每個數據的訪問時間，復雜度比LRU高。

【代價】

MQ需要記錄每個數據的訪問時間，需要定時掃描所有隊列，代價比LRU要高。

註：雖然MQ的隊列看起來數量比較多，但由於所有隊列之和受限於緩存容量的大小，因此這裏多個隊列長度之和和一個LRU隊列是一樣的，因此隊列掃描性能也相近。

5. LRU類算法對比

由於不同的訪問模型導致命中率變化較大，此處對比僅基於理論定性分析，不做定量分析。

實際應用中需要根據業務的需求和對數據的訪問情況進行選擇，並不是命中率越高越好。例如：雖然LRU看起來命中率會低一些，且存在”緩存汙染“的問題，但由於其簡單和代價小，實際應用中反而應用更多。

參考網址：http://blog.csdn.net/yunhua_lee/article/details/7599671

緩存淘汰算法之LRU