深入理解 LRU 与 LFU 缓存算法实现
在系统设计和面试中，缓存淘汰策略是高频考点。LRU（最近最少使用）和 LFU（最不经常使用）代表了两种不同的淘汰逻辑，掌握它们的底层实现原理，对于应对高并发架构挑战至关重要。
一、LRU 缓存算法
1. 哈希表 + 双向链表
以 LeetCode 的 LRU Cache 题目为例，核心需求是在 O(1) 时间复杂度内完成 get 和 put 操作。
设计思路
单纯用哈希表无法维护访问顺序，单纯用链表查找效率太低。因此我们采用组合方案：
- 双向链表：维护节点的访问顺序。最近使用的节点放在头部，最少使用的节点放在尾部。淘汰时直接删除尾部节点。
- 哈希表：存储 key 到链表节点的映射，实现 O(1) 快速查找。
- 哑头/哑尾节点：简化边界处理，无需判断链表是否为空或节点是否为头尾。
代码实现
class LRUCache {
// 1. 双向链表节点类：封装缓存的 key、value，以及前后指针
class DLinkedNode {
int key;
int value;
DLinkedNode prev;
DLinkedNode next;
// 无参构造：用于创建哑头/哑尾节点
public DLinkedNode() {}
// 有参构造：用于创建真实的缓存节点
public DLinkedNode(int _key, int _value) {
this.key = _key;
this.value = _value;
}
}
// 2. LRUCache 核心成员变量
private Map<Integer, DLinkedNode> cache = new HashMap<>();
private int size; // 当前缓存中的节点数量
private capacity;
DLinkedNode head;
DLinkedNode tail;
{
.size = ;
.capacity = capacity;
head = ();
tail = ();
head.next = tail;
tail.prev = head;
}
{
cache.get(key);
(node == ) {
-;
}
moveToHead(node);
node.value;
}
{
cache.get(key);
(node == ) {
(key, value);
cache.put(key, newNode);
addToHead(newNode);
size++;
(size > capacity) {
removeTail();
cache.remove(tailNode.key);
size--;
}
} {
node.value = value;
moveToHead(node);
}
}
{
node.prev.next = node.next;
node.next.prev = node.prev;
}
{
node.prev = head;
node.next = head.next;
head.next.prev = node;
head.next = node;
}
{
removeNode(node);
addToHead(node);
}
DLinkedNode {
tail.prev;
removeNode(res);
res;
}
}
