乾貨|漫畫演算法:LRU從實現到應用層層剖析(第一講)
今天為大家分享很出名的LRU演算法,第一講共包括4節。
- LRU概述
- LRU使用
- LRU實現
- Redis近LRU概述
第一部分:LRU概述
LRU是Least Recently Used的縮寫,譯為最近最少使用。它的理論基礎為“最近使用的資料會在未來一段時期內仍然被使用,已經很久沒有使用的資料大機率在未來很長一段時間仍然不會被使用”由於該思想非常契合業務場景 ,並且可以解決很多實際開發中的問題,所以我們經常透過LRU的思想來作快取,一般也將其稱為LRU快取機制。因為恰好leetcode上有這道題,所以我乾脆把題目貼這裡。但是對於LRU而言,希望大家不要侷限於本題(大家不用擔心學不會,我希望能做一個全網最簡單的版本,希望可以堅持看下去!)下面,我們一起學習一下。
題目:運用你所掌握的資料結構,設計和實現一個 LRU (最近最少使用) 快取機制。它應該支援以下操作:獲取資料 get 和 寫入資料 put 。
獲取資料 get(key) - 如果金鑰 (key) 存在於快取中,則獲取金鑰的值(總是正數),否則返回 -1。
寫入資料 put(key, value) - 如果金鑰不存在,則寫入其資料值。當快取容量達到上限時,它應該在寫入新資料之前刪除最近最少使用的資料值,從而為新的資料值留出空間。
進階:你是否可以在 O(1) 時間複雜度內完成這兩種操作?
示例:
LRUCache cache = new LRUCache( 2 /* 快取容量 */ );
cache.put(1, 1);
cache.put(2, 2);
cache.get(1); // 返回 1
cache.put(3, 3); // 該操作會使得金鑰 2 作廢
cache.get(2); // 返回 -1 (未找到)
cache.put(4, 4); // 該操作會使得金鑰 1 作廢
cache.get(1); // 返回 -1 (未找到)
cache.get(3); // 返回 3
cache.get(4); // 返回 4
第二部分:LRU使用
首先說一下LRUCache的示例解釋一下。
-
第一步:我們申明一個LRUCache,長度為2
-
第二步:我們分別向cache裡邊put(1,1)和put(2,2),這裡因為最近使用的是2(put也算作使用)所以2在前,1在後。
- 第三步:我們get(1),也就是我們使用了1,所以需要將1移到前面。
- 第四步:此時我們put(3,3),因為2是最近最少使用的,所以我們需要將2進行作廢。此時我們再get(2),就會返回-1。
- 第五步:我們繼續put(4,4),同理我們將1作廢。此時如果get(1),也是返回-1。
- 第六步:此時我們get(3),實際為調整3的位置。
- 第七步:同理,get(4),繼續調整4的位置。
第三部分:LRU 實現(層層剖析)
透過上面的分析大家應該都能理解LRU的使用了。現在我們聊一下實現。LRU一般來講,我們是使用雙向連結串列實現。這裡我要強調的是,其實在專案中,並不絕對是這樣。比如Redis原始碼裡,LRU的淘汰策略,就沒有使用雙向連結串列,而是使用一種模擬連結串列的方式。因為Redis大多是當記憶體在用(我知道可以持久化),如果再在記憶體中去維護一個連結串列,就平添了一些複雜性,同時也會多耗掉一些記憶體,後面我會單獨拉出來Redis的原始碼給大家分析,這裡不細說。
回到題目,為什麼我們要選擇雙向連結串列來實現呢?看看上面的使用步驟圖,大家會發現,在整個LRUCache的使用中,我們需要頻繁的去調整首尾元素的位置。而雙向連結串列的結構,剛好滿足這一點(再囉嗦一下,前幾天我剛好看了groupcache的原始碼,裡邊就是用雙向連結串列來做的LRU,當然它裡邊做了一些改進。groupcache是memcache作者實現的go版本,如果有go的讀者,可以去看看原始碼,還是有一些收穫。)
下面,我們採用hashmap+雙向連結串列的方式進行實現。
首先,我們定義一個LinkNode,用以儲存元素。因為是雙向連結串列,自然我們要定義pre和next。同時,我們需要儲存下元素的key和value。val大家應該都能理解,關鍵是為什麼需要儲存key?舉個例子,比如當整個cache的元素滿了,此時我們需要刪除map中的資料,需要透過LinkNode中的key來進行查詢,否則無法獲取到key。
type LRUCache struct { m map[int]*LinkNode cap int head, tail *LinkNode }
現在有了LinkNode,自然需要一個Cache來儲存所有的Node。我們定義cap為cache的長度,m用來儲存元素。head和tail作為Cache的首尾。
type LRUCache struct { m map[int]*LinkNode cap int head, tail *LinkNode }
接下來我們對整個Cache進行初始化。在初始化head和tail的時候將它們連線在一起。
func Constructor(capacity int) LRUCache { head := &LinkNode{0, 0, nil, nil} tail := &LinkNode{0, 0, nil, nil} head.next = tail tail.pre = head return LRUCache{make(map[int]*LinkNode), capacity, head, tail} }
大概是這樣:
現在我們已經完成了Cache的構造,剩下的就是新增它的API了。因為Get比較簡單,我們先完成Get方法。這裡分兩種情況考慮,如果沒有找到元素,我們返回-1。如果元素存在,我們需要把這個元素移動到首位置上去。
func (this *LRUCache) Get(key int) int { head := this.head cache := this.m if v, exist := cache[key]; exist { v.pre.next = v.next v.next.pre = v.pre v.next = head.next head.next.pre = v v.pre = head head.next = v return v.val } else { return -1 } }
大概就是下面這個樣子(假若2是我們get的元素)
我們很容易想到這個方法後面還會用到,所以將其抽出。
func (this *LRUCache) moveToHead(node *LinkNode){ head := this.head //從當前位置刪除 node.pre.next = node.next node.next.pre = node.pre //移動到首位置 node.next = head.next head.next.pre = node node.pre = head head.next = node } func (this *LRUCache) Get(key int) int { cache := this.m if v, exist := cache[key]; exist { this.moveToHead(v) return v.val } else { return -1 } }
現在我們開始完成Put。實現Put時,有兩種情況需要考慮。假若元素存在,其實相當於做一個Get操作,也是移動到最前面(但是需要注意的是,這裡多了一個更新值的步驟)。
func (this *LRUCache) Put(key int, value int) { head := this.head tail := this.tail cache := this.m //假若元素存在 if v, exist := cache[key]; exist { //1.更新值 v.val = value //2.移動到最前 this.moveToHead(v) } else { //TODO } }
假若元素不存在,我們將其插入到元素首,並把該元素值放入到map中。
func (this *LRUCache) Put(key int, value int) { head := this.head tail := this.tail cache := this.m //存在 if v, exist := cache[key]; exist { //1.更新值 v.val = value //2.移動到最前 this.moveToHead(v) } else { v := &LinkNode{key, value, nil, nil} v.next = head.next v.pre = head head.next.pre = v head.next = v cache[key] = v } }
但是我們漏掉了一種情況,如果恰好此時Cache中元素滿了,需要刪掉最後的元素。處理完畢,附上Put函式完整程式碼。
func (this *LRUCache) Put(key int, value int) { head := this.head tail := this.tail cache := this.m //存在 if v, exist := cache[key]; exist { //1.更新值 v.val = value //2.移動到最前 this.moveToHead(v) } else { v := &LinkNode{key, value, nil, nil} if len(cache) == this.cap { //刪除最後元素 delete(cache, tail.pre.key) tail.pre.pre.next = tail tail.pre = tail.pre.pre } v.next = head.next v.pre = head head.next.pre = v head.next = v cache[key] = v } }
最後,我們完成所有程式碼:
type LinkNode struct { key, val int pre, next *LinkNode } type LRUCache struct { m map[int]*LinkNode cap int head, tail *LinkNode } func Constructor(capacity int) LRUCache { head := &LinkNode{0, 0, nil, nil} tail := &LinkNode{0, 0, nil, nil} head.next = tail tail.pre = head return LRUCache{make(map[int]*LinkNode), capacity, head, tail} } func (this *LRUCache) Get(key int) int { cache := this.m if v, exist := cache[key]; exist { this.moveToHead(v) return v.val } else { return -1 } } func (this *LRUCache) moveToHead(node *LinkNode) { head := this.head //從當前位置刪除 node.pre.next = node.next node.next.pre = node.pre //移動到首位置 node.next = head.next head.next.pre = node node.pre = head head.next = node } func (this *LRUCache) Put(key int, value int) { head := this.head tail := this.tail cache := this.m //存在 if v, exist := cache[key]; exist { //1.更新值 v.val = value //2.移動到最前 this.moveToHead(v) } else { v := &LinkNode{key, value, nil, nil} if len(cache) == this.cap { //刪除末尾元素 delete(cache, tail.pre.key) tail.pre.pre.next = tail tail.pre = tail.pre.pre } v.next = head.next v.pre = head head.next.pre = v head.next = v cache[key] = v } }
最佳化後:
type LinkNode struct { key, val int pre, next *LinkNode } type LRUCache struct { m map[int]*LinkNode cap int head, tail *LinkNode } func Constructor(capacity int) LRUCache { head := &LinkNode{0, 0, nil, nil} tail := &LinkNode{0, 0, nil, nil} head.next = tail tail.pre = head return LRUCache{make(map[int]*LinkNode), capacity, head, tail} } func (this *LRUCache) Get(key int) int { cache := this.m if v, exist := cache[key]; exist { this.MoveToHead(v) return v.val } else { return -1 } } func (this *LRUCache) RemoveNode(node *LinkNode) { node.pre.next = node.next node.next.pre = node.pre } func (this *LRUCache) AddNode(node *LinkNode) { head := this.head node.next = head.next head.next.pre = node node.pre = head head.next = node } func (this *LRUCache) MoveToHead(node *LinkNode) { this.RemoveNode(node) this.AddNode(node) } func (this *LRUCache) Put(key int, value int) { tail := this.tail cache := this.m if v, exist := cache[key]; exist { v.val = value this.MoveToHead(v) } else { v := &LinkNode{key, value, nil, nil} if len(cache) == this.cap { delete(cache, tail.pre.key) this.RemoveNode(tail.pre) } this.AddNode(v) cache[key] = v } }
因為該演算法過於重要,給一個Java版本的:
//java版本 public class LRUCache { class LinkedNode { int key; int value; LinkedNode prev; LinkedNode next; } private void addNode(LinkedNode node) { node.prev = head; node.next = head.next; head.next.prev = node; head.next = node; } private void removeNode(LinkedNode node){ LinkedNode prev = node.prev; LinkedNode next = node.next; prev.next = next; next.prev = prev; } private void moveToHead(LinkedNode node){ removeNode(node); addNode(node); } private LinkedNode popTail() { LinkedNode res = tail.prev; removeNode(res); return res; } private Hashtable<Integer, LinkedNode> cache = new Hashtable<Integer, LinkedNode>(); private int size; private int capacity; private LinkedNode head, tail; public LRUCache(int capacity) { this.size = 0; this.capacity = capacity; head = new LinkedNode(); tail = new LinkedNode(); head.next = tail; tail.prev = head; } public int get(int key) { LinkedNode node = cache.get(key); if (node == null) return -1; moveToHead(node); return node.value; } public void put(int key, int value) { LinkedNode node = cache.get(key); if(node == null) { LinkedNode newNode = new LinkedNode(); newNode.key = key; newNode.value = value; cache.put(key, newNode); addNode(newNode); ++size; if(size > capacity) { LinkedNode tail = popTail(); cache.remove(tail.key); --size; } } else { node.value = value; moveToHead(node); } } }
第四部分:Redis 近LRU 介紹
上文完成了我們們自己的LRU實現,現在現在聊一聊Redis中的近似LRU。由於真實LRU需要過多的記憶體(在資料量比較大時),所以Redis是使用一種隨機抽樣的方式,來實現一個近似LRU的效果。說白了,LRU根本只是一個預測鍵訪問順序的模型。
在Redis中有一個引數,叫做 “maxmemory-samples”,是幹嘛用的呢?
# LRU and minimal TTL algorithms are not precise algorithms but approximated # algorithms (in order to save memory), so you can tune it for speed or # accuracy. For default Redis will check five keys and pick the one that was # used less recently, you can change the sample size using the following # configuration directive. # # The default of 5 produces good enough results. 10 Approximates very closely # true LRU but costs a bit more CPU. 3 is very fast but not very accurate. # maxmemory-samples 5
上面我們說過了,近似LRU是用隨機抽樣的方式來實現一個近似的LRU效果。這個引數其實就是作者提供了一種方式,可以讓我們人為干預樣本數大小,將其設的越大,就越接近真實LRU的效果,當然也就意味著越耗記憶體。(初始值為5是作者預設的最佳)
這個圖解釋一下,綠色的點是新增加的元素,深灰色的點是沒有被刪除的元素,淺灰色的是被刪除的元素。最下面的這張圖,是真實LRU的效果,第二張圖是預設該引數為5的效果,可以看到淺灰色部分和真實的契合還是不錯的。第一張圖是將該引數設定為10的效果,已經基本接近真實LRU的效果了。
由於時間關係本文基本就說到這裡。那Redis中的近似LRU是如何實現的呢?請關注下一期的內容~
文章來源:本文由小浩演算法授權轉載
來自 “ ITPUB部落格 ” ,連結:http://blog.itpub.net/69918724/viewspace-2683740/,如需轉載,請註明出處,否則將追究法律責任。
相關文章
- 從原始碼層面深度剖析Redisson實現分散式鎖的原理(全程乾貨,注意收藏)原始碼Redis分散式
- 漫畫:什麼是LRU演算法?演算法
- Android訊息機制,從Java層到Native層剖析AndroidJava
- 從應用層到網路層排查 Dubbo 介面超時全記錄
- 【機器學習】--層次聚類從初識到應用機器學習聚類
- 【Caffe篇】--Caffe solver層從初始到應用
- 漫畫:什麼是HashMap?(底層原理)HashMap
- 06_應用層和核心層實現資料互動
- 一不小心畫了 24 張圖剖析計網應用層協議!協議
- 無水乾貨:InnoDB底層原理
- Golang 定時器底層實現深度剖析Golang定時器
- 乾貨教程:如何把一張照片用PS做成漫畫風格
- 【乾貨分享】研效優化實踐:AI演算法助力深層BUG挖掘優化AI演算法
- 漫畫演算法:最小棧的實現演算法
- 漫談計算機網路:應用層 ----- 從DNS域名解析到WWW全球資訊網再到P2P應用計算機網路DNS
- 從底層到應用,那些資料人的必備技能
- 【乾貨分享】研效最佳化實踐:AI演算法助力深層BUG挖掘AI演算法
- 基於"堆"的底層實現和應用
- ArrayList 從原始碼角度剖析底層原理原始碼
- 【漫畫講技術】CSS系列漫畫教程(6-10講)CSS
- 【漫畫講技術】CSS系列漫畫教程(11-15講)CSS
- 9、如何理解應用層、傳輸層、網路層、鏈路層、物理層
- 漫畫 JAVA…… 從入門到入墳……Java
- 從二層到七層交換機技術適用環境介紹(轉)
- 瞭解安卓架構(linux核心層、系統執行庫層、應用框架層、應用層)安卓架構Linux框架
- 程式設計師面試乾貨:漫談計算機網路:物理層 ----- 雙絞線&光纖?,從最底層開始瞭解計算機網路程式設計師面試計算機網路
- 漫畫講解HDFS原理
- 應用層協議協議
- 來聊聊 應用層
- HashMap原理底層剖析HashMap
- Spring Cloud 純乾貨,從入門到實戰SpringCloud
- 【AQS面試篇】瞭解ReentrantLock嗎?講講其底層實現AQS面試ReentrantLock
- TCP/IP五層模型-應用層-DNS協議TCP模型DNS協議
- 我來聊聊前端應用表現層抽象前端抽象
- 層層剖析一次 HTTP POST 請求事故HTTP
- MVP實現Android應用層開發原理及過程MVPAndroid
- 思科應用三層交換機實現VLAN間路由例項路由
- Minecraft中ScoreBoard的底層實現與擴充套件應用Raft套件