LRU缓存算法原理与实现详解

1. LRU缓存算法核心原理

在计算机系统中，缓存技术无处不在。从CPU的多级缓存到浏览器的页面缓存，再到分布式系统中的Redis缓存，它们都面临一个共同问题：当缓存空间不足时，应该优先淘汰哪些数据？LRU（Least Recently Used）算法就是解决这个问题的经典方案。

1.1 为什么需要缓存淘汰策略

想象你有一个容量有限的背包（缓存），每次出门只能带有限数量的物品（数据）。你会如何选择要带的物品？最合理的做法是：

• 经常使用的物品（高频访问数据）始终放在包里
• 最近很少使用的物品（低频访问数据）可以暂时拿出
• 几乎不用的物品（冷数据）直接淘汰

这就是LRU算法的现实类比。在工程实践中，缓存淘汰策略直接影响系统性能：

1. 数据库访问优化：MySQL的Query Cache、Redis的键淘汰策略
2. 操作系统资源管理：内存页面置换算法
3. CDN节点缓存：热点内容优先缓存

1.2 LRU的工作原理

LRU的核心思想可以用一个简单的例子说明：

假设缓存容量为3，访问顺序为：A → B → C → A → D

1. 初始状态：[ ]
2. 访问A后：[A]
3. 访问B后：[B, A]（最新访问在前）
4. 访问C后：[C, B, A]
5. 再次访问A：[A, C, B]（A被提到最前）
6. 访问D时缓存已满，淘汰最久未使用的B：[D, A, C]

这个例子展示了LRU的两个关键操作：

• 访问命中：将数据移动到"最近使用"位置
• 淘汰机制：当空间不足时移除"最久未使用"的数据

关键特性：LRU认为最近被访问过的数据，未来被再次访问的概率更高

2. LRU的手动实现方案

2.1 数据结构设计

要实现O(1)时间复杂度的LRU，需要组合使用两种数据结构：

1. 双向链表：维护数据的访问顺序
   • 链表头部表示最近访问
   • 链表尾部表示最久未访问
2. 哈希表：提供快速查找能力
   • key到链表节点的映射
   • 实现O(1)的查找速度

java复制class LRUCache {
    // 双向链表节点定义
    class DLinkedList {
        int key, value;
        DLinkedList prev, next;
        public DLinkedList() {}
        public DLinkedList(int key, int value) {
            this.key = key;
            this.value = value;
        }
    }
    
    private Map<Integer, DLinkedList> cac