图解LFU和LRU：从浏览器缓存到操作系统页面置换的15种应用场景

图解LFU与LRU：从浏览器缓存到操作系统的15个核心应用场景

在计算机科学领域，缓存淘汰算法如同数字世界的守门人，它们决定了哪些数据应该留下，哪些需要被请离。当缓存空间有限时，LFU（最不经常使用）和LRU（最近最少使用）这两位"门卫"会基于不同的策略做出决策。想象一下浏览器缓存就像一个繁忙的图书馆，LFU会优先保留被频繁借阅的书籍，而LRU则倾向于保留最近被借阅过的书目。

1. 算法原理深度解析

1.1 LRU：时间维度的智慧

LRU算法建立在一个直观的假设上：如果数据最近被访问过，那么它将来被再次访问的概率也更高。这种算法像一位严谨的图书管理员，总是把最新归还的书放在书架最显眼的位置。

核心操作流程：

1. 新数据插入到链表头部
2. 每当缓存命中（即数据被访问），将数据移到链表头部
3. 当链表满时，丢弃链表尾部的数据

class LRUCache:
    def __init__(self, capacity: int):
        self.cache = OrderedDict()
        self.capacity = capacity

    def get(self, key: int) -> int:
        if key not in self.cache:
            return -1
        self.cache.move_to_end(key)
        return self.cache[key]

    def put(self, key: int, value: int) -> None:
        if key in self.cache:
            self.cache.move_to_end(key)
        self.cache[key] = value
        if len(self.cache) > self.capacity:
            self.cache.popitem(last=False)

1.2 LFU：频率统计的艺术

LFU则采用了不同的策略，它认为历史访问频率是预测未来使用模式的最佳指标。这就像图书馆统计每本书的借阅次数，保留那些最受欢迎的书籍。

LFU实现关键点：

• 为每个数据项维护访问计数器
• 使用频率哈希表快速定位相同频率的数据
• 需要双重链表结构维护访问顺序

class LFUCache {
    // 频率哈希表：频率 -> 具有该频率的键集合
    Map<Integer, LinkedHashSet<Integer>> freqMap;
    // 键值存储
    Map<Integer, Integer> keyToValue;
    // 键到频率的映射
    Map<Integer, Integer> keyToFreq;
    int minFreq;
    int capacity;
    
    public int get(int key) {
        if (!keyToValue.containsKey(key)) return -1;
        increaseFreq(key);
        return keyToValue.get(key);
    }
    
    private void increaseFreq(int key) {
        int freq = keyToFreq.get(key);
        keyToFreq.put(key, freq + 1);
        freqMa