lru淘汰算法

A. lru算法是什么

lru算法是一种常用的页面置换算法，选择最近最久未使用的页面予以淘汰。

该算法赋予每个页面一个访问字段，用来记录一个页面自上次被访问以来所经历的时间 t，当须淘汰一个页面时，选择现有页面中其 t 值最大的，即最近最少使用的页面予以淘汰。

特点：

LRU 置换算法虽然是一种比较好的算法，但要求系统有较多的支持硬件。为了了解一个进程在内存中的各个页面各有多少时间未被进程访问，以及如何快速地知道哪一页是最近最久未使用的页面，须有两类硬件之一的支持：寄存器或栈。

在进程运行过程中，若其所要访问的页面不在内存而需把它们调入内存，但内存已无空闲空间时，为了保证该进程能正常运行，系统必须从内存中调出一页程序或数据送磁盘的对换区中。

B. lru算法是什么呢

LRU算法是最少使用页面置换算法（Least Recently Used），首先置换近期最长时间以来没被访问的页面，是为虚拟页式存储管理服务的。

LRU算法的设计原则是：如果一个数据在最近一段时间没有被访问到，那么在将来它被访问的可能性也很小。也就是说，当限定的空间已存满数据时，应当把最久没有被访问到的数据淘汰。

LRU原理

该思想最初用于计算机操作系统中，内存中的容量较有限，为了能更加合理的利用内存中的性能，对用户的使用作出假设，最近最少使用的越不重要，最近使用的越有可能使用到，使得该元素更容易获取到。

如果元素当前容量超过了内存最大容量，则需要删除掉最近最少使用的元素。在其之后，许多缓存及许多分布式系统都采用才思想。

C. LRU 缓存淘汰算法

当要缓存某个数据的时候，先在链表中查找这个数据。如果没有找到，则直接将数据放到链表的尾部；如果找到了，我们就把它移动到链表的尾部，然后淘汰头部数据。

因为查找数据需要遍历链表，所以单纯用链表实现的 LRU 缓存淘汰算法的时间复杂很高，是 O(n)。如果我们将散列表和双向链表两种数据结构组合使用，可以将这三个操作的时间复杂度都降低到 O(1)。

因为我们的散列表是通过链表法解决散列冲突的，所以每个结点会在两条链中。一个链是刚刚我们提到的双向链表，另一个链是散列表中的拉链。前驱和后继指针是为了将结点串在双向链表中，hnext 指针是为了将结点串在散列表的拉链中。

这整个过程涉及的查找操作都可以通过散列表来完成。其他的操作，比如删除头结点、链表尾部插入数据等，通过双向链表都可以在 O(1) 的时间复杂度内完成。所以，这三个操作的时间复杂度都是 O(1)。

至此，我们就通过散列表和双向链表的组合使用，实现了一个高效的、支持 LRU 缓存淘汰算法的缓存系统原型。

散列表中数据是经过散列函数打乱之后无规律存储的，但是 LinkedHashMap可以 做到按照数据的插入顺序来存储。

每次调用 put() 函数，往 LinkedHashMap 中添加数据的时候，都会将数据添加到链表的尾部，再次将键值为 3 的数据放入到 LinkedHashMap 的时候，会先查找这个键值是否已经有了，然后，再将已经存在的 (3,11) 删除，并且将新的 (3,26) 放到链表的尾部，访问到 key 为 5 的数据的时候，我们将被访问到的数据移动到链表的尾部。

所以按照访问时间排序的 LinkedHashMap 本身就是一个支持 LRU 缓存淘汰策略的缓存系统。

散列表这种数据结构虽然支持非常高效的数据插入、删除、查找操作，但是散列表中的数据都是通过散列函数打乱之后无规律存储的。也就说，它无法支持按照某种顺序快速地遍历数据。如果希望按照顺序遍历散列表中的数据，那我们需要将散列表中的数据拷贝到数组中，然后排序，再遍历。

因为散列表是动态数据结构，不停地有数据的插入、删除，所以每当我们希望按顺序遍历散列表中的数据的时候，都需要先排序，那效率势必会很低。为了解决这个问题，我们将散列表和链表（或者跳表）结合在一起使用。

D. lru 淘汰算法

最佳算法（OPT算法）

当需要淘汰一个内存页面时，这种算法力图选择该进程内存各个页面中永远不再需要的页，若找不到，则选择最久以后才会用到的页。这种算法有最小的缺页率。问题是它需要知道运行进程今后的整个访问踪迹，这往往难以做到，因而它只有理论上的意义。

先进先出算法（FIFO算法）

FIFO算法维护一个先进先出队列，队列长度为分配给这个进程的页面数M。开始时队列是空的，装入进程的第一页即可启动运行，当访问到某个不在内存的页面时，把它从辅存调入，加入FIFO队列的尾部。

最久未使用淘汰算法（LRU算法）

LRU（least recently used）算法维护一个后进先出栈，栈大小为分配给这个进程的页面数M。开始时栈是空的，装入进程的第一页即可启动运行，当访问到某个不在内存的页面时，把它从辅存调入，加入栈顶。

FIFO和LRU算法的例子：http://osjx.8100988.net/LWR/RAM/HLM/FIFOsf.HTM

CLOCK算法

又叫NRU（Not Recently Used）算法，NRU又名近似的LRU置换算法。
当一存储块中的页面访问时，其相应的“页面访问”位由硬件自动置“1”，而由页面管理体制软件周期性地（设周期为T，其值通常为几百毫秒），把所有的页面访问位重新置为“0”。这样，在时间T内，某些被访问的页面，其对应的访问位为“1”而未访问的页面，其对应的访问位为“0”。查寻页面访问位为“0”的页面。在查找过程中，那些被访问的页所对应的访问位被重新置为“0”。由此可见，实际上这种近似LRU算法，已经退化成一种“最近不用”的算法NRU（Not Recently Used）。

CLOCK算法的例子：http://www.cskaoyan.com/thread-4898-1-1.html

其实这个问题我也不太会，去临时查的资料，第一个例子是我自己算的，不知道我理解得对不对；如果有错误的地方还请指正，共同进步~其他的算法的例子我都给了链接，你自己去看吧。

E. 描述几个常用的页面转换(淘汰)算法基本原理

某虚拟存储系统采用最近最少使用（LRU）页面淘汰算法，假定系统为每个作业分配3个页面的主存空间，其中一个页面用用来存放程序。现有某作业的部分语句如下：
Var A:Array[1...150,1...100] of integer；
i,j:interger;
for i=1 to 150 do
for j=1to 100 do a [i,,j]=0;
设每个页面可存放150个证书变量，变量i，j放在程序页中。初始时，程序及变量i，j已经在内存，其余两页为空，举证A按行序存放。在上述程序片段执行过程中，公产生（ ）次缺页中断。

每页可以放150变量，而二维数组按行存储，所以数组三行可以存入两页中，150行存入100页中。循环也是按行操作，也就是每页中的变量依次处理，各页都在全处理完成后转入下一页处理（缺页中断），每页只会发生一次缺页中断，所以缺页中断数为100。
程序段所在页一直使用，所以在LRU算法中不会被淘汰。另外两个页面在一段时间内只会使用一个页面，直到它里面的变量全处理完成，所以淘汰算法会淘汰另外一页用以装入新页，故不会造成额外的缺页。

F. lru算法是什么

LRU是Least Recently Used的缩写，是一种常用的页面置换算法，选择最近最久未使用的页面予以淘汰。

该算法赋予每个页面一个访问字段，用来记录一个页面自上次被访问以来所经历的时间t，当须淘汰一个页面时，选择现有页面中其t值最大的，即最近培樱旦最少使用的页面予以淘汰。

特点：

LRU 算法弊端是存在偶发性、周期性的批量操会降低缓配扰存的命中率，对缓存造成污染，下面几个就是改进算法。

LRU-K会记录每条数据的访问历史，当达到 k 时，才将数据存放到缓存，在缓存内存回收时，缓存中越接近 k 的数据被优先删除。

Two queues（2Q）相当于 LRU-2，区别是访问历颂隐史（首次访问）数据缓存于 FIFO 队列，二次及以上的数据存放LRU缓存，FIFO 队列数据遵循该缓存的内存回收机制，LRU缓存数据遵循该缓存的内存回收机制。

G. 页面置换算法之LRU算法

三种常见的页面置换算法:FIFO、LFU、LRU
参考：
缓存算法（页面置换算法）-FIFO、LFU、LRU

LRU（Least Recently Used，最近最少使用）算法根据数据的历史访问记录来进行淘汰数据，其核心思想是： 如果一个数据在最近一段时间没有被访问到，那么在将来它被访问的可能性也很小 。也就是说，当限定的空间已存满数据时，应当把最久没有被访问到的数据淘汰。

假设 序列为 4 3 4 2 3 1 4 2
物理块有3个 则
首轮 4调入内存 4
次轮 3调入内存 3 4
之后 4调入内存 4 3
之后 2调入内存 2 4 3
之后 3调入内存 3 2 4
之后 1调入内存 1 3 2（因为最少使用的是4，所以丢弃4）
之后 4调入内存 4 1 3（原理同上）
最后 2调入内存 2 4 1

如果让我们设计一个LRU Cache的数据结构，它应该支持两个操作：

一种是采用数组来存储每个数据项，再对每个key关联一个时间戳，在cache中维护一个最大时间戳，其设计要点如下：

另一种是采用hashmap+双向链表的数据结构，其设计要点如下：

对比上一节的两种设计思路，不难发现，设计1需要为每个key维护一个时间戳，而且set和get操作的时间复杂度都是O(n)。显而易见，随着数据量的增大，set和get操作的速度越来越慢。而设计2通过采用hashmap+双向链表，set和get操作的时间复杂度只需O(1)，下面给出设计2的具体实现。

运行结果为：

参考：
LRU Cache
LRU原理和Redis实现——一个今日头条的面试题