LRU 算法和 LFU 算法有什么区别？-CSDN博客

这是最根本的区别，决定了它们在不同场景下的适用性

淘汰依据：访问时间。它认为最近被访问过的数据，在将来被再次访问的可能性更大。因此，它淘汰的是“最久未被访问”的数据。

淘汰依据：访问频率。它认为过去被访问次数越多的数据，在将来被再次访问的可能性更大。因此，它淘汰的是“历史访问次数最少”的数据。

特性	LRU (最近最少使用)	LFU (最不经常使用)
淘汰依据	访问时间 (最后一次访问距今多久)	访问频率 (历史访问总次数)
优点	对突发性的、偶尔的访问敏感，能快速反应最新的访问模式。	能更好地识别出真正的热点数据，长期来看更稳定。
缺点	无法应对缓存污染。一次性的大量扫描会使旧的热点数据被挤出。	对突发流量不敏感。一个新热点数据需要累积足够多的访问才能不被淘汰。可能存在“历史包袱”，即过去很热但现在不用的数据长期占据缓存。
适用场景	访问模式相对随机，近期访问的数据更可能被再次访问。	有明确热点数据，访问模式相对稳定，需要区分高频和低频访问。
类比	“记性差”：只记得谁最近来过。	“记性好”：记得谁来得最多。

传统的链表式LRU实现有性能问题，所以Redis进行了优化。

typedef struct redisObject {
    ...
      
    // 24 bits，用于记录对象的访问信息
    unsigned lru:24;  
    ...
} robj;

问题：为所有数据维护一个全局LRU链表，每次访问都要移动节点，性能开销巨大。

解决方案：近似LRU + 随机采样。

在每个对象的lru字段中记录其最后一次访问的时间戳。

当需要淘汰数据时，随机抽取N个key（maxmemory-samples配置，默认5），而不是遍历所有key。从这N个key中淘汰掉lru字段值最小（即最久未被访问）的那个key。

优点：

性能极高，接近O(1)。

缺点：

可能无法淘汰掉真正最久未使用的key，但通过增大采样数N可以接近真实LRU的效果。

为了解决LRU的“缓存污染”问题，Redis 4.0引入了LFU算法。

核心挑战：如何在一个有限的字段（24 bits的lru）里同时存储访问频率和访问时间？
解决方案：将24 bits的lru字段拆分成两部分：
- 高16位：存储最近一次访问的时间戳（分钟级精度）。
- 低8位：存储一个访问频次计数器（counter）。最大值255，所以它不是一个绝对次数，而是一个概率增长的相对值。
计数器的增长策略（概率递增）：
- 计数器不是每次访问都+1，而是遵循一个概率规则：计数器值越大，增长越困难。
- 公式类似于：概率 = 1 / (counter当前值 * lfu_log_factor + 1)。lfu_log_factor是可配置因子。
- 这样设计是因为8位空间有限，必须谨慎使用。一个key访问1次和1000次应该有明显区别，但访问10000次和10001次可能就没必要区分了。
计数器的衰减机制：
- 为了解决“历史包袱”问题（一个曾经很热但现在冷的数据长期不被淘汰），LFU设计了衰减机制。
- 它会根据当前时间与lru高16位记录的时间的差值来减少计数器值。
- 通过lfu-decay-time配置一个衰减周期，如果某个key经过N个周期都没有被访问，那么它的计数器值就会减半（或按规则减少）。
- 这样，一个不再受欢迎的老热点，其频率值会逐渐降低，最终被淘汰掉。

LRU vs LFU：本质是 “时间” 与 “频率” 的权衡。LRU更适合判断“最近谁有用”，LFU更适合判断“谁一直有用”。
Redis的实现：两者都使用了lru字段，但用途截然不同。LRU用它存时间戳，LFU用它高存时间戳、低存频率值，并辅以概率递增和时间衰减机制，在有限的空间内巧妙地实现了高效的LFU算法。
如何选择：如果你的业务模式是“最新访问的就是最热的”（如新闻feed），用LRU。如果你的业务有稳定的长效热点（如热门商品、明星资讯），用LFU能更好地抵抗扫描式查询带来的缓存污染。