如何用LinkedHashMap打造FIFO和LRU缓存系统

# 如何用LinkedHashMap打造FIFO和LRU缓存系统

## 引言
在软件开发中，缓存是提升系统性能的重要手段。Java的`LinkedHashMap`因其独特的双向链表结构，成为实现FIFO（先进先出）和LRU（最近最少使用）缓存策略的理想选择。本文将深入探讨如何利用这一数据结构实现两种经典缓存方案。

---

## 一、LinkedHashMap核心特性
`LinkedHashMap`继承自`HashMap`，通过维护一个双向链表实现了两种关键特性：
```java
// 基础构造方法
public LinkedHashMap(int initialCapacity, 
                    float loadFactor, 
                    boolean accessOrder) {
    super(initialCapacity, loadFactor);
    this.accessOrder = accessOrder; // 关键参数
}

• 插入顺序（accessOrder=false）：默认模式，保持元素插入顺序
• 访问顺序（accessOrder=true）：元素按访问时间排序，最近访问的排在末尾

二、实现FIFO缓存

1. 实现原理

FIFO缓存遵循”先进先出”原则，最早进入缓存的元素最先被淘汰。

2. 代码实现

public class FIFOCache<K,V> extends LinkedHashMap<K,V> {
    private final int maxCapacity;
    
    public FIFOCache(int maxCapacity) {
        super(maxCapacity, 0.75f, false); // 保持插入顺序
        this.maxCapacity = maxCapacity;
    }
    
    @Override
    protected boolean removeEldestEntry(Map.Entry<K,V> eldest) {
        return size() > maxCapacity; // 触发淘汰机制
    }
}

3. 使用示例

FIFOCache<String, Integer> cache = new FIFOCache<>(3);
cache.put("A", 1); // A
cache.put("B", 2); // A -> B
cache.put("C", 3); // A -> B -> C
cache.put("D", 4); // B -> C -> D (A被淘汰)

三、实现LRU缓存

1. 实现原理

LRU（Least Recently Used）策略优先淘汰最久未被访问的数据。

2. 代码实现

public class LRUCache<K,V> extends LinkedHashMap<K,V> {
    private final int maxCapacity;
    
    public LRUCache(int maxCapacity) {
        super(maxCapacity, 0.75f, true); // 开启访问顺序
        this.maxCapacity = maxCapacity;
    }
    
    @Override
    protected boolean removeEldestEntry(Map.Entry<K,V> eldest) {
        return size() > maxCapacity;
    }
}

3. 使用示例

LRUCache<String, Integer> cache = new LRUCache<>(3);
cache.put("A", 1); // A
cache.put("B", 2); // A -> B
cache.put("C", 3); // A -> B -> C
cache.get("A");    // B -> C -> A
cache.put("D", 4); // C -> A -> D (B被淘汰)

四、两种策略对比

五、高级优化技巧

1. 并发控制：使用Collections.synchronizedMap()包装实现线程安全
2. 性能监控：重写removeEldestEntry添加淘汰日志
3. 混合策略：结合FIFO和LRU实现二级缓存
4. 内存限制：通过Runtime.getRuntime().totalMemory()动态调整缓存大小

结语

通过合理利用LinkedHashMap的特性，我们仅需数十行代码就能实现高效的缓存系统。在实际应用中，建议根据具体业务场景选择合适策略，并通过性能测试确定最优缓存大小。完整的示例代码已托管至GitHub仓库。 “`

文章通过代码示例和对比表格，清晰地展示了两种缓存策略的实现差异。如需扩展，可以增加以下内容： 1. 缓存击穿/穿透的解决方案 2. 与Redis等分布式缓存的对比 3. JMH性能测试数据 4. 在Spring框架中的集成示例