FIFO-LRU-LFU三种淘汰策略的递进与各自局限

缓存容量有限，必须淘汰”低价值”数据，而这个价值判断必须与具体业务无关， 只能依赖通用统计信息（进入时间、使用次数、最近使用时间）。三种基础策略 依次针对前一种的短板改进：FIFO只看”进入时间”、淘汰最早进入的数据，实现 最简单，但完全不管数据是否常被访问，频繁使用的数据反而可能因为进入得早 而被优先清理，命中率通常不理想。LRU看”最近使用时间”、淘汰最久未访问的 数据（用HashMap+LinkedList实现，命中时把节点移到链表头部，淘汰时清理 链表尾部），能捕捉到”最近很热”的数据，比FIFO合理得多，但有个反直觉的 盲点：一个长期高频访问的热点数据，只要中间恰好有一段时间没被访问，就有 被LRU误杀的风险——LRU只看”最近一次”，不看”历史总频率”。LFU看”访问次数”、 淘汰计数器最小的数据，能解决”偶尔断档的热点被误杀”问题，但引入了新代价： 每个数据都要维护一个计数器且每次访问都要更新，开销不小；而且很难处理 “热度随时间衰减”——曾经频繁访问但现在已经不需要的数据，计数器居高不下， 很难被自动清理出去。三者构成一条清晰的”精度提升、代价也提升”的链条。

结构图：

flowchart LR
    FIFO["FIFO: 只看进入时间<br/>简单, 但热数据可能被误杀"] -->|改进为看访问时间| LRU["LRU: 看最近访问时间<br/>捕捉近期热点, 但断档热点易误杀"]
    LRU -->|改进为看访问频率| LFU["LFU: 看历史访问总次数<br/>解决断档问题, 但维护开销大且难衰减"]