TinyLFU与W-TinyLFU如何弥补LFU的两个缺陷

[[FIFO-LRU-LFU三种淘汰策略的递进与各自局限]]里LFU的两个短板——维护开销大、 难以处理热度衰减——各有针对性的改进方案。TinyLFU用Sketch（统计学上”用 少量样本估计全体特征”的思想，牺牲一点准确性换取效率）替代精确计数器： 借助Count-Min Sketch算法（可视为布隆过滤器的一种等价变形）用远小得多的 记录空间近似估计数据的访问频率，省去了给每个数据都精确维护计数器的开销； 用”滑动时间窗”衰减算法定期把计数器数值减半，让”曾经的热点”随时间自然 褪色，解决了LFU难以清理旧热点的问题。但TinyLFU换来的效率也带来了新代价： 对那些绝对频率不高、却在某个时间点突发密集访问的数据（比如一天只跑一次 的运维任务），很难在短时间内积累到足以通过Sketch过滤的频率，容易被误杀 ——而这类”短时间突发访问”恰恰是LRU的强项。W-TinyLFU因此把两者结合：新 数据先进一个Window Cache（前端，走LRU策略）里攒热度，能通过TinyLFU过滤 的再晋升到Main Cache（主缓存，按访问频繁程度分段，段内又是LRU策略，称 Segmented LRU）。这个”整体LFU、局部LRU”的组合设计，命中率在多个真实场景 下都比基础LFU表现更好，但也印证了一个规律：淘汰策略越逼近理想命中率， 实现复杂度往往越高。