LFU（LeastFrequently Used），即最近最多使用算法。它是基於“如果一個數據在最近一段時間內使用次數很少，那麼在將來一段時間內被使用的可能性也很小”的思路。LFU算法需要維護一個隊列記錄所有數據的訪問記錄，每個數據都需要維護引用計數。LFU算法需要記錄所有數據的訪問記錄，內存消耗較高；需要基於引用計數排序，性能消耗較高。
LFU的每個數據塊都有一個引用計數，所有數據塊按照引用計數排序，具有相同引用計數的數據塊則按照時間排序。具體實現如圖4-1所示。
圖4-1所示的操作包括：
（1）新加入數據插入到隊列尾部（因爲引用計數爲1）；
（2）隊列中的數據被訪問後，引用計數增加，隊列重新排序；
（3）當需要淘汰數據時，將已經排序的列表最後的數據塊刪除。
注意LFU和下一小節要介紹的LRU算法之間存在的不同之處，LRU的淘汰規則是基於訪問時間，而LFU是基於訪問次數的。舉個簡單的例子，假設緩存大小爲3，數據訪問序列爲set(2,2)、set(1,1)、get(2)、get(1)、get(2)、set(3,3)、set(4,4)，則在set(4,4)時對於LFU算法應該淘汰(3,3)，而LRU應該淘汰(1,1)。LRU關鍵是看頁面最後一次被使用到發生調度的時間長短，而LFU關鍵是看一定時間段內頁面被使用的頻率。
那麼基於LFU算法的Cache設計應該支持的操作如。
n get(key)：如果Cache中存在該key，則返回對應的value值，否則，返回-1；
n set(key,value)：如果Cache中存在該key，則重置value值；如果不存在該key，則將該key插入到到Cache中，若Cache已滿，則淘汰最少訪問的數據。
爲了能夠淘汰最少使用的數據，LFU算法最簡單的一種設計思路就是利用一個數組存儲數據項，用HashMap存儲每個數據項在數組中對應的位置，然後爲每個數據項設計一個訪問頻次，當數據項被命中時，訪問頻次自增，在淘汰的時候淘汰訪問頻次最少的數據。這樣一來的話，在插入數據和訪問數據的時候都能達到O(1)的時間複雜度，在淘汰數據的時候，通過選擇算法得到應該淘汰的數據項在數組中的索引，並將該索引位置的內容替換爲新來的數據內容即可，這樣的話，淘汰數據的操作時間複雜度爲O(n)。
另外還有一種實現思路就是利用最小堆和HashMap兩者的優勢，最小堆中根結點的鍵值是所有堆結點鍵值中的最小者。最小堆插入、刪除操作都能達到O(logn)時間複雜度，因此效率相比第一種實現方法更加高效。代碼清單4-3所示的代碼是最小堆實現的一個示例。
代碼清單4-3 最小堆實現示例
public classSmallHeapDemo {
final static int MAX_LEN = 100;
private int queue[] = newint[MAX_LEN];
private int size;
public void add(int e){
if(size >= MAX_LEN)
{
System.err.println("overflow");
return;
}
int s = size++;
shiftup(s,e);
}
public int size(){
return size;
}
private void shiftup(int s, int e){
while(s > 0){
int parent = (s - 1)/2;
if(queue[parent] < e){
break;
}
queue[s] = queue[parent];
s = parent;
}
queue[s] = e;
}
public int poll(){
if(size <= 0)
return -1;
int ret = queue[0];
int s = --size;
shiftdown(0, queue[s]);
queue[s] = 0;
return ret;
}
private void shiftdown(int i, int e){
int half = size /2;
while(i < half ){
int child = 2*i +1;
int right = child +1;
if(right < size &&queue[child] > queue[right]){
child = right;
}
if(e < queue[child]){
break;
}
queue[i] = queue[child];
i = child;
}
queue[i] = e;
}
public static void main(Stringargs[]){
SmallHeapDemo hs = newSmallHeapDemo();
hs.add(4);
hs.add(3);
hs.add(7);
hs.add(2);
int size = hs.size();
for(int i=0; i< size; i++){
System.out.println(hs.poll());
}
}
}
程序運行輸出爲“2347”。
一般情況下，LFU效率要優於LRU，且能夠避免週期性或者偶發性的操作導致緩存命中率下降的問題。但LFU需要記錄數據的歷史訪問記錄，一旦數據訪問模式改變，LFU需要更長時間來適用新的訪問模式，即LFU存在歷史數據影響將來數據的“緩存污染”效用。
