1.keep-alive的vue2和vue3的源码以及LRU算法
2.图解Linux内存回收之LRU算法（超级详细~）
3.深入源码解析LevelDB
4.LRU算法详解以及实现
5.FREE SOLO - 自己动手实现Raft - 17 - leveldb源码分析与调试-3
6.深入理解Linux内核内存回收逻辑和算法(LRU)
keep-alive的vue2和vue3的源码以及LRU算法
0.LRU算法
LRU（leastrecentlyused）根据数据的历史记录来淘汰数据，重点在于保护最近被访问/使用过的数据，淘汰现阶段最久未被访问的数据
LRU的主体思想在于：如果数据最近被访问过,那么将来被访问的几率也更高
经典的LRU实现一般采用双向链表+Hash表。借助Hash表来通过key快速映射到对应的链表节点，然后进行插入和删除操作。这样既解决了hash表无固定顺序的源源码图鉴缺点，又解决了链表查找慢的缺点。
但实际上在js中无需这样实现，可以参考文章第三部分。先看vue的keep-alive实现。
1.keep-alivekeep-alive是vue中的内置组件，使用KeepAlive后，被包裹的组件在经过第一次渲染后的vnode会被缓存起来，然后再下一次再次渲染该组件的时候，直接从缓存中拿到对应的vnode进行渲染，并不需要再走一次组件初始化，render和patch等一系列流程，减少了script的执行时间，性能更好。
使用原则：当我们在某些场景下不需要让页面重新加载时我们可以使用keepalive
当我们从首页–>列表页–>商详页–>再返回，这时候列表页应该是需要keep-alive
从首页–>列表页–>商详页–>返回到列表页(需要缓存)–>返回到首页(需要缓存)–>再次进入列表页(不需要缓存)，这时候可以按需来控制页面的keep-alive
在路由中设置keepAlive属性判断是否需要缓存。
2.vue2的实现实现原理：通过keep-alive组件插槽，获取第一个子节点。根据include、exclude判断是否需要缓存，通过组件的key，判断是否命中缓存。利用LRU算法，更新缓存以及对应的keys数组。根据max控制缓存的最大组件数量。
先看vue2的实现：
exportdefault{ name:'keep-alive',abstract:true,props:{ include:patternTypes,exclude:patternTypes,max:[String,Number]},created(){ this.cache=Object.create(null)this.keys=[]},destroyed(){ for(constkeyinthis.cache){ pruneCacheEntry(this.cache,key,this.keys)}},mounted(){ this.$watch('include',val=>{ pruneCache(this,name=>matches(val,name))})this.$watch('exclude',val=>{ pruneCache(this,name=>!matches(val,name))})},render(){ constslot=this.$slots.defaultconstvnode:VNode=getFirstComponentChild(slot)constcomponentOptions:?VNodeComponentOptions=vnode&&vnode.componentOptionsif(componentOptions){ //checkpatternconstname:?string=getComponentName(componentOptions)const{ include,exclude}=thisif(//notincluded(include&&(!name||!matches(include,name)))||//excluded(exclude&&name&&matches(exclude,name))){ returnvnode}const{ cache,keys}=thisconstkey:?string=vnode.key==null?componentOptions.Ctor.cid+(componentOptions.tag?`::${ componentOptions.tag}`:''):vnode.keyif(cache[key]){ vnode.componentInstance=cache[key].componentInstance//makecurrentkeyfreshestremove(keys,key)keys.push(key)}else{ cache[key]=vnodekeys.push(key)//pruneoldestentryif(this.max&&keys.length>parseInt(this.max)){ pruneCacheEntry(cache,keys[0],keys,this._vnode)}}vnode.data.keepAlive=true}returnvnode||(slot&&slot[0])}}可以看到<keep-alive>组件的实现也是一个对象，注意它有一个属性abstract为true，产品定制源码是一个抽象组件，它在组件实例建立父子关系的时候会被忽略，发生在initLifecycle的过程中：
//忽略抽象组件letparent=options.parentif(parent&&!options.abstract){ while(parent.$options.abstract&&parent.$parent){ parent=parent.$parent}parent.$children.push(vm)}vm.$parent=parent然后在?created?钩子里定义了?this.cache?和?this.keys，用来缓存已经创建过的?vnode。
<keep-alive>直接实现了render函数，执行<keep-alive>组件渲染的时候，就会执行到这个render函数，接下来我们分析一下它的实现。
首先通过插槽获取第一个子元素的vnode：
constslot=this.$slots.defaultconstvnode:VNode=getFirstComponentChild(slot)<keep-alive>只处理第一个子元素，所以一般和它搭配使用的有component动态组件或者是router-view。
然后又判断了当前组件的名称和include、exclude（白名单、黑名单）的关系：
//checkpatternconstname:?string=getComponentName(componentOptions)const{ include,exclude}=thisif(//notincluded(include&&(!name||!matches(include,name)))||//excluded(exclude&&name&&matches(exclude,name))){ returnvnode}functionmatches(pattern:string|RegExp|Array<string>,name:string):boolean{ if(Array.isArray(pattern)){ returnpattern.indexOf(name)>-1}elseif(typeofpattern==='string'){ returnpattern.split(',').indexOf(name)>-1}elseif(isRegExp(pattern)){ returnpattern.test(name)}returnfalse}组件名如果不满足条件，那么就直接返回这个组件的vnode，否则的话走下一步缓存：
const{ cache,keys}=thisconstkey:?string=vnode.key==null?componentOptions.Ctor.cid+(componentOptions.tag?`::${ componentOptions.tag}`:''):vnode.keyif(cache[key]){ vnode.componentInstance=cache[key].componentInstance//makecurrentkeyfreshestremove(keys,key)keys.push(key)}else{ cache[key]=vnodekeys.push(key)//pruneoldestentryif(this.max&&keys.length>parseInt(this.max)){ pruneCacheEntry(cache,keys[0],keys,this._vnode)}}如果命中缓存，则直接从缓存中拿vnode的组件实例，并且重新调整了key的顺序放在了最后一个；否则把vnode设置进缓存，如果配置了max并且缓存的长度超过了this.max，还要从缓存中删除第一个。
这里的实现有一个问题：判断是否超过最大容量应该放在put操作前。为什么呢？我们设置一个缓存队列，都已经满了你还塞进来？最好先删一个才能塞进来新的。
继续看删除缓存的实现：
functionpruneCacheEntry(cache:VNodeCache,key:string,keys:Array<string>,current?:VNode){ constcached=cache[key]if(cached&&(!current||cached.tag!==current.tag)){ cached.componentInstance.$destroy()}cache[key]=nullremove(keys,key)}除了从缓存中删除外，还要判断如果要删除的缓存的组件tag不是当前渲染组件tag，则执行删除缓存的组件实例的$destroy方法。
————————————
可以发现，vue实现LRU算法是通过Array+Object，数组用来记录缓存顺序，Object用来模仿Map的功能进行vnode的缓存（created钩子里定义的this.cache和this.keys）
2.vue3的实现vue3实现思路基本和vue2类似，这里不再赘述。主要看LRU算法的实现。
vue3通过set+map实现LRU算法：
constcache:Cache=newMap()constkeys:Keys=newSet()并且在判断是君汇源码否超过缓存容量时的实现比较巧妙：
if(max&&keys.size>parseInt(maxasstring,)){ pruneCacheEntry(keys.values().next().value)}这里巧妙的利用Set是可迭代对象的特点，通过keys.value()获得包含keys中所有key的可迭代对象，并通过next().value获得第一个元素，然后进行删除。
3.借助vue3的思路实现LRU算法Leetcode题目——LRU缓存
varLRUCache=function(capacity){ this.map=newMap();this.capacity=capacity;};LRUCache.prototype.get=function(key){ if(this.map.has(key)){ letvalue=this.map.get(key);//删除后，再set，相当于更新到map最后一位this.map.delete(key);this.map.set(key,value);returnvalue;}return-1;};LRUCache.prototype.put=function(key,value){ //如果已经存在，那就要更新，即先删了再进行后面的setif(this.map.has(key)){ this.map.delete(key);}else{ //如果map中不存在，要先判断是否超过最大容量if(this.map.size===this.capacity){ this.map.delete(this.map.keys().next().value);}}this.map.set(key,value);};这里我们直接通过Map来就可以直接实现了。
而keep-alive的实现因为缓存的内容是vnode，直接操作Map中缓存的位置代价较大，而采用Set/Array来记录缓存的key来模拟缓存顺序。
参考：
LRU缓存-keep-alive实现原理
带你手撸LRU算法
Vue.js技术揭秘
原文;/post/图解Linux内存回收之LRU算法（超级详细~）
好文推荐：
全网最牛Linux内核分析--Intel CPU体系结构
一文让你读懂Linux五大模块内核源码，内核整体架构设计（超详细）
嵌入式前景真的好吗？那有点悬！
一文教你如何使用GDB+Qemu调试Linux内核
Linux内核必读五本书籍(强烈推荐)
全网独一无二Linux内核Makefle系统文件详解（一）(纯文字代码)
带你深度了解Linux内核架构和工作原理！
本文使用 Linux-2.6. 版本内核。
由于进程的内存空间分为多个段，如代码段、数据段、mmap段、堆段 和 栈段 等。那么，哪些段的内存会被交换到硬盘中呢？ 答案就是：所有段的内存都有可能交换到硬盘。不过对于 代码段 和 mmap段 这些与文件有映射关系的内存区，只需要将数据写回到文件即可（由于代码段的内容不会改变，所以不用进行回写）。
文章福利小编推荐自己的Linux内核技术交流群: 整理了一些个人觉得比较好的学习书籍、视频资料共享在群文件里面，有需要的可以自行添加哦！！！前名进群领取，java报修源码额外赠送大厂面试题。
学习直通车：
内核资料直通车：
1. LRU 内存淘汰算法
把某个进程的匿名内存页 写入到 交换分区 后，进程又马上访问这个内存页，从而又要把这个内存页从 交换分区 中读入到内存中。这样只会增加系统的负荷，并且不能解决系统内存不足的问题。
LRU（Least Recently Used） 中文翻译是 最近最少使用 的意思，其原理就是：当内存不足时，淘汰系统中最少使用的内存，这样对系统性能的损耗是最小的。
2. LRU算法状态流转
转载地址： 图解 | Linux内存回收之LRU算法
深入源码解析LevelDB
深入源码解析LevelDB
LevelDB总体架构中，sstable文件的生成过程遵循一系列精心设计的步骤。首先，遍历immutable memtable中的key-value对，这些对被写入data_block，每当data_block达到特定大小，构造一个额外的key-value对并写入index_block。在这里，key为data_block的最大key，value为该data_block在sstable中的偏移量和大小。同时，构造filter_block，默认使用bloom filter，用于判断查找的key是否存在于data_block中，显著提升读取性能。meta_index_block随后生成，存储所有filter_block在sstable中的偏移和大小，此策略允许在将来支持生成多个filter_block，进一步提升读取性能。meta_index_block和index_block的偏移和大小保存在sstable的脚注footer中。
sstable中的block结构遵循一致的模式，包括data_block、夜袭源码专精index_block和meta_index_block。为提高空间效率，数据按照key的字典顺序存储，采用前缀压缩方法处理。查找某一key时，必须从第一个key开始遍历才能恢复，因此每间隔一定数量（block_restart_interval）的key-value，全量存储一个key，并设置一个restart point。每个block被划分为多个相邻的key-value组成的集合，进行前缀压缩，并在数据区后存储起始位置的偏移。每一个restart都指向一个前缀压缩集合的起始点的偏移位置。最后一个位存储restart数组的大小，表示该block中包含多少个前缀压缩集合。
filter_block在写入data_block时同步存储，当一个new data_block完成，根据data_block偏移生成一份bit位图存入filter_block，并清空key集合，重新开始存储下一份key集合。
写入流程涉及日志记录，包括db的sequence number、本次记录中的操作个数及操作的key-value键值对。WriteBatch的batch_data包含多个键值对，leveldb支持延迟写和停止写策略，导致写队列可能堆积多个WriteBatch。为了优化性能，写入时会合并多个WriteBatch的batch_data。日志文件只记录写入memtable中的key-value，每次申请新memtable时也生成新日志文件。
在写入日志时，对日志文件进行划分为多个K的文件块，每次读写以这样的每K为单位。每次写入的日志记录可能占用1个或多个文件块，因此日志记录块分为Full、First、Middle、Last四种类型，读取时需要拼接。
读取流程从sstable的层级结构开始，0层文件特别，可能存在key重合，因此需要遍历与查找key有重叠的所有文件，文件编号大的优先查找，因为存储最新数据。非0层文件，一层中的文件之间key不重合，利用版本信息中的元数据进行二分搜索快速定位，仅需查找一个sstable文件。
LevelDB的sstable文件生成与合并管理版本，通过读取log文件恢复memtable，仅读取文件编号大于等于min_log的日志文件，然后从日志文件中读取key-value键值对。
LevelDB的LruCache机制分为table cache和block cache，底层实现为个shard的LruCache。table cache缓存sstable的索引数据，类似于文件系统对inode的缓存；block cache缓存block数据，类似于Linux中的page cache。table cache默认大小为，实际缓存的是个sstable文件的索引信息。block cache默认缓存8M字节的block数据。LruCache底层实现包含两个双向链表和一个哈希表，用于管理缓存数据。
深入了解LevelDB的源码解析，有助于优化数据库性能和理解其高效数据存储机制。
LRU算法详解以及实现
1. LRU算法，作为缓存淘汰策略的佼佼者，其宗旨是优先清除那些久未触碰的条目。在内存管理及数据结构领域，它占据了核心地位。
2. 让我们通过单链表的协助，一步步解析LRU的运作机制。首先，我们有必要熟悉单链表的基础知识。
3. LRU算法利用单链表的特点，新数据插入时总是放在表头，命中缓存时则将其移到表头，当达到容量上限时，表尾的数据则自动被淘汰。
4. 熟练掌握链表的增删改查操作是实现LRU的先决条件。
5. 为了实现LRU，我们需要从零开始构建自定义的单链表。首先定义LinkList类，包含一个节点类Node，每个节点包含数据(T)和指向下一个节点的指针。
6. 接下来，编写LinkList的构造函数，分为有参和无参两种，以应对不同的使用场景。
7. 然后是LinkList的操作方法：put方法负责将数据插入链表头部，新节点会尽可能接近链表头部；remove方法用于移除节点，分为删除头部、任意位置和尾部；set方法用于修改链表中任意位置的数据，get方法则是通过索引来获取数据。
8. 有了链表的基础，我们继续实现LRU算法。创建LRULinkList类，它继承自LinkList，并增加内存限制DEFAULT_MEMORY和内存大小变量。
9. 在LRULinkList类中实现lruPut方法，当插入新数据时，如果内存已满，则先删除尾部数据再插入；如果未满，则直接插入。
. lruRemove方法简单调用父类的removeLast方法来处理尾部数据的淘汰。
. lruGet方法则是在访问数据时，将访问的节点移到链表头部，确保了最近使用的数据不会被淘汰。
. 通过以上步骤，我们构建了一个基本的LRU缓存实现，它能高效地管理数据，按照访问频率进行淘汰。
. 实现完成后，我们需要进行充分的测试，以验证算法的正确性和效率。
. 如果有任何疑问或需要源码，欢迎留言交流。
. 此外，如果你对Linux内核技术感兴趣，可以加入我们的技术交流群，获取更多学习资料和资源，共同探索内核世界的奥秘。
. 学习之旅永无止境，从LRU算法出发，在数据结构与内存管理的交织中，不断提升编程技能。
. 祝你在这次探索之旅中有所收获！
FREE SOLO - 自己动手实现Raft - - leveldb源码分析与调试-3
leveldb的数据流动路径是单向的，从内存中的memtable流向不可变的memtable，最终写入到磁盘上的sorted table文件中。以下是几个关键状态的分析，来了解内存和磁盘上数据的分布。
以下是分析所涉及的状态：
1. 数据全在内存中
随机写入条数据，观察到数据全部存储在memtable中，此时还没有进行compaction操作。
2. 数据全在磁盘中
写入大量数据，并等待数据完全落盘后重启leveldb。此时，数据全部存储在磁盘中，分布在不同的level中。在每个level的sstable文件中，可以看到key的最大值与最小值。
3. 数据部分在内存中，部分在磁盘中
随机写入条数据，发现内存中的memtable已满，触发compaction操作，数据开始写入到sstable文件。同时，继续写入的数据由于还未达到memtable上限，仍然保存在内存中。
4. 总结
通过观察不同数据写入量导致的数据在内存与磁盘间的流动，我们可以看到leveldb内部状态的转换。
下篇文章将分析LRUCache数据状态的变化。敬请期待！
深入理解Linux内核内存回收逻辑和算法(LRU)
在Linux内存管理中，LRU链表策略扮演着核心角色。操作系统通过active链表和inactive链表来跟踪内存页面的活跃程度，活跃页面在链表的前端，不活跃页面则位于后端。当页面被访问，活跃页面PG_active位会被置位，而PG_referenced位记录页面最近是否被访问。若长时间未被访问，PG_referenced位会被清除，进而可能从active链表转移到inactive链表。
struct zone中包含这些链表的关键字段，用于在活跃和不活跃页面之间移动。Linux通过PG_active和PG_referenced标志判断页面状态，避免过度依赖单一标志导致的活跃状态误判。Linux 2.6版本中，这两个标志在特定条件下协同工作，如页面频繁访问则从inactive链表移到active链表，反之则可能被清除。
页面移动的关键操作由函数如mark_page_accessed(), page_referenced(), activate_page()和shrink_active_list()执行。为减少锁竞争，Linux引入LRU缓存，通过pagevec结构批量管理页面，当缓存满时，页面才会一次性添加到链表中。
PFRA处理多种来源的页面，涉及free_more_memory()和try_to_free_pages()等函数。页面回收分为内存不足触发和后台进程kswapd定期操作，前者通过try_to_free_pages()检查并回收最不常用的页面，后者则通过balance_pgdat()调用shrink_zone()和shrink_slab()进行回收。
shrink_zone()的核心功能是将活跃页面移至不活跃链表，并回收不活跃链表中的页面。shrink_slab()则针对磁盘缓存页面的回收，通过shrinker函数进行处理。这些函数的源代码实现细节丰富，涉及内存分配和回收的复杂逻辑。