તમે O(1) get અને put સાથે LRU cache કેવી રીતે ડિઝાઇન કરો છો?

Question

IT Interview Practice · Accepted Answer

**LRU (Least Recently Used) cache** એ ક્ષમતાએ પહોંચે ત્યારે સૌથી લાંબા સમયથી ઍક્સેસ ન થયેલ આઇટમને હટાવે છે. ક્લાસિક ડિઝાઇન **hash map** (O(1) lookup) અને **doubly linked list** (O(1) reordering) ને જોડે છે, જે **O(1) get અને put** આપે છે. ## The two-structure design ```text HashMap: key -> node DLL (recency order): MRU <-> ... <-> LRU get/put: map finds node move touched node to front (MRU) in O(1); DLL splices it evict the tail (LRU) when full to the front in O(1) ``` ## Code ```python from collections import OrderedDict class LRUCache: def __init__(self, capacity): self.cap = capacity self.cache = OrderedDict() # preserves access order def get(self, key): # O(1) if key not in self.cache: return -1 self.cache.move_to_end(key) # mark as most recently used return self.cache[key] def put(self, key, value): # O(1) if key in self.cache: self.cache.move_to_end(key) self.cache[key] = value if len(self.cache) > self.cap: self.cache.popitem(last=False) # evict least recently used ``` `OrderedDict` એ પોતે જ hash map જمع doubly linked list છે, બરાબર ઉપર વર્ણવેલ માળખું. | Operation | Time | |---|---| | get | O(1) | | put | O(1) | | space | O(capacity) | ## Why the doubly linked list Doubbly linked list તમને **O(1) માં મધ્ય કરતાં નોડ વિચ્છેદન કરવાની** અનુમતિ આપે છે (તમે તેના `prev`/`next` ધરાવો છો), જે singly linked list અથવા array સાથે O(n) શિફ્ટ વિના અશક્ય છે. ## શા માટે તે મહત્વપૂર્ણ છે LRU caches ડેટાબેસ, વેબ સર્વર અને CPUs ની આગળ બેઠા હોય છે તાપીને હોટ ડેટાને ઝડપી અને મેમોરી બાઉન્ડેડ રાખે છે. યો સમસ્યા વરિષ્ઠ ઇન્ટરવ્યુમાં માનક છે કારણ કે તે બે માળખાને જોડતું પરીક્ષણ કરે છે જેથી *એક બીજોનો નબળાઇ આવરણ થાય* — સિસ્ટમ-ડિઝાઇન કુશળતાનો મુખ્ય ભાગ.

The two-structure design

Code

Why the doubly linked list

શા માટે તે મહત્વપૂર્ણ છે

સંબંધિત પ્રશ્નો