主页（http://www.cnwulian.net）：如何利用缓存理论来分析网购物流的未来
一不小心又写多了，科学并不像大家想象的那么死板，经过理解与抽象，很容易应用到生活和产品中，今天的缓存理论，希望你喜欢。
一些电商公司有过近似的尝试，但还是离理想模式有差距。
那么，这里就把桌子当作缓存，通过缓存策略，给师傅一定的缓冲时间，一定程度上抵消人流波动带来的影响。
这样的例子还有很多，比如微信的首屏也是个缓存，显示最近的对话，显然是使用LRU算法。当你在某个场景抽象出了缓存，那么下一步就是选取合适的算法，一般情况下LFU/LRU这样的简单算法就够用了，如果缓存资源非常珍贵，那么就应该求助你们的算法工程师做一套AI算法了，这就是缓存理论+。
理论如果这节看不太明白不用纠结，结合后面的例子会容易得多。
（２）缺点
模式一
购物模式如果把网购当做一次数据访问，那么我们可以把商品当做数据，把发货的仓库当做硬盘，缓存则可以有很多种，那么我们将得到以下几种购物模式：
再介绍一个概念：多级缓存，后面将会用到。（１）优点：用户收货不再受到快递派送时间的制约。
（２）缺点：
比如桌面，或者其他一些触手可及的地方；我也会制造缓存，比如指定衣柜中的某个格子为缓存，规定放在这个格子里的衣服可以随意堆放。这些“缓存”常常会溢出，比如桌上太多东西了，影响我工作了；或者衣柜里的缓存区衣服太满，衣服不好找了。
问题来了，内存容量小，而计算机可能会使用的数据却很大，导致内存装不下，只能把装不下数据搁硬盘里，要使用硬盘中的数据，得先让内存清出一些暂时不用的数据，再从硬盘里把所需数据加载到内存，这种倒腾的过程叫做置换Swap，而清出数据的操作称为淘汰数据。从硬盘读数据就耗时了，所以我们希望我们每次取数据时数据都在内存里，减少硬盘的访问。
如何利用缓存理论分析网购物流的未来呢？
CPU是个急性子，每秒几百亿次计算不在话下，自然爱和内存打交道，不待见硬盘，不待见到什么程度呢，即使CPU要读取硬盘里的数据，也先让硬盘把数据交给内存，CPU再从内存读，缓存往往就是指这样快却容量小的中间存储。
缓冲可以从两个角度解释，一个是任务发送者，另一个是任务处理者。在发送者和处理者之间设置缓存，来协调任务发送速度与处理速度不一致。当任务发送速度大于处理速度时，任务在缓存中堆积，发送者减慢发送速度，处理者提高处理速度；如果缓存中任务非常少了，则提高发送速度，减慢处理速度。如果处理是一次性的，缓存能减少处理的频率。
模式二
计算机技术的进步颠覆了整个世界，而其中的很多技术不仅能解决计算机方面的问题，对很多其他方面的问题也很有启发。今天笔者给大家介绍缓存理论，从缓存理论的角度来看待一些产品及生活上的问题，将会有许多有趣的结果，这就是今天的主题缓存理论+。笔者在此保证，本文没有门槛，但需要耐心。
（１）优点：快。
chrome的首页就有很多标签卡，都是你最常打开的网站(LFU)，非常方便。
（１）优点：直接，不需要顾客奔波。
（２）缺点
先从硬盘读取数据到缓存/内存，再从缓存读取数据。也就是网购，送货到自提柜再由用户自提，自提柜就是缓存。
生活中也有很多例子。笔者在整理房间的时候就会使用缓存理论，我会划定一些缓存。
有些读者可能会有疑问：这样大肆租店/场地成本一定很高吧？是的，成本确实很高，但你想想，便利店都能支撑起这样的店租，而缓存算法及机制更为先进的理想模式肯定能创造更多价值，所以不用担心。
操作系统有一个很重要的任务——调整内存中的数据，目的在于减少用户使用电脑时因读取硬盘而造成的延迟和卡顿。调整一般发生两种情况下，一个是电脑闲置的时候，提前将用户可能会用到数据搬到内存中；另一个就是置换的时候，加载用户所需数据的同时，舍弃那些比较不可能被访问的数据。
理想模式不可能完全取代商店，但作为一种理论上更先进模式，我相信它会消灭大部分商店，而商店存在的意义更多将是展示、体验还有服务。
作者：熵君，公众号/微博：@熵君
其实在电脑中，内存并不是读取速度最快的存储介质，还有更快的，叫CPU缓存。如果你看CPU的参数，经常能看到（L1/L2/L3缓存，他们共同组成CPU缓存），它是CPU的一部分，你们在看CPU规格时常常会看到，它离CPU计算核心更近，访问速度更快，但容量更小。CPU缓存和内存的关系 与 内存和硬盘的关系是一毛一样的。其实CPU缓存中还能细分，“ L1缓存 ”是“ L2缓存 ”的缓存，“L2缓存”是“L3缓存”的缓存，“L3缓存”是内存的缓存，如下图所示，这样不断嵌套的缓存结构就叫多级缓存。
下面举例：
每年的双十一阿里都搞得风风火火，快递的效率一年比一年高，爆仓的情况已经好了很多，这里的秘诀就是阿里依据AI算法将商品提前缓存到各地的仓库，这样就对物流网络起到了缓冲的作用，同时也减少了用户等待的时间。
亚马逊是个奇葩公司，总是有很多惊人的想法，其中有一个是擅自派送商品到顾客家，而顾客甚至没有订购，如果顾客觉得这个不是他想要的，可以拒收。这个想法的逻辑和前面提的预先加载是一致的，虽然两者是类似，但是亚马逊这个做法是不可行的，因为它没有缓存，目标是某个用户，这就要求算法得精确到个人，难度太大。而通过缓存（自提柜）的缓冲作用，目标可以扩大为附近的顾客，这样对算法的要求就大大降低。
淘汰最先进来的数据，这个算法非常简单，这样做的道理是最先进来的数据可能已经用过了，过时了。对于一次性或短期使用的数据，非常合适，但对于长期使用的数据，就不合适了。这个算法命中率并不高，常常被提起主要是用来衬托其他算法的优越性，有点类似奥特曼的小怪兽。
举个例子：垃圾桶是一种缓存，如果家里没有垃圾桶，我们一旦有垃圾就得扔到外头的垃圾桶，垃圾桶的存着可以减少我们处理的频率。
有个拉面店只卖一种拉面，顾客时多时少，有时一次性来好几个人，师傅现做的话肯定有顾客等很久，如果提前做很多的话又有可能做多卖不出去，那么师傅想了这么一个策略，提前做好一些拉面，放在一个固定的桌子上，如果桌子上的拉面达到2碗，师傅就慢着点做，如果一直没卖出去，桌上的面达到4碗，就完全不做了，如果某个时段生意旺卖很快，桌上的面可能会少于2碗，或者卖完，甚至还有人等，那么师傅就要开足马力做面了。
缓存还有另外一个作用，缓冲。
计算机科学里把访问数据时数据刚好在内存里的概率成为命中率。为了提升用户体验，减少等待，就得提高命中率，选择合适的内存置换（淘汰）算法就显得至关重要，内存置换算法是指在发生置换操作时，应该淘汰内存中的哪些数据，来放置新的数据，常用的算法（别怕，都很简单）有：
淘汰内存中最久没有被用到的数据，这个就比FIFO合理多了，最久没被访问，可能真的是过时了。从逻辑上来说是相对合理的，而且比较简单，现在流行的操作系统大多都使用它或它的变种。当然，这个算法对于那种需要被周期性访问的数据就不合适了。
２、最久没访问算法(LRU，Least Rescently Used)
３、最不频繁算法(LFU，Least Frequency Used)
电商公司及快递公司，怎样能更快地到达理想模式？
淘汰内存中在最近一段时间内使用频率最低的数据，这个又比LRU更合理了，就是保留最近最常用的数据，剔除最不常用的蛀虫。它并不是操作系统的宠儿，因为它计算量比较大，自身会消耗一些内存，对于操作系统这样的惜时（内存）如金的家伙是不可接受的。
众所周知，内存和硬盘是电脑的两个重要部件，虽说两者都是用来存储数据的，特性却大相径庭：
本文由 @熵君 原创发布于人人都是产品经理。未经许可，禁止转载。
从缓存理论的角度，以上这几种购物方式其实是可以互相转换的。如果仅仅从缓存的角度，如何分析这几种模式？
这时我就会清理，我会把不常用的物品清出缓存区，并规整地放在它应该放的地方。这样就避免了频繁整理常用的物品，而这些常用的物品常常在你整理后又会使用到，那么之前就白整理了。这里也用到了缓存的缓冲功能。
我们的电脑桌面就是一个“缓存”，你可以在上面放文件及程序，它非常方便，触手可及，但是它容量非常有限，而资源管理器（我的电脑）则像是“硬盘”。桌面空间有限，东西多了也容易造成混乱，所以必须有所取舍，熵君在整理电脑桌面时一般会将最常用的放在桌面上，不常用的淘汰，这其实就是LFU算法 。
４、智能算法（AI）
我们的手机桌面的首屏也可以当做“缓存”，一打开就能用到，而最下面一排的快捷栏则是更高级的缓存。我一直期望手机有这样一个功能，自动把最常用(LFU)的应用放首屏，省得我去整理。
从硬盘直接读取数据，不经过缓存。也就是网购，并送货上门。
１、先进先出算法(FIFO，First In First Out)
比如一些word文档及办公软件的数据，而到了晚上，工作相关的数据则优先被淘汰，内存中常驻游戏，影音之类的数据。再比如，操作系统检测到了我刚刚下载了一部电影，那么这时应该将这部电影的数据及播放器的数据加载到内存中，其他类型的则可能被淘汰。AI算法的计算量显然很大也很复杂，入不了操作系统的法眼，但在很多情况下却非常好用。
数据已经提前从硬盘加载到内存，直接访问内存就可以了。这就便利店的模式，便利店也是一种缓存，老板进货就是从硬盘加载数据到缓存的操作。
