4. 缓存策略核心：LRU、LFU、TTL策略在镜像缓存中的应用与对比

在容器镜像缓存系统中，缓存淘汰策略直接决定了缓存命中率、存储利用率以及拉取延迟。镜像层（Layer）具有不可变性、按需拉取和共享依赖的特点，因此缓存策略需要针对这些特性进行适配。本节深入分析三种核心策略——LRU（最近最少使用）、LFU（最不经常使用）和TTL（生存时间）——在镜像缓存场景下的原理、优劣与选型建议。

4.1 三种策略的核心原理

4.2 LRU：应对版本迭代的“遗忘曲线”

LRU 策略假设“最近被访问的数据在近期最可能被再次访问”。在镜像缓存中，这对应着持续集成流水线的典型行为：当团队频繁推送新版本时，最新构建的镜像层被反复拉取，而数小时前的旧版本层则迅速冷却。

• 优势：实现简单，对突发热点（如回滚后立即拉取旧版本）响应快；内存和计算开销低。
• 劣势：无法区分“高频但偶发”与“低频但稳定”的层。例如，一个每周只拉取一次的基础镜像层，可能被一次批量扫描任务挤出缓存。
• 镜像缓存优化点：建议对基础镜像层设置保护队列，使其不参与 LRU 淘汰，或给予更高的权重。

4.3 LFU：守护“共享基础层”的热度

LFU 策略根据访问频率决定淘汰优先级。在镜像缓存中，基础镜像层（如 node:18-alpine、python:3.11-slim）被大量微服务共享，访问频率远高于业务层。LFU 天然适合保留这些高频层。

• 优势：能长期保留高共享度的基础层，减少重复拉取；对“慢热型”热点友好。
• 劣势：存在“缓存污染”问题——过去高频但当前不再使用的层（如已废弃的旧基础镜像版本）会长期占据空间；实现复杂度较高，需要解决计数衰减问题。
• 镜像缓存优化点：引入时间衰减因子，对历史计数进行指数衰减，避免旧热点永久驻留。

// 带时间衰减的 LFU 计数示例（伪代码）
func (c *Cache) Get(layerID string) *Layer {
    entry, ok := c.table[layerID]
    if !ok {
        return nil
    }
    // 计算时间衰减：距离上次访问越久，计数权重越低
    elapsed := time.Since(entry.lastAccess)
    decay := math.Exp(-elapsed.Hours() / c.halfLife)
    entry.freq = entry.freq*decay + 1
    entry.lastAccess = time.Now()
    return entry.layer
}

4.4 TTL：强制过期与安全合规

TTL 策略为每个缓存条目设置固定的生存时间，到期后自动失效。在镜像缓存中，TTL 主要用于安全扫描结果缓存和临时构建缓存。

• 优势：确定性高，满足合规要求（如镜像层缓存不超过 24 小时）；实现简单，无状态。
• 劣势：无法感知实际访问模式，可能导致热点层被误删；TTL 设置过短会降低命中率，过长则浪费存储。
• 镜像缓存优化点：采用滑动 TTL——每次访问时重置过期时间，结合 LRU 形成混合策略。

4.5 策略对比与选型矩阵

4.6 混合策略：镜像缓存的最佳实践

生产环境通常采用分层混合策略，将镜像层按角色划分到不同的缓存区域，分别应用不同的淘汰策略。下图展示了一种典型的混合架构：

4.7 策略组合的量化收益

基于某大型金融科技公司生产集群（5000+ 节点，日均镜像拉取 12 万次）的实测数据，混合策略相比单一策略的收益如下：