YYCache的整体结构是分为两部分：内存缓存和磁盘缓存。
内存缓存提供容量小但高速的存取功能，磁盘缓存提供大容量但低速的持久化存储。
为什么需要缓存？
内存的读写速度远大于磁盘的读写速度，将频繁使用的数据存在内存中，再次用到的时候直接从内存中读取，从而提高性能。
设计内存缓存的几个要点
1. 缓存算法：根据场景选择合适的缓存算法，才能使缓存有较高的命中率。常见的缓存算法有：LRU（最近最少使用）、LRU-2（类似LRU，准入门槛变成2次）、LFU（最不经常使用）、FIFO（先进先出）等等。
2. 读写性能：相同情况下，存储数据和读取数据的速度。
3. 线程安全：考虑到可能会在多个线程中读写缓存。
LRU算法
LRU算法（least recently used）顾名思义，淘汰掉最近最少使用的数据。
1. 访问的数据未命中缓存，如果此时缓存未满的时候。直接将新数据插到最前面（这也决定了基础结构不能用数组，只能用链表，数组插入头部时间复杂度为O(n)，链表插入头部时间复杂度为O(1)）。
2. 访问的数据命中缓存，将访问的数据插到链表的最前面。
3. 访问的数据未命中数据，但是此时缓存已经满了，此时需要先淘汰掉链表的尾部，然后再见新数据插到最前面。
YYModel内存缓存的设计
YYModel的内存缓存部分是YYMemoryCache这个类实现的。YYMemoryCache使用了LRU缓存算法，由hashMap+双链表实现。因为hashMap的读操作是O(1)，用于保证读取速度。双链表的删除和插入操作都是O(1)，很好的保证了写操作的速度。
为什么不用单链表？
1. 单链表的删除操作需要读到前一个节点，而读取前一个节点需要从头遍历。
2. 有人会说，也不是吧，可以将下一个节点的数据赋给当前节点，然后删除下一个节点，这样就相当于删除了当前节点（删除了当前节点的数据）。首先这样有一遍拷贝数据的操作，如果删除的是最后一个，这种做法就没有了。而缓存算法的淘汰机制刚好删除的都是最后一个。
YYModel结构
hashmap作用在于快速读取。双链表用于维护顺序，实现淘汰机制。
LRU机制对应的伪代码：
1. 访问的数据未命中缓存，如果此时缓存未满的时候。直接将新数据插到最前面
if (!hashmap[@"key"]) {
Node *node = [[Node alloc] init];
node.data = data;
hashmap[@"key"] = node;
if (self.linkedList.head) {
node.next = self.linkedList.head;
node.prev = nil;
self.linkedList.head.prev = node;
self.linkedList.head = node;
} else {
node.prev = nil;
node.next = nil;
self.linkedList.head = node;
self.linkedList.tail = node;
}
}2. 访问的数据命中缓存，将访问的数据插到链表的最前面。
if (hashmap[@"key"]) {
Node *node = hashmap[@"key"];
if (node == self.linkedList.head) {
return;
} else if (node == self.linkedList.tail) {
node.prev.next = nil;
self.linkedList.tail = node.prev;
node.next = self.linkedList.head;
self.linkedList.head.prev = node;
self.linkedList.head = node;
} else {
node.prev.next = node.next;
node.next.prev = node.prev;
node.next = self.linkedList.head;
self.linkedList.head.prev = node;
self.linkedList.head = node;
}
}3. 访问的数据未命中数据，但是此时缓存已经满了，此时需要先淘汰掉链表的尾部，然后再见新数据插到最前面。
Node *node = self.linkedList.tail;
node.prev.next = nil;
self.linkedList.tail = node.prev;
[hashmap removeObjectForKey:@"key"];
free(node);线程安全
1. 读写的时候加锁保证线程安全
2. 删除释放节点在异步线程，提高性能。
if (_lru->_totalCost > _costLimit) {
dispatch_async(_queue, ^{
[self trimToCost:_costLimit];
});
}