设计一个客户端的视频缓存系统，考虑视频的冷热数据分离、存储空间限制和更新策略，并说明如何实现？

1) 【一句话结论】
核心是采用多级缓存架构（本地热缓存+冷存储），结合时间/访问频率的冷热分离策略（LRU+Time-based），通过动态空间分配和增量更新机制，在存储空间限制下高效管理视频数据，平衡加载速度与存储效率。

2) 【原理/概念讲解】
老师口吻解释关键概念：

• 冷热数据分离：热数据是用户高频访问的视频（如热门推荐、最近播放），冷数据是低频访问的视频。分离方法有两种：
  • 时间维度：最近N天（如7天）内访问的算热，否则冷；
  • 访问频率：访问次数超过阈值（如24小时>5次）的算热，否则冷。
    类比：图书馆借阅，热门书籍（热数据）放在前台，冷书（冷数据）放在后库，需时再调。
• 存储空间限制：本地存储有限（如SSD/内存），需淘汰冷数据。采用**LRU（最近最少使用）淘汰热缓存中最久未访问的冷数据，或Time-based（时间窗口）**淘汰冷存储中最旧的冷数据。
• 更新策略：视频有新版本时，只下载差异部分（增量更新），减少流量和存储开销。

3) 【对比与适用场景】

策略类型	定义	特性	使用场景	注意点
LRU（基于访问时间）	淘汰最久未访问的冷数据	优先保留高频访问数据	需求：快速访问高频数据（如视频播放列表）	可能误判短时间不访问的热数据
Time-based（基于时间窗口）	淘汰超过时间阈值的冷数据	区分近期/远期数据	需求：区分用户近期（如7天）和远期播放的视频	需动态调整时间窗口

4) 【示例】
伪代码（缓存管理类）：

class VideoCache:
    def __init__(self, max_size):
        self.max_size = max_size  # 本地存储最大空间（MB）
        self.hot_cache = LRU(max_size * 0.7)  # 热数据缓存（70%空间）
        self.cold_store = TimeBasedStore(max_size * 0.3)  # 冷数据存储（30%空间，按时间淘汰）
        self.video_map = {}  # 视频ID到缓存位置的映射

    def add_video(self, video_id, data, is_hot=True):
        if video_id in self.video_map:
            self.remove(video_id)
        if is_hot:
            if len(self.hot_cache) + len(data) > self.max_size * 0.7:
                evicted = self.hot_cache.pop_item()  # LRU淘汰最冷热数据
                self.cold_store.add(evicted.id, evicted.data)
        else:
            if len(self.cold_store) + len(data) > self.max_size * 0.3:
                evicted = self.cold_store.pop_oldest()  # Time-based淘汰最旧数据
                self.video_map.pop(evicted.id, None)
        self.hot_cache.add(video_id, data) if is_hot else self.cold_store.add(video_id, data)
        self.video_map[video_id] = {'hot': is_hot, 'data': data}

    def get_video(self, video_id):
        if video_id in self.hot_cache:
            self.hot_cache.touch(video_id)  # 更新访问时间
            return self.hot_cache.get(video_id)
        elif video_id in self.cold_store:
            data = self.cold_store.get(video_id)
            if data:
                self.hot_cache.add(video_id, data)  # 冷数据访问后提升为热
                self.cold_store.remove(video_id)
                return data
        return None

5) 【面试口播版答案】
“面试官您好，设计视频缓存系统，核心是平衡加载速度和存储效率。首先，采用多级缓存架构：本地存储分为热缓存（LRU，存储高频访问视频）和冷存储（时间窗口，存储低频视频），冷热分离依据访问频率或时间窗口。存储空间限制下，热缓存用LRU淘汰最久未访问的热数据，冷存储按时间淘汰旧数据。更新策略采用增量更新，新视频版本只下载差异部分，减少流量。实现上，通过缓存管理类维护视频数据，添加时根据热冷判断分配空间，获取时优先热缓存，冷数据访问后可能提升为热数据。这样既能快速加载热门视频，又能高效管理冷数据，避免存储溢出。”

6) 【追问清单】

• 问：冷热分离的具体判断标准？
  答：比如访问频率超过阈值（如过去24小时访问次数>5次）或最近7天内有访问，算热数据，否则冷。
• 问：存储空间如何动态分配？
  答：根据热数据访问频率动态调整，比如热数据占比70%，冷数据30%，当热数据占用超过阈值时，触发LRU淘汰。
• 问：更新策略的细节？
  答：增量更新通过视频元数据（如时间戳、大小）比较，只下载变化部分，减少流量。
• 问：并发处理？
  答：使用线程安全的数据结构（如锁或无锁数据结构），保证多线程访问时的数据一致性。
• 问：性能优化？
  答：预加载热门视频，或根据用户行为预测可能访问的视频提前加载。

7) 【常见坑/雷区】

• 冷热分离标准模糊，导致数据分类错误，影响缓存命中率；
• 存储空间分配固定，未考虑动态变化，导致空间浪费或溢出；
• 更新策略全量更新，增加流量和存储开销；
• 缓存淘汰策略误判，比如LRU淘汰了正在播放的热视频，导致卡顿；
• 未考虑并发问题，多线程访问时数据不一致。