首页/论文/cs/0406036

arXiv cs/04060362004-06-18cs.DS

在线伴侣缓存

Online Companion Caching

Manor Mendel, Steven S. Seiden

备注：: 17 pages, 1 figure. Preliminary version in ESA '02. To be published in Theoretical Computer Science A
发表信息：: Theoret. Comput. Sci. 324(2-3): 183-200, 2004
DOI：: 10.1016/j.tcs.2004.05.015

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

摘要英文摘要相关论文

摘要：

本文关注的是在线缓存算法的（n，k）-同伴缓存，定义的Brehob等。在该模型中，高速缓存由两个组件组成：k路组关联高速缓存和大小为n的同伴全关联高速缓存。证明了该问题的确定竞争比为（n+1）（k+1）-1，随机竞争比为O（\log n \log k）和Ω（\log n + \log k）.

英文摘要：

This paper is concerned with online caching algorithms for the (n,k)-companion cache, defined by Brehob et. al. In this model the cache is composed of two components: a k-way set-associative cache and a companion fully-associative cache of size n. We show that the deterministic competitive ratio for this problem is (n+1)(k+1)-1, and the randomized competitive ratio is O(\log n \log k) and Ω(\log n +\log k).

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

更好、更简单的学习增强在线缓存

Better and Simpler Learning-Augmented Online Caching

Lykouris和Vassilvitskii（ICML 2018）引入了一种带有机器学习建议的在线缓存模型，其中每个页面请求都附带了下一次请求该页面的预测。在这个模型中，一个自然的目标是设计算法，（1）当建议准确时表现良好，（2）在最坏的情况下保持鲁棒性，就像传统的竞争分析一样。Lykouris和Vassilvitskii通过将标记算法适应于学习增强设置来给出这样的算法。在最近的一项工作中，Rohatgi（SODA 2020）通过一种同样受到随机标记启发的方法改进了他们的结果。我们继续研究这个问题，但采用了一种不同的方法：我们考虑将盲目的预测算法与黑盒方式的在线缓存的最佳竞争算法相结合。由此产生的算法优于所有现有的方法，同时显着更简单。此外，我们表明，结合BlindOracle与LRU实际上是最佳的确定性算法，这个问题。

2020-05-28cs.DS

基于机器学习建议的在线缓存的近优边界

Near-Optimal Bounds for Online Caching with Machine Learned Advice

在Lykouris和Vassilvitskii提出的带有机器学习建议的在线缓存模型中，目标是用一个可以访问下一个到达预测的在线算法来解决缓存问题：当每个输入元素到达时，算法都会预测元素下一次出现的时间。用于在线高速缓存的传统模型受到$Ω(\log k)$竞争比下限（在大小为$k$的高速缓存上）的影响。相比之下，增强模型允许算法在预测具有低误差时击败此下限，并且在预测具有高误差时渐进地匹配下限，即使算法不注意预测误差。特别地，Lykouris和Vassilvitskii表明，当整体$\ell_1$预测误差由$η$限定时，存在竞争比为$O(1+\min(\sqrt{η/OPT}, \log k))$的预测增强缓存算法，并且$OPT$是最佳离线算法的成本。在竞争比中对$k$的依赖是最佳的，但对$η/OPT$的依赖可能远不是最佳的。在这项工作中，我们朝着缩小这一差距取得了进展。我们的贡献是双重的。首先，我们提供了一个改进的算法与竞争比$O(1 + \min((η/OPT)/k, 1) \log k)$。其次，我们提供了一个下界的$Ω(\log \min((η/OPT)/(k \log k), k))$。

2019-10-29cs.DS

基于标记法的带储备高效缓存

Efficient Caching with Reserves via Marking

本文提出结合势函数上界与对偶拟合下界的新分析技术，应用于带储备缓存问题得到O(log k)竞争比的分数及随机整数在线算法，并为经典无权重分页随机标记法给出新证明。

2023-05-04cs.DS

块感知缓存的竞争算法

Competitive Algorithms for Block-Aware Caching

我们研究了块感知缓存问题，经典缓存的泛化，其中从同一块中获取（或驱逐）页面会产生相同的成本，从块中获取（或驱逐）一个页面。给定一个大小为$k$的高速缓存，以及一个来自$n$页的请求序列，该请求序列被划分为大小为$β\leq k$的给定块，目标是最小化从高速缓存中获取（或从高速缓存中清除）的总成本。我们展示了以下结果：$\bullet$对于驱逐成本模型，我们展示了一个$O(\log k)$ -近似离线算法，一个$k$ -竞争确定性在线算法，和一个$O(\log^2 k)$ -竞争随机在线算法。$\bullet$对于获取成本模型，我们显示了$Ω(β)$的自然LP松弛问题的完整性差距，和随机在线算法的$Ω(β+ \log k)$下界。忽略块结构和运行经典的寻呼算法的策略平凡地实现了$O(β)$近似和$O(β\log k)$竞争比分别为离线和在线随机设置。$\bullet$对于获取和驱逐模型，我们显示了改进的界限的$(h,k)$双标准版本的问题。特别是，当$k=2h$，我们匹配的经典缓存算法的性能恒定的因素。我们的研究结果建立了一个分离的提取和驱逐成本模型，这是有趣的，因为提取/驱逐成本是相同的添加剂长期经典的缓存之间的易处理性。以前的工作只研究了$k > h$时获取成本模型的在线确定性算法。我们的见解是放松块感知缓存问题的子模块覆盖LP。主要的技术挑战是保持一个有竞争力的分数解，并以有界…

2022-05-24cs.DS

在线树缓存

Online Tree Caching

University of Wrocław（弗罗茨瓦夫大学）；Google Poland（谷歌波兰）；TU Berlin（柏林工业大学）；KTH Royal Institute of Technology（瑞典皇家理工学院）

我们开始研究一个自然的和实际相关的在线缓存的新变种，其中要缓存的项目可以有依赖关系。我们假设宇宙是一棵树$T$，条目是树节点;我们要求如果缓存了一个节点$v$，那么以$v$为根的整个子树$T(v)$也会被缓存。这个理论问题在IP路由和软件定义网络中的转发表优化的上下文中找到了直接的应用。我们提出了一个优雅的在线确定性算法TC，并严格证明了其竞争比是$O(\mathrm{height}(T) \cdot k_{\mathrm{ONL}}/(k_{\mathrm{ONL}}-k_{\mathrm{OPT}}+1))$，其中$k_{\mathrm{ONL}}$和$k_{\mathrm{OPT}}$分别表示在线和最佳离线算法的缓存大小。结果最佳，最高可达$O(\mathrm{height}(T))$的系数。我们补充的理论分析与实证研究合成的工作负载和CAIDA骨干流量，说明命中率和缓存更新成本之间的权衡。

2026-10-12cs.DScs.NI

依赖感知的在线缓存

Dependency-Aware Online Caching

该研究针对带依赖关系的在线缓存问题，提出了O(log k)竞争比的最优随机算法，还在旁路模型下提出O(√(k·log k))竞争比的算法，显著提升了性能，案例研究显示成本平均降低2倍。

2024-01-30cs.DS

更多相关论文收起更多论文

PackCache：一种在线的成本驱动的云数据缓存算法

PackCache: An Online Cost-driven Data Caching Algorithm in the Cloud

在本文中，我们研究了云环境中的数据缓存问题，其中多个经常共同使用的数据项可以打包为一个单一的项目被转移，以服务于一系列的数据请求动态降低成本。为此，我们提出了一个在线算法相对于一个同质的成本模型，称为PackCache，可以利用FP树技术挖掘那些经常共同使用的数据项进行包装，从而传入的请求可以具有成本效益的在线服务，利用预期的缓存的概念。我们证明了该算法是2α竞争的，在所研究的缓存问题上达到了任何确定性在线算法的竞争比的下限，并且在时间和空间上都有效地服务于请求。最后，我们通过实验研究来评估算法的性能，以显示其实际的成本效益和可扩展性。

2022-08-05cs.DCcs.DScs.NI

带租赁成本的缓存和切换

Caching with rental cost and zapping

\emph{file caching}问题定义如下。给定一个大小为$k$（正整数）的缓存，目标是最小化给定文件请求序列的总检索成本。文件$f$具有大小$size(f)$（正整数）和将文件放入缓存的检索成本$cost(f)$（非负数）。当所请求的文件不在高速缓存中，并且必须通过支付检索成本将文件检索到高速缓存中，并且可能必须从高速缓存中删除（\emph{evicted}）某个其他文件，以使高速缓存中的文件的总大小不超过$k$时，发生\emph{miss}或\emph{fault}。我们研究了在线文件缓存问题的以下变体。\textbf{\emph{Caching with Rental Cost} (or \emph{Rental Caching})}：在每个时间单位，缓存中的每个文件都有一个租赁成本$λ$（正数）。我们的目标是最小化检索成本和租赁成本的总和。\textbf{\emph{Caching with Zapping}}：通过支付切换成本$N \ge 1$，文件可以是\emph{zapped}。一旦文件被清除，以后对该文件的所有请求都不会产生任何成本。我们的目标是最小化检索成本和切换成本之和。我们研究这两种变体以及结合这两种变体（带zapping的租赁缓存）。我们提出了确定性的下限和上限的竞争分析框架。研究并扩展了\citep{young02online}的在线覆盖算法，给出…

2012-10-18cs.DS

文件束缓存的最优在线算法及其在分布式缓存中的推广

Optimal Online Algorithms for File-Bundle Caching and Generalization to Distributed Caching

我们考虑一个泛化的标准缓存问题，称为文件束缓存，不同的查询（任务），每个包含$l\ge 1$文件，顺序到达。一个在线算法，不知道查询的顺序提前必须自适应地决定什么文件保持在高速缓存中，以招致最小数量的高速缓存未命中。这里，高速缓存未命中是指查询中的至少一个文件在高速缓存文件中缺失的情况。在$l=1$的特殊情况下，该问题简化为标准高速缓存问题。我们首先分析了经典的最近最少使用（LRU）算法在这种情况下的性能，并表明LRU是一个接近最佳的在线确定性算法的文件束缓存方面的竞争比。然后，我们将我们的结果扩展到一个广义的$(h,k)$分页问题，在这个文件束设置，其中的性能与缓存大小$k$的在线算法相比，一个较小的缓存大小$h<k$的最佳离线基准。在后一种情况下，我们提供了一个随机的$O(l \ln \frac{k}{k-h})$竞争算法，我们的广义$(h,k)$寻呼问题，它可以被看作是一个经典的标记算法的扩展。我们完成了这个结果，提供了一个匹配的竞争比的下限，表明这种修改后的标记算法的性能是在任何随机化的在线算法的两个因素。最后，我们看看分布式版本的文件束缓存问题，其中有$m\ge 1$相同的缓存系统。在这种情况下，我们表明，对于$m=l+1$缓存，有一个确定性的分布式缓存算法，这是$(l^2+l)$竞争和随机分布式缓存算法，这是$O(l\ln(2l+1))$竞争时，$l\ge 2$。

2020-11-06cs.DScs.SYeess.SY

超越最坏情况分析多核缓存策略

Beyond Worst-case Analysis of Multicore Caching Strategies

每个具有多个核心共享缓存的处理器都需要实现缓存替换算法。以前的工作表明，竞争比的一大类在线算法，包括最近最少使用（LRU），随着输入的长度增长。此外，即使是像Furthest-In-Future这样的离线算法，单核缓存中的最佳算法，也无法在多核设置中竞争。这些负面的结果促使通过替代分析措施更深入地比较多核缓存算法。具体来说，对手适应在线算法的能力表明需要对在线算法进行直接比较。在本文中，我们介绍了循环分析，双射分析的推广介绍了Angelopoulos和Schweitzer [JACM'13]。循环分析抓住了双射分析的优势，同时提供了灵活性，使其更适用于各种在线问题的比较算法。特别是，我们采取的第一个步骤超出了最坏情况下的分析多核缓存算法的分析。我们使用循环分析来建立多核缓存算法之间的关系，包括LRU在引用局部性存在的情况下优于所有其他多核缓存算法的优势。

2020-11-03cs.DCcs.DS

使用预备役缓存

Caching with Reserves

高速缓存是许多计算机系统的重要组成部分，因此它自然是算法设计中的一个深入研究的主题。许多传统的缓存研究都是针对单用户或单处理器环境研究缓存管理。在本文中，我们提出了两个相关的概括的经典缓存问题，捕捉在多用户或多处理器环境中出现的问题。在具有保留的高速缓存问题中，对于某些给定的保留容量$k_i$，要求高速缓存算法在任何时候在高速缓存中至少维护属于用户$i$的$k_i$页面。在公共-私有缓存问题中，总大小为$k$的缓存被划分为子缓存、大小为$k_i$的私有缓存（用于每个用户$i$）和可由任何用户使用的共享公共缓存。在这两个模型中，在经典的缓存框架，算法的目标是动态地维护缓存，以尽量减少缓存未命中的总数。我们表明，缓存与储备和公共-私有缓存模型是等价的常数因子，因此专注于前者。与经典的缓存不同，这两种模型即使在离线设置中也是NP难的，在离线设置中页面序列是预先已知的。对于离线设置，我们设计了一个2-近似算法，其分析仔细跟踪潜在的功能，以限制成本。在在线环境中，我们首先设计了一个$O(\ln k)$ -竞争分数算法使用原始-对偶框架，然后展示了如何在线转换成一个随机积分算法具有相同的保证。

2022-07-13cs.DS

带有不可信预测的在线度量算法

Online metric algorithms with untrusted predictions

针对不可信预测下的在线决策问题，本文为任意度量任务系统和线上在线匹配提出鲁棒预测设置，并利用在线算法理论证明其鲁棒性，为缓存设计了性能呈指数级提升的算法，经真实数据集验证具实用性。

2023-04-06cs.DS

延迟命中缓存的下限

Lower Bounds for Caching with Delayed Hits

高速缓存是对延迟敏感的计算机系统的基本组件。[ASWB20]最近的工作已经开始了对延迟命中的研究：当缓存和后备存储之间的延迟远远大于新请求之间的时间时，缓存中会出现这种现象。我们给出了延迟命中缓存模型的两个结果。(1)竞争比下限。我们证明了[ASWB 20]中算法的竞争比，以及更一般地任何延迟命中的确定性在线算法的竞争比，至少是Omega（kZ），其中k是缓存大小，Z是延迟参数。(2)延迟命中潜伏期的反单调性。反单调性是缓存延迟的自然期望属性：具有缓存命中而不是缓存未命中应该导致较低的总体延迟。我们证明了延迟命中模型的延迟是不反单调的表现出的情况下，有一个缓存命中，而不是一个未命中的结果在整体延迟的增加。我们还提出了一个修改的延迟命中模型，使延迟反单调。

2020-05-30cs.DS

匹配中的连接缓存

Caching Connections in Matchings

Tel Aviv University（特拉维夫大学）

本文研究软件定义网络中有限光交换机下的在线匹配缓存问题，提出确定性和随机化算法并给出竞争比上下界，揭示了该问题与连接缓存的本质区别及额外匹配资源带来的显著改进。

2026-11-05cs.DS

具有延迟命中的缓存的延迟保证

Latency Guarantees for Caching with Delayed Hits

针对延迟命中缓存模型，首次证明了LRU等标记算法具有O(Zk)竞争比的紧密延迟保证。

2025-01-27cs.DS

在不牺牲1-一致性的情况下高效增强学习增强型缓存的鲁棒性

Robustifying Learning-Augmented Caching Efficiently without Compromising 1-Consistency

Zhejiang University（浙江大学）；Nanyang Technological University（南洋理工大学）；Nanjing University of Aeronautics and Astronautics（南京航空航天大学）

针对在线缓存问题中学习增强型算法缺乏鲁棒性或牺牲1-一致性的问题，提出轻量级Guard框架，在保留1-一致性的同时将鲁棒性增强至2H_{k-1}+2，且仅增加O(1)开销，实现当前最佳权衡并经实验验证有效。

2025-11-14cs.DScs.LG

具有机器学习建议的竞争性缓存

Competitive caching with machine learned advice

Microsoft Research（微软研究院）；Cornell University（康奈尔大学）；Google（谷歌）；Google Research（谷歌研究院）

传统的在线算法将不确定性下的决策封装起来，并提供了对冲所有可能的未来事件的方法，同时保证了与离线最优解相比接近最优解。另一方面，机器学习算法的业务是外推数据中发现的模式来预测未来，并且通常对预期的泛化误差有很强的保证。在这项工作中，我们开发了一个框架，用于增强在线算法与机器学习的预言，以实现竞争力的比率，可证明提高无条件的最坏情况下的下限时，预言有低错误。我们的方法将Oracle视为一个完整的黑盒子，并且不依赖于其内部工作或其错误的确切分布。我们将此框架应用于传统的缓存问题--为大小为$k$的缓存创建驱逐策略。我们证明，天真地按照甲骨文的建议可能会导致非常差的性能，即使平均错误是相当低的。相反，我们展示了如何修改标记算法，以考虑到预言机的预测，并证明这种结合的方法实现了竞争比，即（i）随着预言机的错误减少而减少，以及（ii）总是由$O(\log k)$封顶，这可以在没有任何预言机输入的情况下实现。我们补充了我们的结果与我们的算法在现实世界的数据集上的经验评估，并表明它表现良好的经验，即使使用简单的现成的预测。

2020-08-21cs.DScs.LG