超越切换：用于学习增强型缓存的自适应加权整合方法

《IEEE Access》：Beyond Switching: Adaptive Weighted Integration for Learning-Augmented Caching

　　

摘要：

学习增强型缓存通过将传统的淘汰策略与机器学习预测相结合，在保持最坏情况鲁棒性的同时提升缓存替换效率。以往的分页方法往往在诸如最近最少使用或随机标记器策略这类可靠的启发式方法，与仅依赖预测器的策略之间切换，其在实际数据上的优势仅体现在较好的那个组件上。我们提出了一种新的方法，将页面的最新使用频率和预测的后续使用距离视为对页面未来重复使用距离的互补性噪声估计值。我们证明了一个时间对称性特性：在每个重复使用间隔内，最新使用频率信号在时间平均意义上是无偏的，其对数估计误差具有大致恒定且无量纲的方差。基于这一观点，我们定义了一个加权淘汰分数，该分数通过单个混合参数来结合这两种估计值的对数。实验表明，随着该参数的变化，缓存命中率呈现近似单峰分布，通常在传统策略和仅依赖预测器策略的极端值之间达到峰值。为了在存在噪声和非平稳反馈的情况下在线调整该参数，我们开发了一种基于高斯过程回归的滑动窗口贝叶斯优化方法，同时还提供了一种较为简单的黄金分割法作为替代方案。在13个CRC-2测试数据集上的测试显示，经过最优高斯过程调优的方案的平均实证竞争比为1.146，而最强的传统基准方法的竞争比为1.249，且在13个数据集中的12个上，优化后的方案表现更佳。最后，我们展示了如何将这种集成策略嵌入到现有的魏式算法无关组合器中，从而在保留大部分实证优势的同时，获得标准的竞争比保障。