做视频网站 许可,网站开发 简历,东莞seo公司,电子商务网站的特色TOC 2022 Paper 论文阅读笔记整理
问题
现代键值存储、对象存储、互联网代理缓存和内容交付网络#xff08;CDN#xff09;通常管理不同大小的对象#xff0c;例如#xff0c;Blob、不同长度的视频文件、不同分辨率的图像和小文件。在这种工作负载中#xff0c;大小感知…TOC 2022 Paper 论文阅读笔记整理
问题
现代键值存储、对象存储、互联网代理缓存和内容交付网络CDN通常管理不同大小的对象例如Blob、不同长度的视频文件、不同分辨率的图像和小文件。在这种工作负载中大小感知缓存策略的性能优于忽略大小的算法。但现有的大小感知算法往往过于复杂且计算成本高昂。
现有方法局限性
现有的处理可变大小对象的缓存策略有一些缺陷 用对象的序列化字节数组表示将它们划分为大小相等的块或块类似于操作系统管理内存和文件的方式。但会导致空间利用率低或记录开销高或序列化反序列化开销高。 将缓存划分为多个块其中每个板块用于大小相似的对象并且独立于其他块进行管理。但会导致次优的缓存利用率因为对象的流行程度各不相同没有单一的最佳静态块分区。 GDSF策略[14]在命中率和字节命中率方面都非常有效但计算开销过高。其他方法AdaptSize [11]、LHD [6]和最近的 LRB [44]也受限于计算开销高。
本文方法
本文扩展了流行的忽略大小的W-TinyLFU缓存策略来处理可变大小的项目。
原始W-TinyLFU缓存策略 本文主要修改了3个方面 新项目可能比Window Cache大这时新项目跳过Window Cache立即提交给TinyLFU过滤器以确定它是否可以进入Main Cache。 需要考虑多个潜在的Window受害者他们的总大小足以为新项目腾出空间。本文使用的原型中在每个缓存区域中使用优先级队列跟踪LRU并且给定缓存区域的受害者是相应队列中的最后一个项目。 在TinyLFU中针对Main受害者测试Window受害者。可能有多个Window受害者每个Window受害者都与一个或多个Main受害者进行比较。比较方法如图6。
修改后的W-TinyLFU缓存策略 实验表明与AdaptSize、LHD、LRB和GDSF等最先进的大小感知算法相比本文的算法有更好的命中率和字节命中率。运行时比较表明与最佳替代方案相比本文的实现速度快了3倍即CPU开销低得多。
总结
针对不同大小的对象如何使用统一的低开销缓存策略进行管理。本文扩展了忽略大小的W-TinyLFU缓存策略来处理可变大小的项目。修改了3个部分1新对象可能比Window Cache大则直接提交给TinyLFU过滤器以确定它是否可以进入Main Cache。2需要考虑多个潜在的Window受害者他们的总大小足以为新对象腾出空间。3在TinyLFU中可能有多个Window受害者每个Window受害者都与总和大于其大小的一个或多个Main受害者进行比较。
