.png){kind=icon}
.png){kind=icon}
返回
Low-Complexity Online Learning for Caching
.png){kind=icon}
PRE
AI
DOI：10.1016/j.comnet.2025.111743.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
常用的缓存策略，如LRU（最近最少使用）或LFU（最不经常使用），仅在特定流量模式下表现出最优性能。即使是基于高级机器学习的方法，即使它们能够检测历史请求数据中的模式，当未来请求偏离过去趋势时，也难以应对。最近，出现了一类新的策略，能够适应变化的流量模式。这些算法解决了一个在线优化问题，能够实现持续的环境适应。它们在遗憾（regret）指标上提供了理论保证，该指标衡量在线策略与事后最优静态缓存分配之间的性能差距。然而，这些解决方案的高计算复杂度阻碍了其实际应用。