无悔学习式缓存
网络与互联网体系结构
2019-04-23 v1
摘要
本文引入了一种新颖的缓存分析，与先前工作相反，它不对文件请求序列作任何建模假设。我们将缓存问题置于在线线性优化（OLO）框架中，并引入一类最小遗憾缓存策略，当请求模型未知时，其相对于事后最优静态配置的损失最小。这些策略非常重要，因为它们对热度偏移具有鲁棒性，即能够在热度模型变化时学会调整其缓存决策。我们首先证明了任意缓存策略遗憾的一个新颖下界，改进了现有 OLO 在我们设定下的界。然后我们表明在线梯度上升（OGA）策略保证的遗憾与该下界匹配，因此它是普遍最优的。最后，我们将注意力转向排列成二分图形式的缓存网络，并表明二分图次梯度算法（BSA）是无遗憾的。
引用
@article{arxiv.1904.09849,
title = {Learning to Cache With No Regrets},
author = {Georgios S. Paschos and Apostolos Destounis and Luigi Vigneri and George Iosifidis},
journal= {arXiv preprint arXiv:1904.09849},
year = {2019}
}
备注
IEEE INFOCOM 2019