Web缓存替换算法综述

Web缓存技术是提高www性能的最主要的方法,属于延迟容忍技术。Web高速缓存技术实现了Web内容的关键节点（包括本地）存储,它能减少网络带宽的占用,降低硬件成本,改善响应时间,提高了最终用户的效率。本文对目前常用的Web缓存替换算法作了一个总结。     

基于最小延迟代价的Web缓存替换算法研究

命中率、字节命中率和延迟时间是Web缓存系统中最重要的性能指标,但是却难以准确、合理地度量不同大小的Web对象的访问延迟.引入字节延迟的概念,为不同的对象延迟建立了一个比较合理的评价标准.提出最小延迟代价的Web缓存替换算法LLC,使用户访问的延迟时间尽可能缩短.实验结果表明,与常用的缓存替换算法相比,LLC算法在有效减少用户感知的访问延迟方面具有较好的性能表现.     

缓存替换算法研究综述

缓存技术作为提高系统性能的重要手段一直是研究的热点。随着网络存储等新技术的出现，存储的层次越来越复杂，原有的简单缓存管理技术已经不合适日趋复杂的应用。频率和时间综合考虑的缓存替换方法、多级缓存的替换技术成为研究的热点。本文综述了缓存替换算法的研究现状，首先介绍传统简单的缓存替换算法及其存在的局限性，而后对单级缓存算法和多级缓存算法当前最新的研究进行了介绍。最后对研究的趋势进行了简单的展望。     

Web缓存的一种新的替换算法

现有的Web缓存器的实现主要是基于传统的内存缓存算法,然而由于Web业务请求的异质性,传统的替换算法不能在Web环境中有效工作.首先给出了问题的一个最优化模型,分析了替换算法的关键在于能正确地体现Web业务的访问模式.在泊松到达模型的基础上,提出一种新的缓存策略--最少正规化代价替换算法(leastnormalized-cost,简称LNC).新的替换算法除了考虑Web文档的平均引用时间、最近流逝时间、文档大小和单位大小价值以外,还考虑了Web业务的访问率动态改变的特征.对轨迹文件所做的性能实验表明,LNC优于其他主要的算法.     

基于预测的Web缓存替换算法

为了提高Web缓存的性能,在缓存替换算法GDSF的基础上引入了预测机制,提出了基于预测的缓存替换算法PGDSF.先利用Web日志构造预测模型,再用预测模型对当前的用户访问序列进行预测,形成用户可能要访问的预测对象集.当缓存空间不能满足新请求对像时,则利用替换策略GDSF,将权值最小的且不属于预测对象集的对像进行替换.该算法综合考虑了各项因素对Web对象的影响,仿真实验结果表明,在一定的缓存空间内相对于GDSF替换算法有较高的文档命中率和字节命中率.     

基于低能耗与高缓存命中并存的缓存替换算法

近年来无线传感器被广泛地利用在各个领域,与之相关的优化节能研究也层出不穷.作为信息共享、分发关键技术的缓存技术节能研究成为了研究热点之一.从缓存替换算法的角度对缓存技术节能进行研究,先对已有的缓存替换算法进行比较分析,在继承二分法思想以及无线传感器网络中缓存替换策略的研究思想的基础上,整合基于低能耗和高缓存命中的两种替换算法,构建出兼顾低能耗和高缓存命中双目标的缓存替换算法.最后通过仿真验证该算法在平均延迟时间、能量消耗以及缓存命中三个方面均有不同程度的提升.     

Web缓存优化模型研究

缓存模型研究的核心是替换策略的优化。分析并比较传统缓存模型IRM和MRM的思想,基于相对流行度以及字节代价的概念,提出满足命中率、字节命中率和延迟时间等不同性能指标要求的Web缓存优化模型,并给出相应算法。实验及分析表明,Web缓存优化模型替换算法的性能表现较传统算法有所提高。     

基于最小效用的流媒体缓存替换算法

提出最小缓存替换算法SCU-K，综合考虑流媒体文件最近K次访问情况，使缓存大小动态适应媒体流行度、字节有用性和已缓存部分大小的变化，降低了文件前缀部分被替换的概率，避免LRU和LFU算法中出现的媒体文件被连续替换的问题。在与LRU，LFU和LRU-2算法的对比实验中，SCU-K算法在提高缓存空间利用率、字节命中率和降低启动延迟方面具有更好的性能。     

机械手存储库缓存替换算法研究及应用

文章首先给出了机械手存储库的缓存模型,针对缓存模型和多媒体应用的特点,提出了两种基于热点能量的新缓存替换算法———近期热点能量缓存算法(RPE)和双缓冲区缓存算法(TSC),通过仿真实验,讨论了几种算法参数的最优取值范围,并且利用对比实验,验证了两种算法的缓存性能在重负载、小缓存条件下要优于传统LRU算法。该文内容为设计和实现大规模数字媒体管理系统提供了重要的依据。     

Web缓存技术综述

Web高速缓存(Web Caching)技术实现了Web内容的关键节点(包括本地)存储，它能减少网络带宽的占用，降低硬件成本，改善响应时间，提高了最终用户的效率．本文通过对Web缓存的分类、性能指标、一致性策略以及替换算法几个方面对目前流行的缓存技术作了一个总结．     

改进的最小效用流媒体代理缓存替换算法

在SCU-K算法的基础上,提出了基于流行度和将来访问次数的最小效用替换算法（SCU-PFUT）。此外算法还考虑了流媒体文件的字节有效性和文件块大小的因素,使得替换出内存的数据块更加合理。不但避免LRU和LFU算法中出现的媒体文件被连续替换的问题,相对于LRU、LFU和SCU-2,其在缓存命中率、字节命中率和空间利用率都得到了提升。     

Improved collaborative filtering algorithm based on heat conduction

In this paper, we present an improved collaborative filtering (ICF) algorithm by using the heat diffusion process to generate the user correlation. This algorithm has remarkably higher accuracy than the standard collaborative filtering (CF) using Pearson correlation. Furthermore, we introduce a free parameter β to regulate the contributions of objects to user correlation. The numerical simulation results indicate that decreasing the influence of popular objects can further improve the algorithmic accuracy and diversity.     

Improved collaborative filtering algorithm based on heat conduction

In this paper, we present an improved collaborative filtering (ICF) algorithm by using the heat diffusion process to generate the user correlation. This algorithm has remarkably higher accuracy than the standard collaborative filtering (CF) using Pearson correlation. Furthermore, we introduce a free parameter β to regulate the contributions of objects to user correlation. The numerical simulation results indicate that decreasing the influence of popular objects can further improve the algorithmic accuracy and diversity.     

基于期望预测价值的时移代理缓存替换算法

分析移动多媒体广播上时移业务的特点,描述了可预测用户行为的时移代理服务器资源调度策略,并提出一种基于期望预测价值的时移代理服务器缓存替换算法。仿真实验结果表明,该算法与传统的FIFO算法相比较,提高了缓存的预测命中率,减少了用户平均等待延迟。     

一种P2P流媒体系统中的缓存替换算法

针对视频节目受欢迎程度不同的特性,提出一种P2P流媒体系统中的缓存替换算法,通过将系统中的全部视频片段分类,为其赋予不同的优先级,并周期性地更新该值,同时考虑视频片段被访问次数和最近被访问的情况,使得被替换出存储空间的片段更加合理。实验表明,该算法能提高缓存命中率及系统的启动延时,性能较优。     

一种模糊认知的协同过滤算法

协同过滤是目前电子商务推荐系统中应用最成功的个性化推荐技术之一,但传统的协同过滤算法认为各个时期的评分数据信息是静态的。针对该问题,提出两种模糊认知：评分的模糊递增和评分权重的模糊递增。首先,对项目的评分信息划分时间窗口,且利用链式结构计算项目的相似性,选择目标项目的最近邻居;其次,对评分数据赋予时间权重,提出一种权重函数,并对传统的预测方法进行改进。同时,在预测阶段提出一种分层式的优化策略对评分的时间权重进行求解,完成推荐。最后,在Netflix的数据集实验结果表明,该算法较传统的协同过滤算法有显著的提高,推荐准确率提升了9.8%~14.1%。     

基于云模型熟悉相似度的协同过滤推荐算法

研究了一种新的协同过滤推荐方法。针对推荐算法中相似度存在的不足,提出了兼顾"形状-距离"的云模型综合相似度测算方法;考虑用户之间的兴趣匹配,提出了云模型熟悉相似度的概念;提出了基于云模型熟悉相似度的邻居用户选择方法,进而产生推荐。实验结果表明,本方法提高了推荐准确度。