面向网络流量的缓存替换算法比较与分析

       这篇文章是用MarkDown文本编辑器写的，第一次尝试这种写法，刚开始写还很变扭。之所以用它，因为这段时间看论文，写博客的时候需要输入数学公式，原先使用的文本编辑器不能很好的表示出来，每次都是我先用word输入好，转换为ptf再截图贴上来的，很繁琐。当然这个我用着还是有些不顺手，写博客过程中遇到些问题到现在还没解决，比如我创个表格，如何使之居中的问题。好了，接下来是正文。

       令缓存查询时间为$t_1$t1​，缓存缺失时间包括转发表查询时间和缓存更新时间，分别为$t_2$t2​和为$t_3$t3​，其他处理时间为$t_0$t0​，缓存命中率为$p$p，则报文平均处理时间为:$t = t_1 + (1 - p)(t_2 + t_3) + t_0$t=t1​+(1−p)(t2​+t3​)+t0​。

       为了提高为提高报文转发性能，除了减少缓存查询时间和缓存更新时间，更多的研究集中于提高缓存命中率，一方面以规则缓存代替报文首部缓存，以提高缓存空间利用率，另一方面采用适合网络流量特征的缓存替换方法。

       常用的缓存替换方法有两种，类LRU算法和类LFU算法。类LRU算法的核心假设是"如果流被访问的次数越多，那么将来被访问的几率也更高"，即流的访问具有较高的频度(frequency)。

       本文主要比较了六种不同的算法，分别如下：

1. LRU算法:淘汰上一次访问时间最早的流，替换为$f_{N+1}$fN+1​。LRU算法的问题在于，流量较小的流会挤占流量大的流的缓存空间。
2. SLRU算法：将缓存划分为2个LRU队列，第一个LRU队列作为观察窗口，窗口内出现2次以上的流进入第二个LRU队列。第二个LRU队列中被替换的流作为新的流插入第一个LRU队列。与LRU算法相比，SLRU算法减少了只包含1个报文的流对其他流的缓存空间的挤占。SLRU算法的问题在于，观察窗口大小固定， 而流量特征会随时间变化。
3. LIRS算法：LIRS算法定义了IRR(Inter-ReferenceRecency)的概念:同一条流连续2次访问期间，访问过的不重复的流的数量。该算法将流按照IRR大小分为低IRR和高IRR，按照固定比例共用缓存空间。使用FIFO队列缓存高IRR流，使用栈作为观察窗口记录流的IIR相对大小，低IRR的流一定存储于缓存中。新访问的流$f_{N+1}$fN+1​替换掉FIFO队尾的高IRR流。当FIFO队列中的高IRR流第二次访问时，替换掉IRR最高的低IRR流，后者插入FIFO队首。SLRU算法中的观察窗口(第一个LRU队列)长度固定，当流密集访问时，无法将流缓存至第二个LRU队列。LIRS算法的观察窗口(栈)可以随流量访问规律的变化而动态增减，不会错过低IRR的流。
4. 完美LFU算法：记录所有流的访问次数，从{$f_1，f_2，…，f_{N+1}$f1​，f2​，…，fN+1​}中替换访问次数最少的流。其问题在于，记录所有流的访问信息需要较大的存储空间，同时也很耗时。
5. In-Cache算法：只记录缓存内的流的访问次数，用fN+1替换{$f_1，f_2，…，f_{N+1}$f1​，f2​，…，fN+1​}中访问次数最少的流。LFU算法的问题在于，随着流量特征变化，旧的大象 流不再出现，却会一直占用缓存空间。
6. 随机替换算法：从{$f_1，f_2，…，f_{N+1}$f1​，f2​，…，fN+1​}中随机选择一条流，用$f_{N+1}$fN+1​替换。
7. 理想的缓存替换算法：从{$f_1，f_2，…，f_{N+1}$f1​，f2​，…，fN+1​}中替换下次出现最远的流，设为$f_j$fj​。在$f_{N+1}$fN+1​下次到达前，其他流都会先被访问。下次出现最远的流，也是IRR最大的流。

       文章通过仿真环境和实际系统对各个算法进行了分析，结果表明，当缓存空间有限时，应优先考虑缓存命中率较高的类LＲU算法。在多核环境下，若缓存空间充足，应优先考虑多核扩展性良好的随机替换算法。鉴于缓存替换算法对报文处理应用性能提升起到的关键作用，今后将在比较已有算法性能的基础上，研究性能更优的面向网络流量的缓存替换算法。由于我看这篇文章的目的是了解缓存的基本算法，所以看了前半部分和结论我的目的已经达到，所以理论分析是实验过程我没有细看，大家感兴趣可以看看。
参考：[1]曹作伟,陈晓,倪宏.面向网络流量的缓存替换算法比较与分析[J].计算机与现代化,2019(08):50-56.