Distributed caching systems such as content distribution networks often advertise their content via lightweight approximate indicators (e.g., Bloom filters) to efficiently inform clients where each datum is likely cached. While false-positive indications are necessary and well understood, most existing works assume no false-negative indications. Our work illustrates practical scenarios where false-negatives are unavoidable and ignoring them has a significant impact on system performance. Specifically, we focus on false-negatives induced by indicator staleness, which arises whenever the system advertises the indicator only periodically, rather than immediately reporting every change in the cache. Such scenarios naturally occur, e.g., in bandwidth-constraint environments or when latency impedes the ability of each client to obtain an updated indicator. Our work introduces novel false-negative aware access policies that continuously estimate the false-negative ratio and sometimes access caches despite negative indications. We present optimal policies for homogeneous settings and provide approximation guarantees for our algorithms in heterogeneous environments. We further perform an extensive simulation study with multiple real system traces. We show that our false-negative aware algorithms incur a significantly lower access cost than existing approaches or match the cost of these approaches while requiring an order of magnitude fewer resources (e.g., caching capacity or bandwidth).


翻译:内容分发网络等分布式封存系统经常通过轻量级的近似指标(如Bloom过滤器)公布其内容,以便有效地告知客户每个数据可能藏匿的地方。虽然假阳性迹象是必要和理解的,但大多数现有工程没有假阴性迹象。我们的工作展示了错误负偏差不可避免的实际情景,忽视了错误负差因素对系统性能有重大影响。具体地说,我们侧重于因指标偏差引起的虚假负差现象,这种现象出现时,系统只定期公布指标,而不是立即报告暗藏中的每一个变化。这类情况自然发生,例如,在带宽限制环境中,或当长期性妨碍每个客户获得最新指标的能力时。我们的工作提出了新的假阴性认知访问政策,不断估计虚假负偏差比率,有时尽管有负面迹象,但访问却会隐藏着对系统性能产生重大影响。我们还进行了广泛的模拟研究,有多种实际系统痕迹。我们显示,我们的假阴性认识性做法自然会自然发生,例如,在带宽环境内环境内,或者当延迟妨碍每个客户获得最新指标的能力时,但需要比现有低得多的成本计算能力。

0
下载
关闭预览

相关内容

专知会员服务
35+阅读 · 2021年2月26日
Linux导论,Introduction to Linux,96页ppt
专知会员服务
77+阅读 · 2020年7月26日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
人工智能 | SCI期刊专刊信息3条
Call4Papers
5+阅读 · 2019年1月10日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
已删除
将门创投
9+阅读 · 2018年12月19日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Arxiv
0+阅读 · 2021年6月5日
VIP会员
相关资讯
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
人工智能 | SCI期刊专刊信息3条
Call4Papers
5+阅读 · 2019年1月10日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
已删除
将门创投
9+阅读 · 2018年12月19日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Top
微信扫码咨询专知VIP会员