Editorial Ilmu Komputer & AI
Open AccessOA2026
Heuristik yang Diperkaya Pembelajaran: Pengusiran Cache yang Sederhana, namun Cerdas, Tangguh, dan Dapat Ditafsirkan
Kerangka kerja yang mempelajari parameter tingkat cache dari heuristik statis, didemonstrasikan melalui S4-FIFO, mencapai peningkatan efisiensi rata-rata 26% dibandingkan S3-FIFO dan 8% dibandingkan 3L-Cache.
Haocheng Xia; William Nixon; Bintang Dwi Marthen; Pranav Bhandari; Juncheng Yang· 2026· DOI 10.48550/arXiv.2608.27975
Masalah inti
Caching adalah landasan kinerja sistem, dengan algoritma pengusiran menentukan item mana yang dipertahankan. Kebijakan yang ada terbagi menjadi heuristik statis (misalnya, 2Q, S3-FIFO) dan algoritma cerdas (misalnya, ARC, LRB). Cache cerdas beradaptasi dengan beban kerja tetapi mengalami ketidaksesuaian tujuan dan ketidakstabilan. Makalah ini memperkenalkan Learning-Augmented Heuristics (LAH), sebuah kerangka kerja yang mempelajari parameter tingkat cache dari heuristik statis. Dengan memisahkan bidang data dan bidang kendali, LAH mendukung baca dan tulis data yang sederhana dan berkecepatan tinggi pada bidang data sambil melakukan pembelajaran asinkron sesekali pada bidang kendali menggunakan fitur tingkat cache. Penulis mendemonstrasikan LAH melalui S4-FIFO, algoritma pengusiran cache Smart S3-FIFO, yang dilatih sebelumnya pada 4.140 jejak produksi dan dievaluasi pada 1.035 jejak.
Inovasi
Pada 1.035 jejak evaluasi, S4-FIFO meningkatkan efisiensi rata-rata sebesar 26% dibandingkan S3-FIFO dan 8% dibandingkan 3L-Cache, algoritma state-of-the-art terbaik. Ketangguhan ditunjukkan: S4-FIFO meningkatkan rasio miss dibandingkan FIFO hanya sebesar 0,8% pada jejak terburuk, sedangkan 3L-Cache meningkatkan rasio miss FIFO sebesar 8,8%. Hasil ini menunjukkan bahwa S4-FIFO mencapai efisiensi dan ketangguhan yang lebih tinggi daripada cache cerdas yang ada. Metrik efisiensi dapat dinyatakan sebagai:
atau serupa, tetapi makalah ini kemungkinan menggunakan definisi tertentu. Angka kuncinya adalah: peningkatan 26% dibandingkan S3-FIFO, 8% dibandingkan 3L-Cache, dan peningkatan rasio miss kasus terburuk sebesar 0,8% dibandingkan FIFO.
Caching adalah landasan kinerja sistem, dengan algoritma pengusiran menentukan item mana yang dipertahankan. Kebijakan yang ada terbagi menjadi heuristik statis (misalnya, 2Q, S3-FIFO) dan algoritma cerdas (misalnya, ARC, LRB). Cache cerdas beradaptasi dengan beban kerja tetapi mengalami ketidaksesuaian tujuan dan ketidakstabilan. Makalah ini memperkenalkan Learning-Augmented Heuristics (LAH), sebuah kerangka kerja yang mempelajari parameter tingkat cache dari heuristik statis. Dengan memisahkan bidang data dan bidang kendali, LAH mendukung baca dan tulis data yang sederhana dan berkecepatan tinggi pada bidang data sambil melakukan pembelajaran asinkron sesekali pada bidang kendali menggunakan fitur tingkat cache. Penulis mendemonstrasikan LAH melalui S4-FIFO, algoritma pengusiran cache Smart S3-FIFO, yang dilatih sebelumnya pada 4.140 jejak produksi dan dievaluasi pada 1.035 jejak.
LAH beroperasi dengan memisahkan bidang data, yang menangani operasi cache menggunakan heuristik statis dengan parameter yang dapat disetel, dari bidang kendali, yang mempelajari parameter optimal secara asinkron. Bidang kendali menggunakan fitur tingkat cache (misalnya, rasio hit, pola pengusiran) untuk menyesuaikan parameter melalui model yang telah dilatih sebelumnya. S4-FIFO menginstansiasi LAH dengan S3-FIFO sebagai heuristik dasar. Satu model dilatih sebelumnya pada 4.140 jejak produksi dan disematkan dalam S4-FIFO untuk mempelajari parameter cache optimal. Proses pembelajaran bersifat sesekali dan asinkron, memastikan overhead minimal pada bidang data. Kerangka kerja ini mendukung kemampuan penafsiran: model bahasa dapat memberikan alasan mengapa konfigurasi tertentu dipilih. Arsitekturnya dapat direpresentasikan sebagai:
Mengapa penting
Pemisahan bidang data dan bidang kendali memungkinkan LAH menggabungkan kesederhanaan dan kecepatan heuristik statis dengan adaptivitas cache cerdas. Dengan hanya mempelajari parameter tingkat cache, LAH menghindari ketidakstabilan dan ketidaksesuaian tujuan dari cache cerdas yang ada. Kemampuan penafsiran S4-FIFO adalah keunggulan yang menonjol: model bahasa dapat menjelaskan pilihan parameter, membantu debugging dan kepercayaan. Pelatihan sebelumnya pada 4.140 jejak dan evaluasi pada 1.035 jejak menunjukkan generalisasi. Ketangguhan S4-FIFO, dengan degradasi kasus terburuk yang minimal, menunjukkan bahwa ia cocok untuk lingkungan produksi di mana stabilitas sangat penting. Pekerjaan selanjutnya dapat memperluas LAH ke heuristik lain dan mengeksplorasi skenario pembelajaran daring. Kesederhanaan kerangka kerja ini membuatnya menarik untuk penerapan di sistem di mana overhead harus minimal.
Siapa yang sebaiknya membaca
Praktisi dan peneliti ilmu komputer
Membuka konten member…