简单、智能且稳健的学习增强缓存淘汰（OSDI 2026）
原题：Learning-Augmented Heuristics: Simple, yet Smart, Robust and Interpretable Cache Eviction
一句话总结：LAH只异步学习静态heuristic的cache-level parameters，data plane仍走简单FIFO；S4-FIFO以4,140 traces预训练、1,035 production traces评测，平均miss ratio优于SOTA且worst trace仅比FIFO差0.8%，吞吐接近heuristics。
问题与动机
per-object learned cache频繁预测、critical-path metadata重，且objective mismatch会在未见trace灾难性退化。静态S3-FIFO快且稳，但参数无法适应workload。
关键观察 / 隐含假设
- 低频cache-level learning足以调queue proportions等少量参数，无需每object预测。
- heuristic data plane提供robust fallback与interpretability。
- production trace分布足以训练跨workload model。
核心方法
LAH分离control/data plane：异步model读取aggregate cache features，周期性输出S3-FIFO parameters；S4-FIFO增加可调第四queue与promotion/eviction配置，critical path只做queue operation。
实验与结果
- 设置：1,035 production traces，对比FIFO、2Q、ARC、LRB、LHD、3L-Cache，以miss ratio和Cachelib throughput为指标（§6）。
- worst trace相对FIFO只+0.8%/+0.2%，其他smart policy可+20%–72%；3L-Cache simulator平均慢17.3×。
- S4-FIFO吞吐接近heuristics，LLM从features预测配置准确率83%/86%。
论断—证据表
| 论断 | 证据 | 边界 | 置信度 |
|---|---|---|---|
| cache-level learning兼顾平均与worst-case | 图 6–8 | production traces | 强 |
| data plane保持高吞吐 | Cachelib图 8 | 48 threads | 强 |
批判性分析
论证链条
将learning限制在parameter tuning，清楚避免per-object smart cache的复杂度与不稳。
假设压力测试
phase快于control update或trace/domain显著漂移时model会选错配置，但FIFO-like结构限制最坏损失。
实验可信度
trace规模与worst-case指标强；实际backend miss penalty、variable size/TTL尚未完整覆盖。
局限与后续工作
- variable-size、TTL、cost-aware cache与online drift detection。
- 长期production A/B测tail latency。
相关
- 相关概念：Cache-Eviction、Learning-Augmented-Systems、FIFO
- 相关系统：S3-FIFO、ARC、LRB
- 同会议：OSDI-2026