基于机器学习的Web代理缓存替换策略性能改进

摘要

在Web代理缓存中,传统的缓存替换策略往往不够有效,会缓存一些不会再次被访问的Web对象。基于此,笔者使用机器学习技术对这部分Web对象进行过滤,使用Web代理日志文件进行训练,以预测Web对象的类别。实验结果表明,与最近最少使用(Least Recently Used,LRU)替换策略相比,使用机器学习技术的命中率最大提高了18.92%,字节命中率最大提高了45.61%。