[논문 리뷰] Online Algorithms for Weighted Paging with Predictions

Zhihao Jiang, Debmalya Panigrahi외 1명|arXiv (Cornell University)|2020. 01. 01.

Optimization and Search Problems인용 수 14

한 줄 요약

이 논문은 예측을 통한 가중치가 부여된 페이지 교체 문제를 위한 강력한 요청별 예측(Strong Per-Request Prediction, SPRP) 모델을 제안하며, 다음 요청 예측과 강력한 라운드어웨이(lookahead)를 조합함으로써 결정론적 2-competitive 알고리즘을 가능하게 함으로써 고전적인 온라인 하한을 초월함을 보여줌. 비가중치 페이지 교체와는 달리, 요청별 예측이나 고정 라운드어웨이만으로는 충분하지 않지만, 이 둘의 조합은 예측 오차가 증가함에 따라 점진적으로 성능이 떨어지는 상수 경쟁률을 달성함.

ABSTRACT

In this paper, we initiate the study of the weighted paging problem with predictions. This continues the recent line of work in online algorithms with predictions, particularly that of Lykouris and Vassilvitski (ICML 2018) and Rohatgi (SODA 2020) on unweighted paging with predictions. We show that unlike unweighted paging, neither a fixed lookahead nor knowledge of the next request for every page is sufficient information for an algorithm to overcome existing lower bounds in weighted paging. However, a combination of the two, which we call the strong per request prediction (SPRP) model, suffices to give a 2-competitive algorithm. We also explore the question of gracefully degrading algorithms with increasing prediction error, and give both upper and lower bounds for a set of natural measures of prediction error.

연구 동기 및 목표

• 가중치가 부여된 페이지 교체 문제에 미래 예측을 적용하여 최근의 비가중치 페이지 교체 문제에 대한 예측 연구를 확장함.
• 부분적인 미래 정보가 가중치가 부여된 페이지 교체 문제에서 고전적인 온라인 하한을 초월할 수 있는지 규명함.
• 예측이 정확할 경우 경쟁률이 높고, 예측 오차가 증가함에 따라도 견고한 알고리즘을 설계함.
• 가중치가 부여된 페이지 교체 환경에서 예측 오차 측정 기준에 대한 날것의 상한과 하한을 확립함.

제안 방법

• 요청별 예측(다음 요청 시간)과 ℓ-strong 라운드어웨이(ℓ개의 서로 다른 페이지로 구성된 미래 시퀀스)를 조합한 SPRP 모델을 제안함.
• 예측된 시퀀스에 대해 정적 오프라인 알고리즘을 실행하고, 실제 입력에서 그와 동일한 내보내기 동작을 모방하는 Follow 알고리즘을 도입함.
• 예측된 요청 시퀀스와 실제 요청 시퀀스 간의 비용 차이를 제약 조건이 있는 편집 거리와 동적 프로그래밍 기법을 사용해 경계함.
• 예측된 요청 시퀀스와 실제 요청 시퀀스 간의 일치 관계를 분석하고, 재귀적 비용 분해를 통해 경쟁률을 분석함.
• PRP 및 ℓ-strong 라운드어웨이 모델에 대해 적대적 구성 기반 하한을 수립하여, 결정론적 알고리즘에 대해 Ω(k), 확률적 알고리즘에 대해 Ω(log k)의 경쟁률을 입증함.
• 예측 품질을 측정하기 위한 새로운 오차 측정 기준 ℓ1을 도입하고, 비용이 ℓ1 증가에 따라 점진적으로 악화됨을 증명함.

실험 결과

연구 질문

• RQ1 미래 예측이 가중치가 부여된 페이지 교체 문제에서 Ω(k) 결정론적 하한과 Ω(log k) 확률적 하한을 초월할 수 있는가?
• RQ2 요청별 예측(PRP) 또는 고정 라운드어웨이(ℓ-strong)만으로도 가중치가 부여된 페이지 교체 문제에서 상수 경쟁률을 달성할 수 있는가?
• RQ3 결합된 예측 모델인 SPRP가 가중치가 부여된 페이지 교체 문제에서 상수 경쟁률 알고리즘을 가능하게 할 수 있는가?
• RQ4 알고리즘 성능은 예측 오차가 증가함에 따라 어떻게 떨어지며, 이 떨어짐은 경계될 수 있는가?
• RQ5 상수 경쟁률을 달성하면서도 견고성을 유지할 수 있는 최소한의 예측 모델은 무엇인가?

주요 결과

• SPRP 모델은 가중치가 부여된 페이지 교체 문제에서 결정론적 2-competitive 알고리즘을 가능하게 하며, 고전적인 온라인 하한을 초월함.
• 요청별 예측(PRP)만으로는 결정론적 알고리즘에 대해 Ω(k)-competitive, 확률적 알고리즘에 대해 Ω(log k)-competitive를 달성하며, 이는 표준 온라인 하한과 일치함.
• ℓ ≤ n−k인 ℓ-strong 라운드어웨이 역시 결정론적 알고리즘에 대해 Ω(k), 확률적 알고리즘에 대해 Ω(log k)의 하한을 보이며, 표준 온라인 페이지 교체와의 향상 없음.
• ℓ ≥ n−k+1일 경우, 결정론적 알고리즘에 대해 하한이 Ω(n−ℓ)으로 떨어지고, 확률적 알고리즘에 대해선 Ω(log(n−ℓ))으로 떨어지며, 이는 더 작은 라운드어웨이에서는 수익 감소를 나타냄.
• Follow 알고리즘은 O(1)·(OPT + ℓ1)의 비용을 달성하여, 예측 오차 ℓ1에 대해 점진적인 성능 저하가 있음을 입증함.
• 캐시가 한 칸 더 넓어지지 않는 한, ℓ1에 대해 비선형 의존도를 가지면서도 상수 경쟁률을 유지하는 알고리즘은 존재하지 않음.