协同缓存怎样把局部请求转化为联合学习目标？

Table of Contents

协同缓存需要把访问路径、容量和学习目标连成一条因果链：缓存使一部分请求走较短路径；缓存决策影响命中；有限空间使选择发生冲突；学习策略据此决定保留什么。

TDC-Cache给出一个公开案例：在用户和存储之间加入 oracle 缓存层，命中直接返回，未命中时查找、下载并更新缓存；局部观测和缓存动作进入多智能体学习。

从命中率到时延
#

以下是用来理解该问题的简化推导，不能替代完整系统模型。设请求量为 $n_m$ 、命中数为 $c_m$ ，总请求数非零，则

H=\frac{\sum_m c_m}{\sum_m n_m} =\sum_m\frac{n_m}{\sum_j n_j}H_m,\qquad H_m=\frac{c_m}{n_m}.

无请求的节点从这项加权平均中省略。在固定请求量下，提高某个局部命中率会提高总命中率；当命中和未命中的单位代价分别固定为 $D_h<D_m$ 时，平均时延为 $HD_h+(1-H)D_m$ ，随 $H$ 增大而下降。

边界同样重要：对象大小、拥塞或回源代价不同时，最大化未加权命中率未必最小化时延；路由改变请求量时，也不能固定这些权重继续推导。

上式是即时统计量的关系。长期策略还会改变未来缓存状态，联合动作也可能有耦合约束。因此，它本身不足以推出“所有局部贪心动作组成全局最优策略”。需要另行检查QMIX 的单调价值分解条件。

论文 III–V 将架构、模型和学习机制连接起来；VIII 的实验提供特定负载下的比较。学习为何有效、在什么分布下失效，应通过独立的测试与反例回答。

学习更新的共识处理参与者如何接受更新，与缓存策略本身的收益保证是不同问题。

2026-10-12：将“命中率单调性已经证明学习算法全局最优”的理解收窄为上述条件化推导；这是 AI 候选修订，尚未获用户确认。待检验条件见证据与保证。