0 引 言

Hadoop[1-2]是一种对分析大数据的MapReduce模型的实现框架，凭借其开源、高效、高扩展性、低成本、高可靠的特性在互联网领域得到了广泛的利用。受Google文件系统启发而形成的Hadoop分布式文件系统HDFS[3]是Hadoop 底层基础框架的存储部分，由一个管理文件系统命名空间的命名节点(NameNode)和若干个数据节点(DataNode)组成。在这种主从结构分布式文件系统中，命名节点作为主节点负责管理整个文件系统的目录树，并在集群中提供集中式服务，而数据节点作为从节点负责数据的存储，配合名字节点工作。

HDFS从启动到正常运行期间，命名节点需要处理客户端、数据节点、第二命名节点的大量请求，创建并维护文件系统目录树。现阶段的HDFS只有单一的命名节点，而随着HDFS数据量不断增长，HDFS中数据节点不断增多，命名节点的性能将是整个HDFS的瓶颈。因此，需要降低NameNode的负载。

1 相关工作

解决HDFS命名节点性能问题的主要方法分为两种，一种是增加命名节点的数量，另一种是在数据节点建立缓存，减少数据节点与命名节点交互次数和访问磁盘次数。

饶磊等[7]利用一个superNameNode节点和多个NameNode节点组成一个小型的分布式NameNode系统作为HDFS的主节点，superNamenode节点负责管理所有 NameNode节点，监控所有Namenode状态并作出处理。李宽[8]利用多个NameNode并在这多个Namenode中选取一个Leader节点和一个SecondaryLeader节点组成一个NameNode集群作为整个HDFS的主节点。其中Leader节点根据选举制、终生制、世袭制原则从NameNode中选举出来。集群中的所有NameNode节点都是对等的，它们一起为HDFS提供服务。Leader节点负责监控NameNode集群的工作状态、处理集群中的节点故障。HDFS的HDFS Federation[9]使用多个相互独立的NameNode节点使得命名服务水平拓展。在HDFS Federation中的NameNode之间是联盟关系，它们之间相互独立且不需要相互协调。赵婧等[10]等提出了一种在HDFS数据节点上增加本地缓存的解决方案，实现了HDFS数据节点的本地缓存。

增加命名节点的数量需要通过某种选举机制选举一个主命名节点，并建立命名节点群，这将使整个HDFS系统复杂化，并影响系统的稳定性。而在数据节点建立缓存不能从根本上降低NameNode负载。

本文针对该现象提出一种利用LRFU[4-5]缓存替换算法在 HDFS 客户端建立本地缓存[6]的解决方案。当用户请求文件时，如果HDFS客户端已缓存该文件的元数据，则不必请求NameNode，直接从缓存中读取。由于客户端实现了NameNode部分功能，所以从功能上讲，每个HDFS客户端也是一个NameNode。

该矿石在41.41%-0.074mm磨矿细度条件下经弱磁一粗一精一扫流程选别，精矿指标较好，但尾矿品位为37.01%，较高。从该矿石物相分析结果知，褐铁矿占23.70%，假象赤铁矿占18.92%，采用的弱磁一粗一精一扫选别流程难以对这两部分的矿物进行有效回收，原矿中相当一部分褐铁矿、假象赤铁矿进入到了尾矿中，导致尾矿品位偏高。若要进一步回收，需耗费较高的加工成本，经济上不可行。

2 HDFS客户端本地缓存解决方案架构

式中：

  

图1 HDFS客户端缓存架构

缓存模块是本方案的主要模块，离线日志分析模块和定时器服务于缓存模块。缓存模块负责缓存的建立、缓存更新、缓存命中等。离线日志分析使用Hadoop中的MapReduce通过分析历史文件，更新缓存模块中部分参数，达到优化缓存模块的目的。定时器记录缓存文件缓存时间，当缓存时间达到临界值时，将其从缓存数据结构中删除，以保证缓存文件的有效性。

腹腔镜手术时间、住院天数均少于对照组,差异有统计学意义(p﹤0.05)。两组手术出血量极少,腹腔镜组切口愈合均为1甲,小切口手术有8例切口愈合为1乙。两组均无其他并发症。

3 文件读取与缓存

3.1 HDFS文件读取部分源码分析

文件在数据节点中是以块(Block)的形式存储的，一方面简化了HDFS存储子系统，使HDFS可以存储比存储节点单一磁盘大的文件。另一方面，使HDFS方便容错，有利于数据复制[11]。命名节点中维护着HDFS中两层重要的关系：每个文件对应的数据块及这些数据块对用的数据节点。命名节点启动后，读取命名空间镜像(FSImage)并加载编辑日志(FSEdit)到内存获得HDFS某时刻的第一层关系。启动数据节点时，数据节点需要和命名节点握手、注册、上报管理的数据块信息以建立HDFS中的第二层关系。启动之后，数据节点不断地向命名节点发送心跳(Heartbeat)，维护这层关系，向命名节点上报块信息并获取指令。

HDFS向用户应用提供如Java API、类Shell命令等多种接口，这样用户就可以像操作本地文件系统一样操作HDFS。当用户需要读取HDFS文件时，会在HDFS客户端(DFSClient)调用open()方法打开要读取的文件，该方法返回一个DFSInputStream对象，然后就可以通过这个对象的read()方法读取HDFS文件。DFSInputStream类的构造方法最终会调用NameNode的远程方法getBlockLocations()向命名节点请求文件的数据块信息，命名节点返回文件从指定位置起配置项{dfs.read.prefecth.size}个数据块信息，客户端将此信息保存在变量locatedBlocks中。在DFSInputStream类中，用pos成员变量保存“下一个”要数据字节在文件中的位置以支持HDFS文件随机读。当用DFSInputStream对象的read()方法读取文件的时候，首先会调用blockSeekTo()方法查找pos所指文件位置所在的数据块，如果pos所指的数据块的信息在变量locatedBlocks中，则在本地读取。反之，则需要再次调用NameNode远程方法getBlockLocations()向命名节点请求数据块信息，并将此数据块信息插入到locatedBlocks变量中。当客户端获取到数据块信息后，读取此信息，请求数据节点，读取数据块。每次从数据节点读取输入缓冲区大小数据，并更新pos的值，根据pos的值判断是否需要请求其他数据节点和调用远程NameNode方法getBlockLocations()获得其他数据块信息。输入缓冲区大小的值由配置项由{io.file.buffer.size}决定。这样，当HDFS文件读取完毕后，pos指向文件的末尾，locatedBlocks变量中保存了文件所有数据块的信息。

4.3 从相关关系角度 挖掘相关关系，摆脱因果思维的局限，是大数据技术最具价值的部分之一，是从无到有的突破。谷歌成功预测2009年全球H1N1流感发生就是典型案例，通过挖掘“治疗咳嗽和发热药物”词条的变化趋势，得出流感在时间和空间上的相互关系，并与美国疾控中心的记录数据进行对比，在甲型H1N1流感暴发几周前，成功预测了流感暴发[11]。

本文利用此特点，在HDFS读取文件后，如果locatedBlocks变量中保存了文件完整的数据块信息，则将此信息缓存在HDFS客户端。当客户端下次需要访问此文件时，不必从命名节点那里请求数据块信息，而直接从本地读取。不仅降低了命名节点的负载，而且提高了文件的访问效率。

3.2 HDFS客户端建立本地缓存后文件读取步骤

HDFS客户端建立缓存后，文件读取步骤如下：

整合与集成建筑经济.城投公司把政府对基本建设的法规、政策内化于心，把项目前期、设计、施工、监理、项目验收、财务决算等阶段加以整合与集成.城投未来的经济模式应是建筑经济集成之路.

步骤2 HDFS客户端向命名节点获取文件的访问权并调用getBlockLocations()获得部分文件对应的数据节点信息，更新locatedBlocks变量。

步骤3 读取变量pos当前的值，若pos的值不位于变量locatedBlocks中所有的数据块中时，转向步骤2。否则，从变量locatedBlocks中选择合适的数据节点，建立连接，并转向步骤4。

步骤4 从连接的数据节点不断读取配置项{io.file.buffer.size}个字节数据到内存，并更新pos变量。当变量pos的值超出该节点所存储的数据块时，若其值不小于文件的长度时，转向步骤5，否则转向步骤3。

步骤5 根据LRUF缓存替换策略，更新缓存模块。如图2所示。

  

图2 文件读取流程

桦木酸可以通过抑制多发性骨髓瘤细胞自噬流的通畅杀伤癌细胞[22]。而口腔鳞癌中发现，和厚朴酚通过促进自噬流的通畅抑制癌细胞的增殖活力[23]。因此，不同天然化合物对自噬流的促进或阻断往往在不同肿瘤中发挥抗癌作用。由此可见，对于肿瘤细胞而言，自噬流的通畅是一把双刃剑。讨论自噬流与肿瘤之间的关系，往往需要考虑到肿瘤的具体类型与肿瘤发生的具体阶段，而不只是简单的一概而论[24-25]。

LFU(Least Frequently Used)[12]和LRU(Least Recently Used)[13-14]是两种最常用的缓存替换策略[15]。LFU是基于“如果一个数据在最近一段时间内使用次数很少，那么在将来一段时间内被使用的可能性也很小”的思路，而LRU的核心思想是“如果数据最近被访问过，那么将来被访问的几率也更高”。在这两种看起来毫无关联的策略之间却存在着LFU和LRU分别是极端值的缓存替换策略，这就是LRFU(Least Recently/Frequently Used)缓存替换策略。LRFU通过用一个控制参数 灵活地权衡LFU和LRU在替换策略中的比重。 的变化范围是0到1。一方面，如果 越接近0，LRFU 缓存替换策略就越靠近LFU缓存替换策略。最终当 等于0时，LRFU 缓存替换策略就是简单的LFU缓存替换策略。另一方面，如果 越接近1，LRFU 缓存替换策略就越靠近LRU缓存替换策略。最终当 等于1时，LRFU 缓存替换策略就退化到LRU缓存替换策略。文献[6] 证明了该缓存替换策略的可行性。

在HDFS中，用户可以根据分析HDFS历史文件访问日志、HDFS特殊应用场景等来确定 的取值。

3.4 HDFS客户端本地缓存模块设计

在客户端缓存模块中用LocatedBlocksWithCRF类代表HDFS文件。该类的UML类图如图3所示。

实验中实现了客户端本地缓存的HDFS的值均取系统默认值，缓存大小均取400个LocatedBlocksWithCRF对象。

  

图3 LocatedBlocksWithCRF UML类图

该类主要有三个私有属性：该文件绝对路径src,此属性唯一区分一个HDFS文件、该文件的数据块信息blks和一个缓存模块分配给每个文件的值CRF(Combined Recency and Frequency), 缓存模块用这个值来度量该文件将来被访问的可能性。另外，属性last记录此文件上次被访问时经历过了多少个单位时间(一个单位时间对应一次访问)。

由文献[6]，文件的CRF值可由式(1)算得:

CRFlast(b)=f(0)+f(tc-LAST(b))×CRFlast(b)

(1)

HDFS客户端本地缓存解决方案主要由缓存模块、离线日志分析模块、定时器三部分组成。如图1所示。

 

(2)

LAST(b), CRFlast(b)分别表示上次访问文件b时的单位时间次数和文件b的CRF值。tc表示当前单位时间次数。结合式 (1) 和式 (2) 可知， f(0)即为当前被访问，且在此次访问之前从未被访问过的文件的CRF值。

式(1)有一个性质，在次单位时间之前访问的文件的CRF值不可能大于f(0)，此性质在文献[6]中被提出，并证明。由式(1)知，是当前被访问以前从未被访问过的文件的CRF值。所以用两个数据结构缓存LocatedBlocksWithCRF对象。一个用单链表缓存CRF值小于的LocatedBlocksWithCRF对象，另一个用小根堆缓存CRF大于f(0)的LocatedBlocksWithCRF对象。由小根堆的性质可知，堆顶对象的CRF值小于堆中所有对象的CRF值。而单链表中所有对象的CRF值小于堆中所有元素的CRF值，所以堆顶元素的CRF值又大于单链表中所有元素的CRF值。 如图4所示。

  

图4 文件缓存替换流程

在每次文件读取完毕更新缓存系统时，都新建一个LocatedBlocksWithCRF对象，用来缓存被访问过文件的数据块信息。该对象的src属性赋值为被访问文件在HDFS中的绝对路径，CRF属性为f(0)，blks为文件被访问完后DFSInputStream对象的locatedBlocks属性，last为当前单位时间次数。用LocatedBlocksWithCRF类的src属性的比较器查看该文件的数据块信息是否已被缓存。若该文件的数据块信息未被缓存(既不在链表中，也不再堆中)，则进行如下步骤：

2.3 指导学生制作个人简历，分享成功应聘技巧。高校辅导员作为过来人必然有一些制作个人简历及应聘的技巧，应毫无保留的与学生分享和探讨。如笔者就经常与学生探讨在互联网时代如何巧妙利用网络平台为就业服务。以通过电子邮件投递个人简历为例，首先，主题应在尽量简洁的情况下明确应聘者姓名、联系方式及应聘职位，便于招聘人员明确应聘者求职意向与其联系；其次，邮件投递时间应尽量靠近招聘截止日期，这个做法是为了使招聘人员在大量邮件中尽早接触到应聘者的邮件，在还未产生审阅疲劳前可了解到应聘者的信息。

步骤1 替换掉链表尾部的一个元素。

步骤2 堆顶元素降级到链表的首部。

步骤3 新块插入到堆顶部。

花生种出来卖不出去，能卖也卖不上好价钱，原因是没有配套的深加工厂。孙孟全决定，带动并引领农民通过种花生来致富，把山东的好油、农民的花生卖到全国去。

步骤4 调整堆，使其满足小根堆性质。

本实验使用的指标：客户端调用远程方法getBlockLocations()请求NameNode的次数。在本实验中，NameNode负载只考虑由访问文件而请求NameNode的请求量，由于HDFS客户端和实现了客户端本地缓存的HDFS均需维护原数据，连接数据节点等工作，所以这部分负载不作考虑。

步骤1 HDFS客户端通过java API 、C、类Shell等接口接收到用户读取文件请求。并查看所请求的文件是否已缓存，若已缓存，则向命名节点取得文件的访问权。得到文件访问权后，向命名节点查询文件块信息有无变更。若无变更，则直接将缓存的文件对应的数据节点信息赋值给locatedBlocks变量，进行步骤3。若文件块信息变更或文件没有缓存进行步骤2。

若该文件的数据块信息位于缓存堆中，则根据式(1)用缓存LocatedBlocksWithCRF对象的CRF、last和当前时间算出新的CRF值，并用其更新新建的LocatedBlocksWithCRF对象。然后用新建的LocatedBlocksWithCRF对象替换缓存的LocatedBlocksWithCRF对象，并调整以其作为根的子树的堆，使其满足小根堆性质。若该文件的数据块信息位于缓存单链表中，则进行如下步骤：

堆顶元素降级到单链表首部。删除单链表中的该文件的LocatedBlocksWithCRF对象。根据式(1)用缓存LocatedBlocksWithCRF对象的CRF、last和当前时间算出新的CRF值，并用其更新新建的LocatedBlocksWithCRF对象。将新建LocatedBlocksWithCRF对象插入到堆顶。调整堆，使其满足小根堆性质。

4 日志分析模块

HDFS客户端缓存模块性能取决于由参数所决定的LFU和LRU在替换策略中的比重是否符合实际文件访问情况。HDFS运用的场景不同，HDFS客户端缓存模块最佳性能对应的值不同。在HDFS运行前，通过参数{io.file.cache.Lambda}来设定的值，不设定则使用系统默认值。在HDFS运行时，通过分析Web日志文件来确定合适的值。

在HDFS客户端缓存模块中用Pf(A)表示在LFU缓存替换策略中用户访问文件A后再次访问文件A的概率。计算如公式所示:

 

(3)

式中： N表示访问日志中所有文件出现的次数，Na表示访问文件A前t时间单位内文件A被访问的次数，在HDFS客户端缓存模块中t为单链表的长度与堆大小之和。LFU缓存替换策略用Pf(A)值表示文件A在将来被访问概率，Pf(A)值越大表示文件A在将来越有可能再次被访问，文件A越不可能被替换出缓存。

用Pr(A)表示在LRU缓存替换策略中用户访问文件A后再次访问文件A的概率。计算如公式所示：

 

(4)

式中： T表示访问日志总单位时间，在数值上等于所有文件出现的次数，Ta表示此次访问文件A距上次访问文件A的单位时间次数，t为单链表的长度与堆大小之和，当t-Ta小于0，则t-Ta取0。LRU缓存替换策略用Pr(A)值表示文件A在将来被访问概率，Pr(A)值越大表示文件A在将来越有可能再次被访问，文件A越不可能被替换出缓存。

3.3 LRUF缓存替换策略

在HDFS客户端缓存模块更新缓存并根据LRFU缓存替换算法替换出缓存中文件时，比较被替换出文件的Pf值和Pr值大小，若其Pf值较大说明LRU缓存替换策略更适合此场景，LFU缓存替换策略在此场景下的比重应当比LRU缓存替换策略小些。在Pf值大于Pr值1 000此时，将λ值加0.001。反之，在Pf值小于Pr值1 000此时，将λ值减0.001。这样通过将分析日志得出的结构反馈到值上，提高HDFS客户端缓存模块的命中率，使HDFS客户端缓存模块具有实时性。

试验采用荷载-位移混合加载方法进行加载。试验前对节点试件进行预加载，之后将轴向荷载加至设计值并保持恒定，直至试验结束；水平荷载通过水平作动器施加，试验加载参考我国《建筑抗震试验方法规程》(JGJ101-2015)[9]进行，试件屈服前，采用荷载控制并分级加载，屈服后采用位移循环加载，直至试件承载力下降至其峰值荷载的85%，试验结束。

5 实验与分析

5.1 实验环境

本实验环境基于4个节点的Hadoop集群，其中NameNode配置为4 GB内存，AMD Athlon(tm) X4 740 Quad 3.20 GHz， 1 TB硬盘。3个dataNode是2 GB内存，Intel Core i5-6200U CPU 2.30 GHz，2 TB硬盘。

每个节点的操作系统都是Centos 7，Hadoop版本2.7.3，Java版本1.8.0，HDFS副本数为3，HDFS块大小是32 MB。

本刊现被美国《化学文摘》(CA核心)、荷兰《文摘与引文数据库》(Scopus)、美国“乌利希国际期刊指南”、英国《英联邦农业和生物科学文摘》(CAB Abstracts)、英国《全球健康》、英国《皇家化学学会系列文摘》(RSC)、俄罗斯《文摘杂志》(PЖ)等国外数据库收录；被“中国科学引文数据库(CSCD)”核心库、“中文核心期刊” “中国科技核心期刊”“RCCSE中国核心学术期刊(A)”“中国农业核心期刊”“中国期刊全文数据库”“中国学术期刊综合评价数据库”“万方数据——数字化期刊群”“中文科技期刊数据库”“中国核心期刊(遴选)数据库”《中国学术期刊文摘》等国内10多种大型刊库收录。

翟大姐如今已经踏入农资行业20年了。她最大的乐趣就是听她的用户去她的店里“显摆”。“我今年玉米打了3万多斤啊，我今年小麦打了4万多斤啊……”“那时候一看见他们的笑脸我就特别开心。”翟大姐在向记者讲述自己的乐趣时，自己的脸上也同样洋溢起了幸福的微笑。

5.2 NameNode负载测试

我腿脚发软地跟着他们走上咿咿呀呀作响的小木桥。我该怎么办？我该怎么办？我一遍又一遍地问惊慌失措的自己。平时我自信自己是一个挺有主见的主儿，但在那天的那一刻，我才发现，自己其实很不怎么样的。

在访问日志中随机选取一个时间点作为访问的起始点，使用HDFS以及实现了客户端本地缓存的HDFS分别根据访问日志分别访问2 000、4 000、6 000、8 000和10 000个文件，并记录客户端调用远程方法getBlockLocations()的次数，结果如图5所示。

步骤3：进入段模式，如果发射机有可用的邻居，那么使用算法2中的贪婪机会转发GOF策略选择中继跳转，根据上述的公式计算递交率.

  

图5 HDFS与实现了客户端本地缓存HDFS请求NameNode次数对比

从图5中可以看到，HDFS随着访问文件的次数增加，调用远程方法getBlockLocations()的次数呈线性增加。而实现了客户端本地缓存的HDFS随着访问文件次数的增加，调用远程方法getBlockLocations()的次数开始也会增加，而之后的变化趋势较为平缓。实验结果说明了本地缓存的客户端能明显减少对NameNode的请求量，从而降低了NameNode的负载。

5.3 缓存命中率测试

为模仿不同的场景，首先使用LRFU缓存替换策略，在访问日志中选取8个相距较远的访问时间作为访问点，并分别从这些访问点开始根据访问日志访问2 000个文件，同时记录从缓存中读取文件块信息的文件数，算出访问命中率。然后使用LRU和LFU缓存替换策略以相同的方法，分别再次实验。实验结果如图6所示。

  

图6 LRFU与LRU、LFU缓存替换策略命中率对比

从图6中可以看出，LRU和LFU缓存替换策略从不同的访问点访问文件的命中率折线具有波动，命中率不如LRFU缓存替换策略高。而LRFU缓存替换策略命中率折现较为平缓。说明LRFU缓存替换策略对不同的场景具有自适应性。

萧飞羽无意与太极虎侃谈，他对安和庄所属淡淡地道：“剑组招呼太极虎，刀组对灰衣，成龙应对鬼算盘，其他人跟我来。”他瞅了一眼天问大师和紫阳道长。

5.4 文件访问时间测试

在访问日志中随机选取一个时间点作为访问的起始点，使用HDFS以及实现了客户端本地缓存的HDFS分别根据访问日志分别访问2 000、4 000、6 000、8 000和10 000个文件，记录每次实验的访问时间。实验结果如图7所示。

  

图7 HDFS与实现了客户端本地缓存HDFS文件访问时间对比

从图7可以看出，客户端本地缓存的HDFS速度比HDFS快，证明了实现了客户端本地缓存的HDFS能提高访问效率。

6 结 语

本文基于Master/Slave主从构架设计的HDFS中单个NameNode造成的性能瓶颈问题，提出了一种由每个HDFS客户端在某些功能上充当NameNode，分担NameNode部分任务的思想。并基于该思想设计实现了在HDFS客户端中根据LRFU缓存替换策略建立文件元数据缓存，得到如下结论：

1) 该方案减少HDFS客户端对NameNode请求量，一方面减少分布式系统中网络流量，另一方面减轻单个NameNode的负载，从而达到优化HDFS性能的目的。

2) 该方案对场景具有自适应性。在不同的场景中，HDFS客户端通过分析文件访问日志来权衡LFU和LRU在替换策略中的比重，使其更符合当时的场景，保持较高的缓存命中率。

参考文献

[1] White T. Hadoop:The Definitive Guide[M]． California:O’Reilly Media，inc．，2015:1-4.

[2] Melorose J，Perroy R，Careas S．Hadoop definitive guide[M]．Chicago:Yahoo！Press，2015:1-4.

[3] Honnutagi P S．The Hadoop distributed file system[J]．International Journal of Computer Science & Information Technology，2014，5 (5):6238-6243.

[4] Lee D，Choi J，Kim J H，et al．LRFU:A Spectrum of Policies that Subsumes the Least Recently Used and Least Frequently Used Policies[J]．Computers IEEE Transactions on，2013，50(12):1352-1361.

[5] Bai S，Bai X，Che X，Window‐LRFU:a cache replacement policy subsumes the LRU and window‐LFU policies[J]．Concurrency & Computation Practice & Experience，2016，28(9):2670-2684.

[6] Wang C Y，Huang T E，Huang Y T，et al．An Inter-framework Cache for Diverse Data-Intensive Computing Environments[C]//IEEE International Conference on Smart City/socialcom/sustaincom．IEEE，2016:944-949.

[7] 饶磊，杨凡德，刘东．基于分布式NameNode节点的HDFS优化研究[C]//全国信号和智能信息处理与应用学术会议，2014:450-453.

[8] 李宽．基于HDFS的分布式NameNode节点模型研究[D]．广州:华南理工大学，2011.

[9] Aishwarya K，Arvind R A，Sreevatson M C，et al．Efficient prefetching technique for storage of heterogeneous small files in Hadoop Distributed File System Federation[C]//Fifth International Conference on Advanced Computing．IEEE，2014:523-530.

[10] 赵婧，王洪波，程时端．HDFS 数据节点本地缓存的设计与实现[EB/OL].http://www.paper.edu.cn/releasepaper/content/201112-98.

[11] 蔡斌，陈湘萍．Hadoop:技术内幕深入解析Hadoop Common和HDFS架构设计与实现原理[M]．北京:机械工业出版社，2013:218-219.

[12] Einziger G,Friedman R.TinyLFU:A Highly Efficient Cache Admission Policy[C]//Euromicro International Conference on Parallel, Distributed and Network-Based Processing. IEEE, 2014:146-153.

[13] Dan A，Towsley D．An Approximate Analysis of the LRU and FIFO Buffer Replacement Schemes[J]．ACM Sigmetrics Performance Evaluation Review，1990，18(1):143-152.

[14] Hai J，Kai H. Efficient LRU Algorithm for Cache Scheduling in a Disk Array System[J]．International Journal of Computers & Applications，2015，22(3):134-139.

[15] Rexha G，Elmazi E，Tafa I．A Comparison of Three Page Replacement Algorithms:FIFO，LRU and Optimal[J]．Epl， 2015，28(7):465-469.