Árboles de decisión adaptativos en políticas de admisión a caché

Abstract

Millones de consultas son procesadas diariamente por los motores de búsqueda web. En éstos la utilización de memoria caché es crucial para reducir el tiempo de respuesta y aumentar el rendimiento. En la literatura, diversos autores han propuesto la utilización de técnicas de aprendizaje automático para aumentar la e ficiencia de la caché. Hasta el momento, los trabajos en el área consisten en la utilización de algoritmos con funcionamiento por lote para gestionar las políticas de diferentes niveles de caché. Estos algoritmos construyen modelos estáticos que reducen su efectividad ante cambios en la distribución de los datos de entrada. Por otro lado, la investigación en el área de minería de flujos de datos ha aportado nuevos algoritmos, técnicas y plataformas para hacer frente a ambientes con generación continua de datos, altas tasas de arribo y elevados niveles de fluctuación en éstas, características que a su vez de finen a la resolución de consultas en motores de búsqueda web. Basado en esto, se propone la utilización de un árbol de decisión adaptativo para generar reglas que permiten predecir futuras apariciones de las consultas. El rendimiento del mismo es comparado contra un árbol de decisión estático clásico mostrando las ventajas de reconocer dinámicamente patrones que identifi can consultas frecuentes.