这篇review针对当前基于IRM(independent reference model)存在的问题，提出了一个基于内容局部性的模型SNM（shot noise model）。

IRM

提出原因

1、 准确、有效、详细的实际存储系统的trace不利于学术分析。

2、 通常，可用的数据比较粗糙而且质量低。

内容

基于一个完整的trace，给出一个统计分布，并且把这种分布作为一种“无记忆性”的，即与时间无关。

这个模型的好处除了简单和易于处理，还有就是保守性。

Zipf’s Law

这个是基于IRM提出的一个在统计学中经常使用的规律，类似于“二八定律”。

P(r) ～r^-α,用在热度统计中就是按照热度从大到小对内容排序，排在第n位的内容被访问的概率

正比于1/n^α。

IRM的局限性

• 由于IRM是对整个trace的一个估计，所以对于那些只集中分布在某一小段的时间的内容，这个估计的分布不能很好地体现分布。
• IRM是基于热度变化不大所进行的统计估计，一旦热度变化较大，其可靠性很低。

SNM

针对IRM存在的问题，文章提出了一种基于temporal locality的SNM。

不同于IRM只记录某个内容出现的次数，SNM还记录其出现的时间以及“生命周期”（分布时间段）。

基于泊松分布对每个内容给出了popularity rate预测，P(m)=Vmλm(t-τm)。 τm为内容m刚开始出现的时间点，Vm为内容m总的请求次数，λm(t)为请求速率随时间变化的分布，在实验中假定位泊松分布。

总结

这对当前热点频出的现象，简单的IRM显然是不能准确地估计内容热度分布，SNM也是在2013年提出来的加强了对内容temporal locality的利用的一种统计估计。我觉得可以对不同类型的内容（比如微博热搜、视频网站热搜等）对统计分布进行区别，而不仅仅是泊松分布。