做了什么事
提出了一个生成人工的，内容请求trace的方法SNM。
为什么要做这个
与IRM相比
IRM：Independent reference model。N个内容(1,…,n)，这N个内容有个热度分布q(i)，而下一个请求请求的内容为i的概率与q(i)成正比。通常情况下分布q(i)为Zipf分布。
用IRM来生成人工模拟trace，有局限性，甚至可能是错误的。
在它的假设里，q(n)一直是固定的，已经出现的请求影响不到下一个请求是谁的概率。而这不符合实际情况。
与使用真实trace相比
- 真实trace的质量对结果有重要影响
- 首先需要它足够大，不够大不行
- 其实，它不能模拟某些特殊情况
使用模拟trace的好处是：对于难以取trace的场合（规模大、还没出现这种应用场景等），使用模拟trace更能有效评估scheme的作用。
当然，既然是模拟trace，就存在与现实情况有出入的可能。
IDEA
证明IRM偏差大
把真实trace按时间分成k个时间片，每个时间片里的请求打乱。
这里打乱的动机是对于很多cache策略来说，请求序列才是最终决定性能的，与请求间间隔无关。
是不是策略里考虑了时间因素的话，除了请求序列之外，请求间间隔也会决定呢？
- k越小，打乱得越均匀，越接近IRM，局部性越小
- k越大，时间局部性保留得越多，越接近真实trace。
！不论打不打乱，分不分块，这一段trace的popularity分布是固定的。
结果是k小和k大之间有相当的差距，说明同一个热度分布下，IRM模型模拟的结果与真实情况有出入。
这里也有一个结论，时间片小到一定程度的时候，时间片里的请求可以视作IRM。
之前我们讨论过，取一个间隔T，使得在这个间隔里同一个用户尽量不出现两个请求。上述时间片和这里的间隔T，是不是相似的东西呢？
SNM
每个内容的请求由一个非齐次泊松分布模拟，拥有一个寿命。
具体参数从样本trace里分析得出。
为什么要分class？
寿命长度为固定的几个数字，而不是一个内容一个长度