缓存问题是竞争分析中的基石，未加权和加权两种形式的最优随机竞争比均为 $\Theta(\log k)$，其中 $k$ 为缓存容量。本文关注加权缓存，并假设每次页面请求都伴随一个对该页面下次到达时间的预测。对于未加权缓存，完美预测即可实现 Belady 的离线最优策略；但在加权缓存中，即使在对抗性请求序列上拥有完美预测，仍然存在对数下界。仅凭随机假设也不足以突破该下界，因为经典的缓存下界同样适用于独立同分布的均匀请求。我们探讨将两类信息结合是否能够突破此障碍，并给出肯定答案。具体而言，设每一步的页面请求独立抽取自任意已知的静态分布，页面成本任意且预测完美，我们设计了一种高效的驱逐策略，使其竞争比达到 $15.75$。核心分析基于对缓存覆盖约束的事前松弛，得到最优成本的新的下界。即使预测出现误差，算法的竞争比仍能平滑退化：我们证明其上界为 $O(\min\{1+E,\log k\})$，其中 $E$ 为各页面平均预测误差的累计，可未知于算法。
点评：该工作展示了在已知请求分布且拥有每请求预测的情形下，加权缓存的竞争比可以远低于传统对数下界，并提供了对误差鲁棒性的理论保障，对实际系统的缓存调度具有重要启示。