一篇值得好好研究的cache buffer置換策略論文，一個星期的時間翻譯。
DULO:一種利用時間和空間局部性的高效緩存置換策略
摘要：
磁盤上的被請求的塊的Sequentiality，即他們的spatial locality，對於磁盤的效率是非常的關鍵的，因爲磁盤的throughput在訪問順序塊時會一階的高於訪問隨機塊。不幸的是，塊的spatial locality被大大的忽略了，只有temporal locality在緩存管理中被考慮。因此，不是以sequential訪問爲主導的磁盤工作效率會被大大削弱。爲了解決這個問題，我們提出一種叫做DULO的策略(Dual Locality)，在緩存管理中temporal和spatial locality。平衡了buffer cache的filtering effect後，DULO可以通過使傳遞到磁盤的請求更sequential，來影響I/O request stream，進而顯著提高I/O scheduling和prefetching的效率。
DULO已經通過trace-driven模擬 和在linux2.6.11中的prototype實現被廣泛證實。在模擬和系統測量中，各種application的工作量都被測試過，包括WebServer，TPC 基準，和科學程序。我們的實驗顯示DULO可以顯著提高系統throughput，減少程序的運行時間。
1. 說明
硬盤驅動器是最通用的賦存設備，它們支持文件訪問和virtual memory。容量增長的符合了急劇增長的數據存儲需求，但它的electromechanical （機電）本質導致它的效率改善遠遠落後於處理器的速度改善。明顯的磁盤瓶頸在現在的計算機系統中在惡化，但硬盤作爲主流輔存的角色在可以預見的未來是不會改變的，然而application對磁盤數據的請求繼續增長。
磁盤的效率被機械操作所限制，包括disk platterrotation（spinning）和disk arm movement（seeking）。Disk head必須通過seeking到達正確的track，通過spinning到達正確的sector，來讀寫想要的數據。在這兩個動作之間，硬盤驅動器的部件影響了效率，disk arm是Achille’sHeel。因爲actuator必須通過一系列動作包括acceleration，coast，deceleration，settle精確移動arm到想要的track。因此，訪問同一個track上的sequential block與訪問幾個random block會有一個更大的磁盤throughput.
目前有幾種共同打破disk瓶頸的方法。一種是通過memory caching降低磁盤訪問。通過使用replacement 算法來利用數據訪問的temporal locality，因爲被訪問的數據在不久的將來會被再次訪問，磁盤訪問request沒有實際上傳遞到disk就被滿足了，爲了減小磁盤活動，所有當前的replacement算法都是把減少block miss作爲唯一目標。但是這會成爲一種誤導的準則，可能不能精確地反映怔怔的系統效率。例如，disk seeking被考慮後，請求10個sequential disk block會比請求3個random disk blocks更快。改善真正系統的效率，spatial locality必須被考慮，它可以一階的改變磁盤效率。但是，在當前的緩存管理中spatial locality 不幸的被忽略了，這篇paper的context中，spatial locality 特指接連不斷的requested block的replacement 形成的sequentiality。
另一種打破瓶頸的方法是降低disk arm seeks通過I/O request scheduling。I/O scheduler記錄block的requeste queue上的掛起請求 到一個dispatching order，能得到一個最小的seeks和最大的global disk throughput。作爲例子的Schedulers包括Shortesst-Seek-Time-First（SSTF），CSCAN，以及 Deadline 和被當前Linux Kernel接受的 anticipatory I/O schedulers.
第三個方法是prefetching。Prefetching manager 通過一個進程打開的文件預測未來的request patterns 。如果一個sequential access pattern 被探測到，那麼PM 代表process對當前on-demand的下一個blocks發出requests。因爲文件通常順序放置在磁盤上，所以那麼些prefetching request在幾次disk seeks後就會被迅速滿足。
儘管I/O scheduling 和prefetching可以有效地利用spatial locality並且可以戲劇性的改善那些工作量主要爲sequential access的disk throughput，它們處理混雜着sequential和random access的能力，比如web service，database，和科學計算application，是非常有限的。這是因爲兩種schemes都在一個低於buffer cache的等級上。儘管buffer cache 直接從應用接受I/O requests並且有能力把requests變成需要的I/O requests stream，I/O scheduling和prefetching只能在那些由buffer cache傳來的request stream並且recatch在buffer cache management中丟失的opportunity的能力非常有限。因此，在最壞的情況下，一個充滿random access的stream阻止I/O scheduling和prefetching來幫忙，因爲沒有spatial locality可以供他們利用。
聯繫到失去了利用spatial locality的能力，我們減弱disk瓶頸的方法是一種能利用temporal和spatial locality新的buffer cache management scheme，我們可以叫這種Dual locality scheme DULO。DULO 通過跟蹤和利用in-memory pages中的disk placement在操作系統的caching component中引入了dual locality，我們的目標是最大化磁盤提供的I/O request的sequentiality。爲了這個目的，我們優先考慮在cache中的random blocks，因爲temporal locality與random blocks相當的sequential blocks首先被替換。由於cache在I/O requests上的filtering effects，我們影響application的I/O requests使更多的sequential block request和更少的random block request傳遞到磁盤。磁盤就可以通過更多的spatial locality來高效的處理request。
2dual locality caching
2.1 一個描述性例子
爲了描述當配備了dual locality能力後傳統caching scheme的不同，讓我們考慮一個混合了sequential和random blocks的reference stream的例子。被訪問過的塊中，我們假定塊A，B，C，和D是散佈在不同的track中的隨機塊。塊X1,X2,X3和X4以及塊Y1,Y2,Y3和Y4是位於各自tracks上的sequential block。此外，兩個各自由由塊X1,X2,X3，X4和塊Y1,Y2,Y3，Y4組成的不同的文件。假設buffer cache有足夠八個block的空間。我們假定應用了LRU replacement 算法和一個類Linux的prefetching 策略。在這個簡單的描述中，我們用了average seek time來代表任何一個seek operation的花費，並且使用average rotation time來代表任何一個rotation operation的花費。我們忽略了其他微不足道的花費，比如read和transfer時間。6.5ms的average seek time和3.0ms的average rotation time來自Hitachi Ultrastar 18ZX 10K RPM drive。
Table1顯示了reference stream和正在發生的cache states的改變，以及花費在每次傳統caching和prefetching策略下的訪問與dual locality conscious alternative。在第5次訪問中，prefetching被激活並且所有的四個sequential blocks被取到，因爲prefetcher知道了reference（to block X1）是從文件頭部開始的。兩種策略Cache states的不同點是傳統的按照嚴格的LRU order列出了塊，然而dual 重新安排了block並且把隨機塊放到隊列的MRUend。所以，當第九次訪問引發一個four-block prefetching時，4個random blocks A,B,C和D在traditional中被替換，然而sequential blocks X1,X2,X3和X4在dual中被替換。這兩種選擇的後果是兩個不同的miss streams轉變成real disk request。對於traditional來說，來自第17次訪問的{A,B,C,D}，一個4 random block 磁盤request stream，總時間花費是95.0ms。對於dual，來自第13次訪問的{X1,X2,X3,X4}，一個four sequential blocks，總的時間花費只有66.5ms。
如果我們不使用prefetching，這兩個策略有同樣數量的misses。使用prefetching，traditional有10個miss，但是dual只有7個miss，這是因爲dual產生了更高質量的I/O request（包括了更多的sequential accesses）來提供更多的prefetching opportunity。
2.2dual locality的挑戰
Cache management中引入dual locality帶來了traditional所不存在的挑戰，並且在上面簡單的描述性例子中都很明顯。
在當前的cache management中，replacement算法只考慮temporal locality（LRU下隊列中的位置）來做出一個替換決定。但是引入了spatial locality後不得不使temporal localit的在替換決定中的權重做出妥協，Temporal locality的角色必須在決定中有作用。Table1中的例子,通過根據weak spatiall locality（weak sequentiality）把他們放到隊列的MRU end我們給了random blocks A，B，C，D更多的停留在cache中的權利，儘管他們的有很差的temporal locality（large recency）.但是，如果他們幾乎沒有被再次訪問來證明他們有足夠的temporal locality，我們肯定不能把他們永遠保存到cache中。否則，他們將會用inactive data浪費cache減少cache的效率。同樣的考慮也適用於不同size的block sequence。我們偏向於保存一個短的sequence因爲僅有少量block來緩衝幾乎一個I/O operation的固定耗費。但是，當遇到一個最近沒有被訪問的short sequence和一個最近訪問的long sequence時，我們怎麼才能做出一個replacement decision？這個挑戰是如何以最大化disk performance爲目的在temporal locality（recency）和spatial locality（sequence size）中權衡。
3DULO策略
我們現在把我們的DULO策略同時無縫利用在temporal和spatial locality中。因爲LRU或它的變種是最廣泛使用的replacement算法，我們使用LRU算法和他的數據結構-LRU stack建立DULO scheme。
在LRU中，剛被取進來的blocks進入stack top，被更換的block從stack bottom離開。在DULO中有兩個關鍵的操作：（1）forming sequence。一個sequence被定義爲各自的disk locations臨近的blocks並且在一個有限的時間內被訪問過。因爲一個sequence是從有限大小的stack segment中形成的，並且所有的block根據他們的reference進入stack，定義的第二個條件是自然被滿足的。特殊的，random block是一個大小爲1的sequence。（2）根據他們的recency（temporal locality）和size（spatial locality）來排列在LRU stack中的順序，目標是具有large recency和size的sequence放置到LRU stack的stack bottom。因爲當新的sequence加入時，sequence的recency在改變，sorted sequence的順序將會動態的被改變來反映這些變化。
3.1 Structuring LRU stack
爲了便利上述的操作，我們把LRU stack分爲兩個section。Top part被叫做staging section，用來接受新取得的block，bottom part被叫做evicting section，用來存儲sorted sequence。我們再次劃分stagin section爲兩個segment。第一個segment被叫做correlation buffer，第二個segment被叫做sequencing bank。DULO中的Correlation buffer類似於LRU-K中的correlation reference period。它的作用是過濾high frequency reference並且組織他們進入sequencing bank，爲了減少後來的operational cost。Buffer的大小是固定的。Sequencing bank來作爲一個集合來存放blocks to be sequenced，大小從0到最大值BANK_MAX.
假設我們從一個staging section只有correlation buffer（sequencing bank的大小爲0）組成的LRU stack開始，並且evicting section保存了stack剩下的部分。當一個block離開evicting section的bottom，一個block進入correlation buffer的top，correlation buffer的bottom block 進入sequencing bank。當有BANK_MAX個block離開evicting section時，sequencing bank的大小是MAX_MAX，我們refill evicting section通過取得bank裏的block，從中形成sequences，並且把他們按順序插入evicting sequences。有三個原因來維持兩個interacting section並且使用bank來完成sequences forming：（1）新被接受的block有一個buffering area爲形成potential sequences來積累。（2）同時形成的sequences必須共享一個共同的recency，因爲組成他們的block是從同一個block pool-staging section中的sequencing bank。通過限制bank大小，我們確定block recency因爲spatial locality過分妥協。（3）將要離開stack的block在evicting section中被排序，反映他們的sequentiality和recency來替換。
3.2 Block table：dual的數據結構
爲了補充traditional的spatial locality方面不足，我們在OS Kernel裏引入了叫做block table的一種數據結構。Block table結構上類似於進程地址轉換的multi-level page table。但是有明顯的不同在他們之間，因爲他們爲不同的目的：（1）page table以頁爲單位包括了進程的virtual address space，page address是table的索引，但block table以block爲單位包括了disk space，block locations是table的索引。（2）page table是用來將一個virtual address轉換爲physical address的，但block table是用來提供對於一個給定block的最近訪問次數的。（3）與block table的lookupefficiency相比，page table的lookup efficiency的要求更苛刻，因爲page table支持指令執行，而block table應用於I/O operation。那就是爲什麼一個TLB不得不用來促進page table lookup，但是block table沒有這樣一個需求。（4）每一個進程有自己的一個page table，每一個disk drive在內存中只有一個block table。
在系統中我們設置一個global variable叫做bank block，每次staging section中的bank被用來forming sequences它就嘀嗒一次。每一個bank中的block把current clock time作爲一個timestamp，來代表它最近的訪問時間。我們在相應的block disk location在block table的leaf level的entry（BTE，Page Table Entry）記錄這個timestamp。BTE結構類似於page table的PTE（Page Table Entry）。每一個BTE允許最多兩個最近訪問時間記錄在裏邊。當一個新的時間加入，如果BTE滿了，最老的時間被替換。另外，爲了更高效的管理內存空間，一個timestamp在directory level（相當於linux page table中的PGD（Page Global Directory）和PMD（Page Middle Directory））上在每一個table entry被設置。每次block table在分層查找時記錄一個訪問時間，時間也在每一個經過的directory entry中被記錄爲一個timestamp。通過這種方式，當table被當做tree來view時每一個directory entry在那些直接或不直接的children entry維持最新的timestamp。
Block table的內存consumption可以被彈性控制。當系統內存壓力大時，系統需要收回table佔據的內存，它在一個指定地clock time threshold中遍歷table。因爲最近訪問的時間記錄在directory中，一旦找到timestamp小於threshold系統會刪除一個directory，並且它之下所有的subdirectory和BTE都會被刪除。
3.3Forming sequences
一提到從一個full bank中form sequences，bank clock是一個一個遞增的。Bank中的每一個block記錄了clock time作爲clock table中的一個timestamp。然後，我們遍歷table來收集所有的由current block time的block組成的sequences。這是一個低耗費的operation，因爲block table中任意level的directory包含了它之下所有BTE的最近的timestamp。這個遍歷只進入那些包含了bank中塊的directory。爲了保證sequences的穩定性，算法決定了具有developing sequence的最後一個塊不應該與table中的下一個block合併，如果下一個block屬於一下情況之一：
1. BTE顯示當前的clock time它被訪問過。這包括了從未被訪問過的情況（例如，有一個空的timestamp field）。它屬於next block是spare的或者defective block。
2. current和next兩個block中只有一個在current clock time之前沒被訪問過(例如，只有一個timestamp)。
3. 兩個block在current clock time之前都沒有被訪問過，但他們的last access time有超過一個不同。
4. current sequence大小達到了允許最大的128，我們認爲這足夠緩衝一個disk operation耗費。
如果這些條件之一被滿足，一個完整的sequence就被form並且一個新的sequence開始被form。否則，next block成爲sequence的部分，下面的block連續被test。
3.4 DULO置換算法
DULO置換算法的設計中有兩個挑戰。
第一個是潛在的巨大開銷。在嚴格的LRU算法中，missed blocks和hit blocks都需要移到stack top。這意味着evicting section中的hit關聯了一個bank sequencing cost和一個evicting section中的sequencing ordering cost。這些附加cost會在一個幾乎沒有memory miss的系統中發生，不能被接受。事實上，嚴格的LRU算法是幾乎不被使用的，因爲與每一個memory reference聯繫過於緊密。它的變種，CLOCK置換算法，在實際上被廣泛使用。在CLOCK算法中，當一個blocks命中，只會被標誌爲一個young block，而不會被移到stack top。當一個block不得不被置換，stack bottom的block會被檢查。如果是一個young block，會被移到stack top並且young block 狀態刪除。否則，這個block被置換。CLOCK很好的模擬了LRU的行爲而且它的命中率非常接近於LRU。因爲這個原因，我們在CLOCK算法的基礎上建立DULO置換算法。也就是它推遲了一個hit block的行動直到它達到stack bottom。通過這種方式，只有block miss可以出發sequencing和evicting section refilling。與miss penalty相比較，這些耗費是非常小的。
第二個是evicting section中的sequences如何根據temporal和spatial locality被order。我們接受了一種應用於Web file caching中近似GreedyDual-Size的算法。GreedyDual-Size最初從GreedyDual中派生出來。通過考慮recency，size還有cached files的fetching cost來做出置換決策。它被證明爲在線最優算法，k（cache的size與最小文件的size的比例）-competitive。在我們的案例中，file size等同於sequences size，file fetching cost等同於一個訪問sequences的I/O operation cost。對於size變化範圍（由bank size限制）很大的sequences，我們假定他們的fetching cost是相等的。我們的算法將來必要時可以改變來適應這種cost變化。
DULO算法爲每一個sequence關聯一個value H，一個相對較小的數值表示將會被首先evicte。算法有一個global inflation value L，記錄了最近被evict的sequence的H value。當一個new sequences加入evicting section，H value被設置爲H（s）=L+1/size(s)，size（s）是s中block的數目。Evicting section中的sequences和LRUstack bottom中小H value的sequences根據H value排序。算法中一個大size的sequences傾向於stay在stack bottom並且首先被evict。但是，如果一個小size的sequences在相當長時間不被訪問就會被replace。因爲一個剛被admit的long sequence會由於L value有一個比較大的H value，L value會被evicted block不斷地膨脹。當所有的sequences爲random blocks（size爲1），這個算法退化爲LRU算法。
正如我們之前提到的，一旦a bank size of blocks被從evicting section中替換出後，我們用sequencing bank中的blocks來形成sequences並且通過H value來order sequences。注意所有的sequences計算H value時共享同一個L value。新order的sequence list和evicting section中的ordered sequences歸併排序，完成evicting section的refilling，staging section僅以那些
Correlation buffer結尾。
4 Performance Evaluation
我們使用trace-driven 模擬和prototype implementation來評價DULO scheme並且展示在應用的不同的access patterns引入spatial locality到置換據側中的反響。
4.1 DULO simulation
4.1.1Experiment Settings
我們建立一個模擬器來實現DULO scheme，linux prefetching policy，還有Linux Deadline I/O scheduler。我們也實現了Disksim3.0（一個精確地disk simulator），來模擬disk behavior。做的模型是Seagate ST39102LW，10KRPM，9.1GB容量。最大read/write seek time是12.2ms，average rotation time是2.99ms。我們選了五個具有代表性的request patterns的trace來驅動simulator。這裏簡單介紹這些traces。
Trace viewperf基本上全是由sequential access組成的。Trace通過運行SPEC 2000 benchmark viewperf來採集。在這個trace中，超過99%的reference都是對於幾個大文件裏的consecutive blocks。相反，trace tpc-h基本上由all-random-access組成。是由支持TPC-decision 的benchmark在MySQL database system上運行時。TPC-H的對於幾個大database file的random reference，導致了只有3%的reference在consecutive blocks中。
另外三個是混合的I/O request patterns。Trace glimpse通過使用indexing和query tool“glimpse”在usr目錄下text files中搜索text string。Trace multi1通過並行運行cscope，gcc，還有viewperf。Cscope十一哥source code examination tool，gcc是一個GNU compiler。都把Linux Kernel 2.4.20 source code作爲他們的input。Cscope和glimpse給出了一個相似的access pattern。他們各自包含了76%和%74%的sequential access。Trace multi2通過並行運行glimpse和tpc-h。multi2的sequential access比multi1少（16%對75%）。
在模擬中，我們設置sequencing bank size爲8MB，大多數情況下evicting section size爲64MB，只有demanded memory size小於80MB時，設置sequencing bank size爲4MB，evicting sequences size爲16MB。這些choices基於section 4.1.3中的parameters sensitivity studies的。在這個Evaluation中，我們比較DULO Performance和CLOCK算法。爲了普遍適用性，我們仍把它叫做LRU。
4.1.2 Evaluation Results
圖3、4顯示了LRU和DULO的caching schemes在五個workload下改變memory size時的
execution times，hit ratios，disk access sequences size distributions。因爲DULO改善系統效率的effort是來影響對disk的request的質量—sequential block access的數量(sequences size)，我們展示出運行在LRU和DULO caching scheme下五種workload的sequences size的不同。因爲這個原因，我們使用CDF curves來展示requested block出現在那些size小於一個特定threshold的sequences中的percentage。對於每一個Trace，我們選擇兩個memory size來畫相應的LRU和DULO的CDF curves。我們根據execution time figure中LRU和DULO的execution time gaps選擇memory size--一個memory size取決於small gap另一個取決於large gap。Memory size在CDF figure的圖例中有。
首先，考察Figure3,CDF curves展示了almost-all-sequential的workload viewperf，超過80%的requested block在size大於120的sequences中。儘管DULO可以增加short sequences的size，因此降低4.4%的execution time，但作用是有限的。對於almost-all-random workload tpc-h，明顯DULO不能從由純random blocks組成的application requests建立sequential disk requests。所以我們看到DULO幾乎沒有改善。
DULO對於混合requests patterns有大量的效率改善。從圖中可以觀察出。首先，sequences size的increase跟execution time和hit ratio improvement是直接關聯。我們把multi1作爲一個例子，80MB的memory size，DULO使16.1%requested blocks出現在size大於40的sequences中，而LRU是13.7%。據此，有8.5%的execution time reduction和3.8%的hit ratio increase。相反，160MB的memory size，DULO使24.9%的requested blocks出現在size大於40的sequences中，而LRU是14.0%。據此，55.3%的execution time reduction和29.5%的hit ratio increase。這個關係明顯的表明requested sequences size是一個影響disk Performance的關鍵因素，並且DULO通過增加sequences size做出了貢獻。DULO可以通過對long sequences更有效的prefetching和產生更多hits on prefetched blocks來增加hit ratio。第二，sequential access在DULO中平衡buffer cache的filtering effects時是非常重要的。我們看到DULO在glimpse和multi1中做的比較好。我們知道了glimpse和multi1有74%和75%的sequential access，而multi2中有16%的sequential access。Multi2中的小部分sequential access使DULO防止random blocks被置換的能力降低，因爲沒有足夠的sequentially accessed blocks被置換。第三，multi1在DULO中與glimpse相比有更多的pronounced Performance improvement。這個不同主要因爲DULO通過循環access pattern（大家都知道LRU在這方面做得很差）更好的利用temporal locality順便改善了LRU hit ratios。相比之下，在multi2的情況下，DULO幾乎不能改善hit ratio，但是可以客觀的降低execution time，明顯的表現出在利用spatial locality中的效率。
4.1.3 Parameter Sensitivity和overhead Study
DULO中有兩個Parameter，（最大）sequencing bank size和（最小）evicting size。這兩個size應該與workload access patterns相關聯而不是memory size，因爲他們用來manage accessed blocks的sequentiality。我們使用四個workload來研究，派出了viewperf因爲memory demand很小。
Table3 表示了execution time在不同sequencing size下的變化。我們觀察到不同access patterns的workload中，從4mb到16mb有一個最佳的bank size。原因是太small size的bank幾乎沒有機會形成long sequences。同時，bank size必須小於evicting section size。當bank size接近section size時，效率將會降低。因爲large bank size導致了evicting section被太晚refill而且導致evicting section中的random blocks不得不evicted。所以在我們的實驗中，我們選擇8mb作爲bank size。
Table4 展示了隨着不同的evicting section size，execution time的改變。明顯的，section size越大，DULO就會對section中的blocks的eviction order有更多的control，經常意味着更好的Performance。圖確實顯示了這種趨勢。與此同時，圖也顯示了一旦size超過64mb到128mb範圍，增大的evicting section發生飽和。我們的試驗中，我們選取64mb作爲section size因爲我們的workload的memory demand相對較小。
DULO的空間開銷是它的block table，它的size增長與compulsory miss的數目對應。只有一波compulsory miss可以導致table size迅速增加。但是，table space可以被系統reclaim（section3.2）。DULO的time overhead很瑣碎，因爲與miss有聯繫。我們的模擬表現了miss與一個block sequencing operation（把block放入block table並且與最近的block比較，1.7merge sort comparison operation）。
4.2 DULO的implementation
爲了展示DULO對於運行在一個modern OS上的效率改善，我們在最新的Linux Kernel 2.6.11上實現了DULO。Real system Evaluation比Trace simulation的一個好處是它可以把所有的memory usage計算在內，包括process memory還有file-mapped memory pages。例如，由於time和space耗費的限制，幾乎不可能忠實記錄所有的memory page access爲一個trace。因此，我們在模擬實驗中使用的trace只能通過system calls來反映file access activities。爲了展現一個全面綜合的DULO Evaluation，我們的Kernel implementation和system measurement有效的補充了我們的trace simulation results。
讓我們從一個簡單Linux replacement policy-LRU變體的實現開始。
4.2.1 Linux caching
linux使用了一個類似2Q replacement的LRU變體。Linux2.6 kernel把所有的process pages和file pages分爲兩個叫做active list和inactive list的LRU lists。正如名字暗示的，active list被用來store最近actively被訪問的page，inactive list用來store那些有些時間沒被access的page。一個faulted-in page經常在inactive list的tail被select。一個inactive page當被作爲一個file page訪問時進入active list（mark_page_accessed()），或者作爲一個process page訪問時，它的引用在inactive list tail被檢測。一個active page進入inactive list如果它被決定最近不被access（refill_inactive_zone()）。
4.2.2 Implementation Issues
在我們的DULO的prototype implementation中，我們不根據忠實的DULO scheme實現replace原始original linux page frame。相反，我們選擇保持existing data structure和policies基本不變，無縫的把DULO編入。我們做出這個選擇，不得不忍受一些original DULO design的compromise，來服務於一個目的，展示考慮在不改變基本replacement policy的情況下dual locality可以帶給一個existing spatial-locality-unaware系統的改善。
在linux中，我們把inactive list分成一個staging section和一個evicting section，因爲list中new block被add並且old block被replace。兩個LRU list在Linux中使用而不是DULO中假定的一個，這條站了使用一個staging section中的一個bank來form a sequence。我們知道DULO中的sequencing bank是用來連續收集accessed pages並且爲他們形成sequences的，所以sequence中的pages可以被同時requested並且被fetch sequentially。在兩個list中，剛被訪問的page和從active list中demote的最近未訪問的page可能被加入到inactive list中並且可能在the same bank中被sequence。因此，兩個spatially sequential但是temporally remote的page可能被分如一個sequence，這明顯的與section4開頭描述的sequence definition有衝突。我們通過mark那些demoted的active page並且獨立sequence每一類page來解決這個問題。明顯的，跟那些任何hit page對一個有faulted-in pages的possible sequencing是available的 的一個stack case中相比，Linux two-list structure 提供了少的機會使DULO來identify 這些sequences。