Disclosure: 我是 S3-FIFO 的作者，非常感谢你对我们工作的关注。
在你的博客中提到了我们算法是怎么选择参数和想到的，我想稍微做一些解释。

1. 我注意到 one-hit wonder 主要是因为当时发现 Segcache 里用的 FIFO-merge 算法 比 LRU 好不少，于是进行了进一步研究，发现 a) CLOCK 的命中率经常比 LRU 要高，b) 迅速驱逐新数据很重要，比如 Belady's MIN 和 state-of-the-art 会都非常快的把新数据 evict 掉，所以当时写了 hotOS 这个工作。
2. 我们后来 SOSP 的工作就是把 hotOS 里的那个 QD-LP-FIFO 做了进一步研究，因为当时有人问我，为什么 ARC 的命中率不如 QD-LP，因为它完全可以做到相同的结果。我们 SOSP 的文章主要就是研究了这个，同时做了一些实现来做更多的比较。我们发现 adaptive 算法在大数据上通常不是那么好，因为这些算法有更多的参数，比如多久 adapt，每次 adapt 多少，这些参数很难选择，对于作者 evaluate 的数据集他们的确表现很好，但是当你有6000个数据集的时候，你会发现他们经常会有 cornercase。至于参数的选择，其实并不是那么重要，我用了20个 traces 来调参，然后发现 1% 经常会太小了，尤其是对于 TinyLFU，经常 main-cache 里一个热数据就会让很多 window 里的热数据无法进入 main-cache。至于10%是不是最好，这个取决于 workload，会有一些1%更好，会有一些20%更好，10%只是取了一个中间值。我们用了两个 bits 记录访问，不过其实1个 bit 对于大部分场景都是够用的，只有 Twitter 和 social network 场景不够，因为他们是 first-layer，所以访问频率很高，大部分的 objects 都有很多次访问。
3. 我们后来把 Segcache 里的算法 generalize 了，叫做 SIEVE，我觉得这个算法很妙，没有参数，很 scalable 而且命中率很高。
4. Happy to chat more if you are interested.