对于每个新到的元素，我们会累计sketch的估量，并使用这些估量的平均值作为hint，指导当前的工作模式偏向哪一方(最近/最常)。以往的经验告诉我们，较低的值会偏向最常访问的负载，而较高的值会偏向最近访问的负载，而更高的值又会偏向极度频繁访问的负载。直觉上讲，如果负载偏向最常访问则访问的元素是分散的，计数器的数值相对较低；如果负载偏向最近访问，则访问的元素是相对集中的，被访问元素的计数器数值相对较高。最后，当负载具有(偏向最常访问的)较大的频率偏差时，一小部分元素的访问会非常频繁，因此这种情况下hint数值会非常高。图5展示了这种场景。
图5. 每个周期包含三个访问的场景。图5a中，每种元素在每个周期仅出现一次。由于Reset操作，频率估计总是0，因此hint等于0。图5b中，使用最近访问方式来记录访问，现在每个数值的访问估值为0，1，2.因此，指示数值等于1。图5c中，我们修改了每个数值出现的次数来描述频率偏差，第一个周期的估值变为0，1，0，其他周期的估值为1，2，0，hint值为0.77。
为了区分(大)频率偏差和(高度)最近访问的影响，我们使用其他机制来评估分布偏差。众所周知，当在轴是元素等级和频率的log-log图中绘制Zipf分布的元素时，结果是一条直线，该直线的斜率是频率偏差(skew)参数。在每个配置周期内，我们会汇集最常访问的元素，并通过在这些项目的log-log值上执行线性回归来计算偏差估值。这种计算不会太频繁(即，每一百乘以缓存大小次数)，也更实际。
我们结合hint数值和频率偏差估计(skew)来构造我们期望的指示器，如下：
\[indicator ≜ \frac{hint ·\left(1 − min\left\{1,skew^3\right\}\right)}{maxFre} \]