PCC拥塞控制算法有什么新的突破
包括BBR在内的所有常见的拥塞控制算法都基于下面的策略：
- 对特定的网络事件实施特定的动作。
比如检测到丢包后窗口减半，RTT变大后排空buffer等等，这些事件和动作的对应关系都是固定的，即便是非拥塞导致的事件，这些算法依然要采取相应的动作。
比如对于CUBIC，即便一个噪声丢包被监测到，窗口依然要降20%，这显然不合理。BBR要好很多，但它还是需要周期性进入ProbeRTT，同时BBR依然对独立丢包事件有所反应，要么这种反应过于保守，要么过于激进，很难兼顾低重传率和高带宽利用率。
互联网本身就是统计复用的，状态特征瞬息万变，事件触发原因错综复杂，根本不存在事件和原因的固定关联，也就不存在事件和动作的固定映射。指望这种固定映射的拥塞控制效果，可想而知。
PCC提出一种持续自学习的方法，不再对特定网络事件作出特定反应，而是将所有回馈数据作为变量交给一个效能函数UUU来处理，效能函数UUU会返回一个得分，分数越高，表明这组数据表征的网络状况越好。只要选择合适的效能函数UUU，PCC便可以同时兼顾高带宽利用率以及高公平性。
我不喜欢把paper重新解释一遍，详情参考：
https://www.usenix.org/system/files/conference/nsdi15/nsdi15-paper-dong.pdf
这里面比较有意思的是如何确定效能函数UUU，简单谈一下我的想法。
效能包括两部分，正效能和负效能，总的效能是两部分相加，如果追求高带宽低时延低丢包，设TTT为测量带宽，RTTRTTRTT为时延，losslossloss为当前检测到的丢包，那么效能函数可以表示成：
U(T,RTT,loss)=f(T)+g(dRTTdt)+k(loss)U(T,RTT,loss)=f(T)+g(\dfrac{dRTT}{dt})+k(loss)U(T,RTT,loss)=f(T)+g(dtdRTT)+k(loss)
其中：
- f(x)f(x)f(x)表示正效能，为单调递增函数。
- g(x)g(x)g(x)既可以表示正效能也可以表示负效能，它穿过第二象限，原点，第四象限的单调递减函数。
- k(x)k(x)k(x)表示负效能，为单调递减函数。
f(x)f(x)f(x)和k(x)k(x)k(x)没得说，关键是g(x)g(x)g(x)，单纯RTT的绝对值没有意义，因此用RTT的变化作为变量，如果RTT迅速变大，那肯定不是好事，反过来，如果RTT缓慢变小，那肯定是加分项，但加分值显然不如RTT迅速变小。
以上原则保证了每一条PCC流均向最高效能逼近。很神奇的是，所有的PCC流看起来都是自私地逼近自己的最优点，但全局来看，所有的流最终竟然还能收敛到公平，虽然我没有实测这个结论，但这仍然是最吸引我的地方。
现在的问题是，f(x)f(x)f(x)，g(x)g(x)g(x)，k(x)k(x)k(x)还要满足什么原则，能保证公平性呢？
这是一个复杂的数学问题，但还是可以简单介绍一下基本原理。关键点在于负效能的引入，会对每一次收益扣除相应的代价。
将公平性定义为占用buffer的比例是合理的，在此假设下，从2条流的公平性开始。
如果一条流占据buffer不超过0.5，那么它的正效能将大于负效能，反之如果一条流占据了超过0.5的buffer，那么它的负效能将大于正效能，当正好占据0.5的buffer时，正效能和负效能正好相等，在上述原则约束下，可以绘制出一族满足条件的UUU。显然，如果一条流占据buffer不足0.5时，它倾向于被正效能引导占据更多的buffer，反之则被负效能引导释放更多的buffer，最终两条流各占一半的buffer。
现在推而广之，3条流的13\dfrac{1}{3}31占比，4条流的14\dfrac{1}{4}41占比…n条流的1n\dfrac{1}{n}n1占比。只需要在绘制出来的第n族UUU曲线中，找到一条同时最佳拟合所有n族曲线任意一条的曲线即可，其关于f(x)f(x)f(x)，g(x)g(x)g(x)，k(x)k(x)k(x)的表达式，就是最终的UUU。
假设这个UUU已经存在，实施PCC就变得自然而然。需要做的仅仅是以不同的发送速率不断探测，通过将回馈的结果灌入UUU函数来为该发送速率打分，以此方法慢慢逼近最优发送速率。
PCC paper建议的探测方法是：
- 以r1=r(1+ε)r_1=r(1+\varepsilon)r1=r(1+ε)和r2=r(1−ε)r_2=r(1-\varepsilon)r2=r(1−ε)在packet round之间交替探测，其中rrr为当前实际速率，ε\varepsilonε为一个比较小的探测步长。小步才能快跑，步子大了容易扯到蛋。
- 获取r1r_1r1和r2r_2r2的回馈R1R_1R1和R2R_2R2，分别计算U(R1)U(R_1)U(R1)和U(R2)U(R_2)U(R2)。
- 若U(R1)>U(R2)U(R_1)>U(R_2)U(R1)>U(R2)，则r=r1r=r_1r=r1，反之r=r2r=r_2r=r2.
但这显然不是唯一的方式，如何探测并不是最重要的。
PCC指出了端到端拥塞控制的终极方案，即探测，无论Reno/CUBIC，BBR，还是PCC，事实上都是在探测，Reno/CUBIC以一个AIMD周期来探测，最终探测到一个丢包作为buffer overflow的标志，BBR以8个packet rounds来探测，以获取空余带宽，同时以10s为周期探测以获取RTprop。PCC将所有的这些探测目标体现在单独的一次探测中，所以PCC理论上可以持续学习，以逼近最优解。
无论实际效果如何，PCC是一个新的方向。
BBR通过巧妙分割ProbeBW和ProbeRTT周期以确保探测正交性：
- ProbeBW时，其RTT是RTprop，在up probe造成排队时，drain to target会排出多余的包。
- ProbeRTT时，排空buffer，但max bandwidth依然维持在max-win-filter中。
然而该分割仅针对全网BBR的场景，当面对异构网络与其它CC流共存时，上述的正交性便无法得到保证，10s太久，8个rounds可能也不灵敏，buffer可能并非BBR流填充的，此时如何应对，事情就会变得复杂，BBRv2简直就是妥协的产物，面目已全非。
PCC将正交性融合在了一个单独的效能函数中，每一个round就能获得一个效能结果，事件不会再被探测周期淹没，探测周期可能仅仅为了低通滤波的目的而继续存在。
端到端的拥塞控制，很简单也很难，简单在只需要探测，难在如何探测。
在此前的多年，我和同事一直都在聊如何从一些测量量的导数，二阶导数看到些变化趋势或者可以指导如何反应的实时动态，但并不易，难在实现而不是思路，除了四则混合运算，额外开方，求导，积分，自然对数，这些真的很难，即便是除法，也很难保证精度，我们无法做到快速验证，大多数时候也就只能纸上谈兵了。
浙江温州皮鞋湿，下雨进水不会胖。
PCC拥塞控制算法有什么新的突破相关推荐
- webrtc拥塞控制算法对比-GCC vs BBR vs PCC
1.前言 现有集成在webrtc中的拥塞控制算法有三种, 分别是: 谷歌自研发的gcc, 谷歌自研发的BBR算法, 斯坦福大学提出的基于机器学习凸优化的PCC算法. 本文将探讨一下三个算法的区别和优缺 ...
- 「深度好文」TCP BBR拥塞控制算法深度解析
linux服务器开发相关视频解析: tcpip,accept,11个状态,细枝末节的秘密,还有哪些你不知道 徒手实现网络协议栈,请准备好环境,一起来写代码 c/c++ linux服务器开发学习地址:c ...
- 如何写一个好的拥塞控制算法
随手写点感想. 有人说CUBIC带宽利用率低,有人说BBR存在这样那样的问题,于是很多魔改版本纷至沓来,于是各式各样的实验室CC寒武纪大爆发,最终还是出不了实验室,最终还是这样那样的问题. 问题的根源 ...
- 来自Google的TCP BBR拥塞控制算法解析
写本文的初衷一部分来自于工作,更多的来自于发现国内几乎还没有中文版的关于TCP bbr算法的文章,我想抢个沙发.本文写于2016/10/15! 本文的写作方式可能稍有不同,之前很多关于 ...
- Google的TCP BBR拥塞控制算法深度解析
原作者:dog250,授权发布 重新整理:极客重生 hi ,大家好,今天推荐一篇我认为在TCP BBR技术里面分析非常透彻的文章,希望大家可以学习到一些真正的知识,理解其背后的设计原理,才能应对各种面 ...
- 个人感悟—来自Google的TCP BBR拥塞控制算法解析
地址:TCR BBR拥塞控制算法另类解析 写本文的初衷一部分来自于工作,更多的来自于发现国内几乎还没有中文版的关于TCP bbr算法的文章,我想抢个沙发.本文写于2016/10/15! 本文的写作方式 ...
- TCP拥塞控制算法内核实现剖析（二）
内核版本:2.6.37 主要源文件:linux-2.6.37/ net/ ipv4/ tcp_bic.c 本文主要分析BIC算法实现 ================================= ...
- 面试热点|理解TCP/IP传输层拥塞控制算法
来自:后端技术指南针 0x00.前言 这是TCP/IP协议栈系列的第二篇文章,之前的一篇理解TCP/IP协议栈之HTTP2.0感兴趣可以看下,今天一起来学习下一个热点问题. 通过本文你将了解到以下内容 ...
- Linux TCP拥塞控制算法原理解析
这里只是简单梳理TCP各版本的控制原理,对于基本的变量定义,可以参考以下链接: TCP基本拥塞控制http://blog.csdn.net/sicofield/article/details/9708 ...
最新文章
- LiveVideoStackCon 2019北京开幕 成为多媒体技术生态风向标
- 前端学习（2230）：react条件渲染实现登录二
- php手工注入拿webshell
- java 上溯造型与下塑造型
- 15.Nginx 服务器的高级配置
- denali vip使用经验
- 比特率和波特率的区别
- GEE（python）雨天Gini指数
- 每日十道面试题（五）
- Python 实现个人博客系统
- 全球与中国镁-铈(Mg-Ce)母合金市场深度研究分析报告
- android4.0.3 编译lichee 报错dhd-cdc-sdmmc-gpl-3.0.8问题
- 试分别简述udp和tcp的特点_读朱红群《余姚音系简述》
- Spring MVC上传图片，Java二…
- 使用freesurfer进行海马亚区分割学习笔记
- UWB室内定位技术有什么风险呢？
- backlight子系统二
- XMind6和XMind7有何不同
- 消费信贷业务风控英文词汇手册
- 马蜂窝实时计算平台演进之路