PCC Vivace 阅读笔记

本文是关于NSDI '18论文《PCC Vivace: Online-Learning Congestion Control》的阅读笔记。

受机器学习中的在线（凸）优化启发，本文作者设计了Vivace，一个新型的速率控制协议。该协议是对之前作者提出的PCC框架的改进版本（NSDI '15论文《PCC: Re-architecting Congestion Control for Consistent High Performance》（见笔者上一篇阅读笔记））。

注：下文以Allegro代指之前提出的PCC算法（NSDI '15）。

PCC和BBR都是垃圾！

他们既无法很好地优化时延，也无法很好地在收敛速度及稳定性上进行平衡。特别地，BBR在收敛的过程中速率波动很大，而且丢包率很高；而PCC收敛的速度太慢了。
BBR对网络进行了建模，当实际网络不同于模型时，BBR的性能非常差。
他们都对TCP不是很友好（尽管BBR在设计的时候是想要对TCP友好的（= =！））

PCC Vivace vs. PCC Allegro

Vivace和Allegro一样都使用了目标函数和一个速率学习控制算法，不过在Vivace中，这两者的实现都与Allegro不同。

Allegro 为什么垃圾？

Allegro对目标函数的选择是胡乱拼凑的，没有深厚的理论依据。而且多个使用不同目标函数的Allegro流会发生什么样的碰撞只有天知道。
Allegro的步长也是瞎选的。凸优化中的步长选择是十分重要的。步长太小会导致收敛太慢，步长太大会导致震荡甚至发散。

Vivace 为什么比较牛逼？

Vivace使用了一个新的学习框架来保证多个Vivace流可以收敛到有一个公平和有效率的状态。
Vivace使用了一个基于梯度的no-regret在线优化算法来调整发送速率，它会计算步长。

注：什么是一个“no-regret”的速率控制协议？
“no-regret”的速率控制协议（如Vivace）保证了其对发送速率的选择不会降低目标函数。

No-regret在所有网络状态中为各个发送者提供了一个性能保证（即使在非常动态的网络环境中，或者敌对的环境中）
No-regret为多个Vivace流如何交互提供了一个理论支持。

小结

Vivace结合了时延，解决了Allegro无法解决的bufferbloat问题；
Vivace可以让多个异构发送者（不同目标函数）进行有效交互；
Vivace对TCP更加友好；
Vivace收敛更快；
Vivace对动态网络反应更加迅速

Vivace 的目标函数框架

Vivace使用了与Allegro不同的目标函数框架，如下列公式所示：
u(xi,d(RTTi)dT,Li)=xit−bxid(RTTi)dT−cxi∗Liu(x_i, \frac {d(RTT_i)} {dT}, L_i) = x^t_i - bx_i \frac {d(RTT_i)} {dT} - cx_i * L_i u(xi,dTd(RTTi),Li)=xit−bxidTd(RTTi)−cxi∗Li
其中，t,b,c都是常数。该目标函数的第一项为发送速率的幂次方，第二项为RTT梯度的比例项，第三项为丢包率的比例项。
相比Allegro而言，可以看到，Vivace在目标函数中考虑了时延（第二项）。

注：为什么在这里要使用RTT的梯度，而不是RTT的值呢？
考虑以下例子：一个拥有较大缓存的发送者在第一个MI中以2倍于链路带宽的速率发送报文，并且在第二个MI中以一个稍低一点的速率发送。如果使用RTT的值作为目标函数的项，那么发送者在这两个MI中的目标函数值应该都没什么区别，尽管降低发送速率是一个较优的选择。

小结

使用该目标函数保证了多个Vivace流可以平均共享同一个链路，并且，可以使得他们的RTT是最小的。
该目标函数可以在随机丢包和收敛速度之间进行有效均衡。

Vivace如何与传统TCP进行交互？

对于一个新的拥塞控制框架来说，一个重要的要求是能够与TCP（如CUBIC）和平共处。然而，对TCP友好这一要求通常与取得更好的性能是相悖的。任何基于丢包的协议都无法在取得高性能的同时能与TCP和平共处。我们最多只能希望它没有过度挤压TCP。另一方面，更糟糕的是，基于时延的协议几乎无法在与TCP的竞争中胜出，它完全被TCP搞炸了！

那么问题来了，是否存在一种优化时延的能与TCP和平共处的速率控制协议？本文作者认为，Vivace朝着这个目标迈出了重要一步。例如，当链路中的流都是Vivace时，Vivace能够实现最低延时；当链路中充满了TCP流时，Vivace目标函数中的时延梯度项几乎为0，因此Vivace也忽略了时延，从而可以与TCP进行竞争。

总结

Vivace将机器学习的凸优化和控制论结合到网络中的拥塞控制中。甭管当前的网络状态是啥，反正我只要实现我的目标函数最大就好。毕竟我的目标函数的选择是有理论支撑的，我能保证我取的这个目标函数能同时保证我的效率最高，同时不会影响到其他人。
Vivace牛逼！

论文阅读笔记——拥塞控制算法PCC Vivace相关推荐

全卷积（FCN）论文阅读笔记：Fully Convolutional Networks for Semantic Segmentation
论文阅读笔记:Fully Convolutional Networks forSemantic Segmentation 这是CVPR 2015拿到best paper候选的论文. 论文下载地址:Fu ...
DnCNN论文阅读笔记【MATLAB】
DnCNN论文阅读笔记论文信息: 论文代码:https://github.com/cszn/DnCNN Abstract 提出网络:DnCNNs 关键技术: Residual learning an ...
Learning Multiview 3D point Cloud Registration论文阅读笔记
Learning multiview 3D point cloud registration Abstract 提出了一种全新的,端到端的,可学习的多视角三维点云配准算法. 多视角配准往往需要两个阶段 ...
FCGF论文阅读笔记
FCGF论文阅读笔记 0. Abstract 从三维点云或者扫描帧中提取出几何特征是许多任务例如配准,场景重建等的第一步.现有的领先的方法都是将low-level的特征作为输入,或者在有限的感受野上提 ...
PointConv论文阅读笔记
PointConv论文阅读笔记 Abstract 本文发表于CVPR. 其主要内容正如标题,是提出了一个对点云进行卷积的Module,称为PointConv.由于点云的无序性和不规则性,因此应用卷积比 ...
DCP（Deep Closest Point）论文阅读笔记以及详析
DCP论文阅读笔记前言本文中图片仓库位于github,所以如果阅读的时候发现图片加载困难.建议挂个梯子. 作者博客:https://codefmeister.github.io/ 转载前请联系作者 ...
2019 sample-free（样本不平衡）目标检测论文阅读笔记
点击我爱计算机视觉标星,更快获取CVML新技术本文转载自知乎,已获作者同意转载,请勿二次转载 (原文地址:https://zhuanlan.zhihu.com/p/100052168) 背景 < ...
keras cnn注意力机制_2019 SSA-CNN（自注意力机制）目标检测算法论文阅读笔记
背景 <SSA-CNN Semantic Self-Attention CNN for Pedestrian Detection>是2019 的工作,其作者来自于南洋理工.这篇文章主要是做 ...
ResNet 论文阅读笔记
ResNet 论文阅读笔记 #机器学习/深度学习文章介绍论文地址:https://arxiv.org/pdf/1512.03385.pdf 原文题目:Deep Residual Learning ...
LiDAR-based Panoptic Segmentation via Dynamic Shifting Network(论文阅读笔记)
LiDAR-based Panoptic Segmentation via Dynamic Shifting Network(论文阅读笔记) 环形扫描骨干网络.动态漂移.一致性驱动的融合一.重点内容 ...

论文阅读笔记——拥塞控制算法PCC Vivace

目录