网站建设的学习方法,高端的定义,万网域名登录,做网站每天更新两篇文章TCP 拥塞控制目标是缓解并解除网络拥塞#xff0c;让所有流量公平共享带宽#xff0c;合在一起就是公平收敛。 AIMD(几乎所有与拥塞控制相关的协议或算法都有 AIMD 的影子#xff0c;包括 RoCE#xff0c;BBRv2) 为什么收敛#xff1f;我一般会给出下面的老图#xff1a;…TCP 拥塞控制目标是缓解并解除网络拥塞让所有流量公平共享带宽合在一起就是公平收敛。 AIMD(几乎所有与拥塞控制相关的协议或算法都有 AIMD 的影子包括 RoCEBBRv2) 为什么收敛我一般会给出下面的老图
虽然只展示了两条流的收敛但 n 条流收敛的展示无非就是将 2 维坐标系换成 n 维坐标系只要能证明任意的 2 维截面都如上图所示就行而这件事简单推导一下就行比画坐标系还要直观再说超过 3 维的坐标系也画不出来。
设一个 AIMD 系统的 AIMD 参数为 α \alpha α, β \beta β w i 0 w_{i0} wi0 和 w j 0 w_{j0} wj0 分别为任意两条流的初始窗口且 w i 0 w j 0 w_{i0}w_{j0} wi0wj0二者之差 d 0 W i 0 − W j 0 d_0W_{i0}-W_{j0} d0Wi0−Wj0。
假设所有流同步(异步流和 RED 作用下相对复杂用统计分布代替公式)一个 AIMD 周期后两条流的 cwnd 分别为 w i 0 w i β ∗ ( w i 0 α ) w_{i0}w_i \beta*(w_{i0}\alpha) wi0wiβ∗(wi0α) 和 w j 0 w j β ∗ ( w j 0 α ) w_{j0}w_j \beta*(w_{j0}\alpha) wj0wjβ∗(wj0α)此时两条流 cwnd 之差 d β ∗ d 0 d\beta*d_0 dβ∗d0。
再下一个周期 w i 0 w i β ∗ ( β ∗ ( w i 0 α ) α ) w_{i0}w_i \beta*(\beta*(w_{i0}\alpha)\alpha) wi0wiβ∗(β∗(wi0α)α) 和 w j 0 w j β ∗ ( β ∗ ( w j 0 α ) α ) w_{j0}w_j \beta*(\beta*(w_{j0}\alpha)\alpha) wj0wjβ∗(β∗(wj0α)α)两条流 cwnd 之差 d β 2 ∗ d 0 d\beta^2*d_0 dβ2∗d0。
容易得到在第 n 个 AIMD 周期后两条流 cwnd 之差为 d β n d 0 d\beta^nd_0 dβnd0趋向于 0这意味着无论初始时刻任意两条流差异多么大最终它们将趋同。
值得注意的是无论是 AI 过程还是 MD 过程都单独对收敛有贡献假设持续 AI从不 MD观察一个比值 w i 0 x w j 0 x \dfrac{w_{i0}x}{w_{j0}x} wj0xwi0x, x 越大比值越趋向于 1在总体量面前差异将无关紧要另一方面假设持续 MD从不 AI观察一个差值 β x ∗ w i 0 − β x ∗ w j 0 \beta^x*w_{i0}-\beta^x*w_{j0} βx∗wi0−βx∗wj0, x 越大该差值趋向于 0宏观上看差异消失。
总体而言AI 的过程与初始值无关它是一种与初始优势相反的力量保持差值不变比例趋向公平削减掉相对差异而 MD 则与初始值强相关但它下降的速率越来越慢保持差值趋向公平比例不变削减掉绝对差异。AIMD 共同作用各自效用独立积累无论在比例差异还是在绝对差异均被时间抹平。
举个例子A 有 1 块钱B 有 9 块钱两人很公平因为购买力有绝对值下限虽然 A 和 B 相差 9 倍但他们可能都买不到东西但 A 有 100 万块B 有 900 万块就不再公平了此时 9 倍的差异关乎他们生活在不同层次如果 A 有 1 亿零 100 块B 有 1 亿零 900 块又会非常公平。
大概社会平均工资普调年终奖股权被稀释工资被倒挂就和 AIMDAIADMIMDMIAD 有关。用上述的简单推导可以证明除了 AIMD 可以收敛到公平其它 3 种均不行。
AIMD-based cc比如 renocubicscalablehighspeed它们被认为不如 BBR但事后看这些算法并不是在根本上不如 BBR而 BBR 也不是根本上就优秀前面说过BBR 的高效来自于瞬时记住并憋住的 maxbw而 cubic(包括其它 AIMD cc) 的问题在于它不能识别随机丢包。而 AIMD 本身与效率无关它只关注公平收敛。
cubic 只要增加丢包分类识别就能解决问题 而 BBR 无论 probebw 还是 probertt 均无法完备论证收敛只在 “效果” 上显示出 “加速比与带宽占比负相关”而这是过不了审的。
已经有了很多 “cubic-改” 算法大多数引入了 delay 甚至 delay 梯度在丢包发生时二次确认拥塞是否真实存在事实上 westwood 就是一种比较合理的算法它收敛到瓶颈带宽而不是固定比例。然而由于实现粗糙(依然是受制于 Linux 拥塞状态机)westwood 未竟全功。
还有另一种拥塞判定方法二次机会法事先为 AIMD 准备两个 beta 参数当检测到丢包时随即将 cwnd 下降一个更小的 beta 比例进入包守恒开始重传恢复如果重传率超过一个阈值则将 cwnd 下降更大的 beta视情况从两个 MD 中任意一个开始进行 AI 避开的只是随机丢包丝毫不影响拥塞丢包后的收敛。
非常简单不需要像 westwood 还要计算瓶颈带宽代价就是误判会增加重传率好在只有二次机会只会增加一点点不像 BBR 憋住 10 round 那样执着。
公平收敛抓住一个小基本点就行了这是控制平面的底座其它的留给应用自己以及底层链路就好像线路断了再好的算法也无济于事另一方面application-limited 传输再好的算法也用不上但无论如何公平是刚需。 其实菜市场摊贩就遵循 AIMD 以避开相互内耗的价格战最终你会发现各个摊贩的菜价都一样差别只是质量口碑而已。菜市场刚开张时各家促销缓慢加价最终发现客户流失时又大减价(注意这个 “大” 字)大促销最终他们的价格趋向于一致。当然TCP 这方面属于后生但 AIMD 是一个放之四海而皆准的通用控制论模型在它的框架下做事就对了但凡违背的事情将会越发精细复杂。 浙江温州皮鞋湿下雨进水不会胖。
