优秀的 tcp vegas 拥塞控制大揭秘

看到题目就觉得我在扯，因为 delay-based 算法总被抢，没一个表现好的…可你们知道原因吗？因为 loss-based 算法不是分布式的啊，它们是被集中管理的，以 aimd 为例，其效率决定于 buffer 而不决定于自己(参见 bw = alpha/RTT * sqrt(1/f(buffer_size)))。

你要总觉得 vegas 抢不过 cubic，cubic 抢不过 bbr，就别看本文了，都是你对。

今天周五，我坐的长途公交车上都是在宝山，杨浦上学回家过周末的中学生和大学生，一个个戴着耳机刷视频或聊天。。。只有我在算什么一元二次方程，用手机画图[撇嘴]不过 geogebra 是真的好用，免费的，个人感觉比几何画板好，推荐一把。

aimd 公平收敛在于它本质上是集中式控制的(虽然看起来好像是分布式的)。收敛动作统一由 buffer (丢包)触发，端侧被动响应的过程中完成公平收敛。要点是，aimd 竟然是集中控制的。

而 vegas 是一种完全的，真正的分布式拥塞控制，它可能是少有的 “正确” 行为方式，且非常简单。
vegas 跟踪时延变化，将其控制在一定的比例范围而不是绝对时间内，从而获得了公平伸缩性。简单看一下 why。

按照 vegas 的公式，cwnd 在满足以下条件时保持稳定，出其右 cwnd —，缺其左 cwnd ++，式子 1：

$\alpha <=W\ast \frac{rrt-rt{t}_{prop}}{rt{t}_{prop}}=W\ast \frac{rt{t}_{queuing}}{rt{t}_{prop}}<=\beta$

假设 2 条流共享 bltbw，式子 2：

$b{w}_1+b{w}_2=\frac{W_1}{rt{t}_{queuing}+rt{t}_{prop}}+\frac{W_2}{rt{t}_{queuing}+rt{t}_{prop}}=\frac{W_1+W_2}{rt{t}_{queuing}+rt{t}_{prop}}=1$

从式子 2 解出 rtt_{queuing} 代入式子 1(取阿尔法为 2，贝塔为 4)：

$\alpha <W_1\ast \frac{W_1+W_2-rt{t}_{prop}}{rt{t}_{prop}}<=\beta$

同理，对于 W2，有：

$\alpha <W_2\ast \frac{W_2+W_1-rt{t}_{prop}}{rt{t}_{prop}}<=\beta$

来吧，画图，W1 为红色，W2 位紫色，W1 = x，W2= y：

菱形区域就是收敛结果，简直太公平。使用 geogebra，滑动 a，b，r 滑块，你将清晰看到这些值的变化如何影响收敛区域。更一般的，如果 proprt 不一致是否还能公平，数学说了算。设 D 为共享排队时延，r1，r2 分别为两条流的 propagation 时延(proprt)，看算式：

$b{w}_1+b{w}_2=\frac{W_1}{D+r_1}+\frac{W_2}{D+r_2}=\frac{...}{(D+r_1)(D+r_2)}=1$

可解关于 D 的一元二次方程。

今天周五，回嘉定过周末的，在杨浦，宝山上学的中学生，大学生跟我一起挤上了去嘉定的长途公交车，学生们都在刷视频聊天，而我在折腾一元二次方程(有笔没纸，恰好包里有本书，随便画了)…

终于回到家，画出收敛菱形区域如下：

可见 rtt 越大，分配的 cwnd 越大，这就是 rtt 公平伸缩性！以至于我将 vegas 视为标杆。

我们的日常生活基本就是按照这个方案进行的，一切按照耐受性规定一个 “度”，大家收敛到这个度，就保证了全局公平。别的不必挂齿，我说过拥塞控制做不到微观控制，它只能确定趋势。

vegas 是分布式公平的(但基本被遗忘)，bbr 呢？

很多人说 bbr 是 delay-based 算法，其实不然。在我看来 bbr 只是一个拍脑袋的实验室验证(连 poc 都算不上)，作者本人可能也慌。

在 buffer 中才能有完成收敛，无 buffer 不行，buffer 太大不行，不用 ns-3 仿真，数学上就能看出来。

浙江温州皮鞋湿，下雨进水不会胖。