拥塞控制算法系列之：Swift-谷歌2020年SIGCOM-包级别端到端TIMELY拥塞控制算法

核心要点：

1. 谷歌 2020 SIGCOM
2. 基于delay的AIMD
3. 拥塞拆分EC和FC，时延敏感场景优势
4. 分别计算EC和FC的wnd（最核心）
5. 保障吞吐和低延迟。Swift 因利用延迟的简单性和有效性而闻名
6. 包级别的
7. 论文：https://dl.acm.org/doi/pdf/10.1145/3387514.3406591
8. 论文翻译版：参考附件

其他：

• Swift 是 Google 提出的一种用于数据中心内通信的基于延迟的拥塞控制算法
• 基于delay的拥塞控制算法（不是基于丢包）
• Swift 的发展是由存储工作负载、主机网络堆栈和数据中心交换机的趋势推动的
• 通过AIMD（加性增加乘性减少）控制和在极端拥塞情况下的流量控制来实现端到端的延迟目标
• 拆分拥塞：Swift 将拥塞分为两个部分：NIC-to-NIC (fabric) 延迟（数据中心内不同节点间）、Endpoint 延迟（主机之间的传输延迟）。EC和FC，fabric congeston和endpoint congestion。
• Swift 通过分别计算这两部分的拥塞窗口（ecwnd 和 fcwnd）来控制发送速率
• 传统的研究主要集中在 fabric 拥塞上
• 包级别的CC，perPacket。（其他算法还有QP级别、IP级别等）
• 记录数据包在各个时间戳，包括软件、NIC等收发时间戳
• 时间戳影响点：（参考论文原文图）
  • 端侧Tx delay，影响因子Tx queue
  • 交换机 Forward delay，影响因子 SW queue
  • 端侧Rx delay，影响因子Rx queue
    
    
• 广域网和数据中心网络延迟不一样，端侧影响也不一样
• 包含快速恢复机制，拥塞消退时，迅速增加发送速率，以便快速恢复到高效的传输状态。
• 支持QoS，共享网络环境中，在大规模incast流量发生时，保持关键业务流量的性能。
• 在拥塞窗口小于1的情况下，启用流控，计算数据包之间的发送间隔（基于RTT）控制速率。保障在高拥塞情况下维持低延迟和减少丢包。
• 特点：
  • 易于部署和维护：使用简单的延迟目标来控制拥塞
  • 端到端的RTT分解为网络基础设施（fabric）和主机（host）部分，从而分别对不同原因的拥塞做出响应。
  • 能够在每台服务器上维持约100Gbps的吞吐量，同时保持低延迟和接近零的数据包丢失。long RPC场景要吞吐，short RPC要时延都能满足
  • 能够有效地处理大规模的incast流量，并且在多租户环境中保持良好的性能。
  • 延迟作为拥塞信号简单而有效，Swift的设计从TIMELY演变而来，通过简化绝对目标延迟的使用，提高了性能和鲁棒性。
  • 关注主机层面的拥塞，这在处理延迟敏感、IOPS密集型和字节密集型工作负载方面有帮助。
  • Swift算法的未来发展方向，包括如何进一步提高在极短传输中的延迟预测能力。
• 优势：
  • 低延迟：在网络负载接近100%时仍能保持低延迟。
  • 简单：简单，易部署和维护。无需特殊的交换机配置，无需交换机协调
  • 端到端控制：独立适应网络和主机（包括NIC和主机网络栈）的拥塞，提供了端到端的拥塞控制，而不仅仅是在网络层面。
• 不足：
  • 特定环境：只能数据中心，无法广域网
  • 对硬件的依赖：主要是时间戳精度
  • 动态调整挑战：快速变化的网络条件时，需要精心设计和调整算法参数。
  • 兼容性：混合使用传统TCP和其他拥塞控制算法的环境中需要适配。
  • 大规模incast流量的处理：虽然Swift算法设计了处理大规模incast流量的机制，但在实际部署中可能需要额外的策略来确保在极端情况下的性能。
  • 高性能：保持高吞吐量的同时，实现低延迟和低丢包率。关键关注点：吞吐、实验、丢包
  • 多租支持：为不同的流量类型提供有效的拥塞控制，避免单租大量流量影响其他租户
• 典型拥塞场景支持：
  • 多租场景：不会相互干扰。
  • 混合流量场景：混合，包括短期、突发流量和长期的、稳定的流量。适应这种多样性，通过动态调整拥塞窗口和目标延迟来优化性能。
  • 存储和分析工作负载场景：适合于对存储和分析工作负载进行优化，这些工作负载通常需要高IOPS（输入/输出操作每秒）和低延迟的网络性能。
  • 大规模并行计算场景：低延迟和高吞吐
  • 网络拓扑变化场景：适应拓扑变化，如节点添加或移除，以及链路速度的变化。通过动态调整目标延迟。
  • 网络故障和恢复场景：包含快速恢复机制
  • 数据中心网络升级场景：适应速率升级如100G到200G这些变化，调整目标延迟来优化新旧硬件的性能。
  • 虚拟化和容器化环境场景：可在虚拟化和容器化环境中工作
• 术语：AIMD英文全称：Additive Increase Multiplicative Decrease。TCP/IP模型中，属于运输层，为了解决拥塞控制的一个方法，即：加性增，乘性减，或者叫做“和式增加，积式减少”。加增乘减
• 论文摘要信息：
  
• 论文：https://dl.acm.org/doi/pdf/10.1145/3387514.3406591
• 其他
  • 行业中闪存的需求是100K+ IOPS的delay在100u （u表示us ）
  • 行业中NVMe的需求是 1M+ IOPS的delay在 10u，需求来源是如果等太久服务器资源浪费
  • 拥塞控制是数据中心系统性能的关键推动因素（或限制因素）
  • DCTCP在长尾延迟在ms级别，尤其是大规模时候
  • DCTCP 、PFC 、DCQCN 和 HPCC 等协议使用来自交换机的显式反馈ECN来保持网络队列较短和 RPC 完成时间较短。它们可以提供良好的性能，但在大型incase和 IOPS 密集型工作负载下无济于事。原文：

  but they do not help under large incasts and IOPS-intensive workloads.

• 核心算法（待进一步研究）
  

参考：
https://zhuanlan.zhihu.com/p/566563035
https://baike.baidu.com/item/AIMD/10641459?fr=ge_ala