Trendline滤波器-TrendlineEstimator

前面文章WebRTC研究：包组时间差计算-InterArrival讲到了相关包组时间差计算，输出包组发送时间差，到达时间差等参数。本篇文章主要介绍下这些参数在判断网络拥塞情况方面的应用。

到达时间模型

在WebRTC研究：包组时间差计算-InterArrival说到了到达时间模型，主要包含几个包组时间差计算的概念：

• 到达时间差：t(i) - t(i-1)
• 发送时间差：T(i) - T(i-1)
• 延迟变化：d(i) = t(i) - t(i-1) - (T(i) - T(i-1))

这个延迟变化用于评估延迟增长趋势，判断网络拥塞状况。在[1]中，这个延迟变化叫做单向延迟梯度（one way delay gradient）。那这个延迟梯度为什么可以判断网络拥塞情况呢？

延迟梯度计算

首先我们通过一张图看下延迟梯度的计算：

延迟梯度：
d(i) = t(i) - t(i-1) - (T(i) - T(i-1))

判断依据

网络无拥塞，正常情况下：

网络拥塞情况下：

第一张图是没有任何拥塞下的网络传输，延迟梯度：t2 - t1-(T2 - T1) = 0。第二张图是存在拥塞时的网络传输，当包在t2时刻到达时，因为网络发生拥塞，不能一下子处理这么多资源，经过router节点时经历排队等待，导致到达时间比原本要晚，延迟梯度:t2 - t1-(T2 - T1) > 0，表示当前网络正处在拥塞状态。

线性回归

WebRTC用到了线性回归这个数学方法进行延迟梯度趋势预测。通过最小二乘法求得拟合直线斜率，根据斜率判断增长趋势。
转存失败重新上传取消
对于一堆样本点（x,y），拟合直线方程y=bx+a的斜率b按如下公式计算：

网络状态

在WebRTC中，定义了三种网络状态：normal，overuse，underuse，用于表示当前带宽的使用情况，具体含义跟单词本身含义一样。

例如如果是overuse状态，表示带宽使用过载了，从而判断网络发生拥塞，如果是underuse状态，表示当前带宽未充分利用。后面会介绍如何根据延迟梯度增长趋势得到当前的网络状态。

源码导读

相关源码位于src\modules\congestion_controller\goog_cc\trendline_estimator.cc中，主要由TrendlineEstimator类实现。主要接口就一个：UpdateTrendline。传入包组时间差，时间，包组大小等参数，判断当前网络状态。

C++

1 2 3 4 5

void UpdateTrendline(double recv_delta_ms,                      double send_delta_ms,                      int64_t send_time_ms,                      int64_t arrival_time_ms,                      size_t packet_size);

说下输入的各个参数的含义：

• recv_delta_ms:包组接受时间差
• send_delta_ms:包组发送时间差
• send_time_ms:包组发送时间
• arrival_time_ms:包到达时间
• packet_size:包组大小

内部相关函数调用如下：

C++

1 2 3 4 5 6 7

TrendlineEstimator::UpdateTrendline                 ↓ LinearFitSlope                 ↓ TrendlineEstimator::Detect                 ↓ TrendlineEstimator::UpdateThreshold

下面结合代码说下UpdateTrendline函数内部计算过程。
1）计算延迟变化累积值：

C++

1 2 3 4 5 6 7 8

// 延迟变化：接收时间 - 发送时间 const double delta_ms = recv_delta_ms - send_delta_ms; ++num_of_deltas_; num_of_deltas_ = std::min(num_of_deltas_, kDeltaCounterMax); if (first_arrival_time_ms_ == -1)   first_arrival_time_ms_ = arrival_time_ms; // 累加延迟变化 accumulated_delay_ += delta_ms;

2）根据1）中的延迟累积值计算得到平滑延迟：

C++

1 2	smoothed_delay_ = smoothing_coef_ * smoothed_delay_ +                   (1 - smoothing_coef_) * accumulated_delay_;

3）将从第一个包发送到当前包组到达的经历时间，平滑延迟值存到双端队列delay_hist_中：

C++

1 2 3

delay_hist_.push_back(std::make_pair(     static_cast<double>(arrival_time_ms - first_arrival_time_ms_),     smoothed_delay_));

4）当队列delay_hist_大小等于设定的窗口大小时，开始进行延迟变化趋势计算，得到直线斜率:

C++

1 2 3 4 5 6

if (delay_hist_.size() == window_size_) {   // 0 < trend < 1   ->  延迟梯度增加   //   trend == 0    ->  延迟梯度不变   //   trend < 0     ->  延迟梯度减小   trend = LinearFitSlope(delay_hist_).value_or(trend); }

5）通过计算计算得到的延迟变化趋势直线斜率以及发送时间差，到达时间判断网络状态：

C++

1	Detect(trend, send_delta_ms, arrival_time_ms);

LinearFitSlope函数

使用最小二乘法求解线性回归，得到延迟变化增长趋势的拟合直线斜率。

看下内部代码实现：

C++

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

absl::optional<double> LinearFitSlope(     const std::deque<std::pair<double, double>>& points) {   RTC_DCHECK(points.size() >= 2);   // 所有节点（x,y），x，y值分别求和   double sum_x = 0;   double sum_y = 0;   for (const auto& point : points) {     sum_x += point.first;     sum_y += point.second;   }   // 求平均值   double x_avg = sum_x / points.size();   double y_avg = sum_y / points.size();   // 根据公式:斜率 k = sum (x_i-x_avg)(y_i-y_avg) / sum (x_i-x_avg)^2   double numerator = 0;   double denominator = 0;   for (const auto& point : points) {     numerator += (point.first - x_avg) * (point.second - y_avg);     denominator += (point.first - x_avg) * (point.first - x_avg);   }   if (denominator == 0)     return absl::nullopt;   return numerator / denominator; }

Detect函数

该函数主要根据延迟变化增长趋势计算当前网络状态，在WebRTC接收端基于延迟的带宽预测代码中，这部分属于过载检测器的内容，代码位于src\modules\remote_bitrate_estimator\overuse_detector.cc中，跟在卡尔曼滤波后面，我们不做讨论，我们讨论的全部是最新代码，全部在发送端进行带宽预测。

在Detect函数内部，会根据前面计算得到的斜率得到一个调整后的斜率值：modified_trend：

C++

1 2	const double modified_trend =     std::min(num_of_deltas_, kMinNumDeltas) * trend * threshold_gain_;

然后与一个动态阈值threshold_作对比，从而得到网络状态

• modified_trend > threshold_，表示overuse状态
• modified_trend < -threshold_，表示underuse状态
• -threshold_ <= modified_trend <= threshold_，表示normal状态

 
如下图所示，上下两条红色曲线表示动态阈值，蓝色曲线表示调整后的斜率值，阈值随时间动态变化，调整后的斜率值也动态变化，这样网络状态也动态变化。

相关实现代码如下：

C++

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23

if (modified_trend > threshold_) {   if (time_over_using_ == -1) {     time_over_using_ = ts_delta / 2;   } else {     time_over_using_ += ts_delta;   }   overuse_counter_++;   if (time_over_using_ > overusing_time_threshold_ && overuse_counter_ > 1) {     if (trend >= prev_trend_) {       time_over_using_ = 0;       overuse_counter_ = 0;       hypothesis_ = BandwidthUsage::kBwOverusing;     }   } } else if (modified_trend < -threshold_) {   time_over_using_ = -1;   overuse_counter_ = 0;   hypothesis_ = BandwidthUsage::kBwUnderusing; } else {   time_over_using_ = -1;   overuse_counter_ = 0;   hypothesis_ = BandwidthUsage::kBwNormal; }

这个阈值threshold_是动态调整的，代码实现在UpdateThreshold函数中。

UpdateThreshold函数

阈值自适应调整为了改变算法对延迟梯度的敏感度。根据[1]主要有以下两方面原因：
1）延迟梯度是变化的，有时很大，有时很小，如果阈值是固定的，对于延迟梯度来说可能太多或者太小，这样就会出现不够敏感，无法检测到网络拥塞，或者过于敏感，导致一直检测为网络拥塞；
2）固定的阈值会导致与TCP（采用基于丢包的拥塞控制）的竞争中被饿死。

这个阈值根据如下公式计算：

每处理一个新包组信息，就会更新一次阈值，其中∆T表示距离上次阈值更新经历的时间，m(ti)是前面说到的调整后的斜率值modified_trend。

kγ(ti)按如下定义：

kd与ku分别决定阈值增加以及减小的速度。
具体实现代码如下：

C++

1 2 3 4 5 6 7 8 9 10 11

void TrendlineEstimator::UpdateThreshold(double modified_trend,                                          int64_t now_ms) {   // kγ(ti)值：kd，ku   const double k = fabs(modified_trend) < threshold_ ? k_down_ : k_up_;   const int64_t kMaxTimeDeltaMs = 100;   // 距离上一次阈值更新经过的时间∆T   int64_t time_delta_ms = std::min(now_ms - last_update_ms_, kMaxTimeDeltaMs);   threshold_ += k * (fabs(modified_trend) - threshold_) * time_delta_ms;   threshold_ = rtc::SafeClamp(threshold_, 6.f, 600.f);   last_update_ms_ = now_ms; }

总结

本文主要介绍了如何根据延迟梯度得到网络状态，判断网络拥塞状况，并结合WebRTC相关源码进行分析。当我们得到当前网络拥塞状况后，就要对发送码率进行调节，以适应当前网络。后续文章我们将研究如何根据网络状态进行相应码率调整。

参考

[1] Analysis and Design of the Google Congestion Control for Web Real-time Communication (WebRTC).
[2] A Google Congestion Control Algorithm for Real-Time Communication draft-ietf-rmcat-gcc-02.https://tools.ietf.org/html/draft-ietf-rmcat-gcc-02.