Copa: Practical Delay-Based Congestion Control for the Internet论文笔记

---

Copa论文链接

一、摘要

Copa是一种端到端的拥塞控制算法，采用三个idea组合实现。

• 通过优化一个效用函数（与吞吐量和延迟相关），求得其最优速率为$1/\delta d_q$，将其作为target rate；
• 通过调整拥塞窗口往target rate的方向变化；

这两个idea构成了一个delay-based的CC算法，能够实现高吞吐量低延时的目标。
但是delay-based的CC算法有一个通病，就是——与loss-based的CC算法竞争时，争抢不到带宽。第三个idea：

• 通过delay的变化，探测是否存在buffer-fillers（使buffer占满的CC算法），以加性增/乘性减的方式调整$\delta$参数。

二、背景

拥塞控制（CC）算法的发展可以分为三个阶段：

1. 从Reno开始，扩展到Cubic、Compound算法，以丢包、ECN作为拥塞信号；——缺点：这些算法都倾向于填满buffer，即以delay的代价来实现高吞吐量。
2. 基于delay的CC算法，E.g. Vegas、FAST。这些算法可以带来低延迟；——缺点：由于ACK压缩（SACK）、网络抖动，导致高估延迟，而这些算法又以delay作为拥塞信号，因此链路带宽无法完全利用；另一个缺点：无法与loss-based的CC算法竞争。
3. 最近的研究多关注特定环境和工作负载下的CC算法，使CC算法变得特异性，而不是普遍性。这些算法在特定场景的效果优于先前具有普遍性的算法。

本文目标：

实现一个高吞吐、低排队延迟、公平分配、简单且易于理解、并且具备普遍性的CC算法，在性能上优于先前的算法。

三、Copa基本思路

Copa定义了一个效用函数：

$$U=log\lambda -\delta \cdot logd$$
$\lambda$是平均吞吐量；$\delta$是衡量delay的权重；$d$是包延迟。

稳态速率是：
$$\lambda =\frac{1}{\delta \cdot d_q}$$
即$TargetRate$。拥塞控制策略即使发送速率往$TargetRate$靠近。

---

在只有Copa存在时，使用基于delay的方法是好的；而在有loss-based的流竞争时，降低delay的权重，保证基于delay的算法不会饿死。

结合各自的优点：

即可得到：

即使用第三个idea来应对loss-based算法竞争带宽的问题。

Copa基本的控制思路如上，具体的讨论和细节见下面的章节。

四、Copa在每个ACK到达时的操作

1. 更新排队延迟$d_q$和srtt——使用标准的TCP指数移动平均估计。
   $$d_q=RTTstanding-RTTmin$$

2. 设置target rate
   $${\lambda }_t=1/\delta \cdot d_q$$

3. 如果当前的发送速率$\lambda =cwnd/RTTstanding\le {\lambda }_t$，则有：
   $$cwnd=cwnd+v/(\delta \cdot d_q)$$
   其中，$v$是速率。
   否则：
   $$cwnd=cwnd-v/(\delta \cdot d_q)$$
   即加性增加性减AIAD。
   

4. 速率$v$是用来加速收敛的，初始值为1。
   如果当前窗口cwnd大于上一个ACK的数据包发送时的窗口cwnd，则方向$direction$设置为up；否则，为down。
   如果当前方向与上次一样，则v将double，即$v=2\cdot v$。否则，重置v为1。
   值得注意的是，最开始的double v，需要方向持续3个RTT以上。因为，方向在稳态下，可能保持2.5个RTT不变。

上图为在一个Copa周期内队列延时随时间的变化。

首先为什么平衡的时候，队列长度为${\delta }^{-1}$个数据包？
当平衡的时候有：
当前速率等于目标速率，即
$${\lambda }_t=1/(\delta d_q)=cwnd/RT{T}_{standing}$$
$$d_q=RT{T}_{standing}-RT{T}_{Min}$$
即有：$cwnd\cdot \frac{RT{T}_{standing}-RT{T}_{Min}}{RT{T}_{standing}}=\frac{1}{\delta }$。
即cwnd中在排队的数据包为${\delta }^{-1}$。

对该图的解读：
在Change Point A时，Copa收到ACK，并将当前的发送速率$\lambda$与目标速率${\lambda }_t$对比，这需要1个RTT的反馈延迟。而如果要检测出方向改变，则需要减少cwnd，即在第3 步要实现$\lambda >{\lambda }_t$。而$\lambda =cwnd/RT{T}_{standing}$,${\lambda }_t=1/(\delta \cdot d_q)$，即当$RT{T}_{standing}$从稳态开始变大时，$d_q$增大，${\lambda }_t$减小，即此时$\lambda >{\lambda }_t$，cwnd开始减少，direction改变。

五、第三个idea：与Buffer-filler竞争

设置Copa的两种操作模型：

• 默认模型：$\delta =0.5$;
• 竞争模型：动态调整$\delta$。

Copa会检测是否有buffer-filler竞争，来决定使用哪个模型。

性质：每5个RTT会排空队列一次。

因此，当Copa检测到接近于空队列的RTT，则使用默认模型；否则，使用竞争模型。
在竞争模型中，使用AIMD的策略调整$\delta$，因此，$\delta \le 0.5$。

六、Target Rate的推导

本文将数据包的到达分布建模为泊松分布——在流更多的情况下，更贴近真实情况。

随机到达（泊松分布）带来的一个性质：尽管在链路未完全利用时，也可能形成队列。

Utility函数：
$$U_i=\log {\lambda }_i-{\delta }_i\log d_s$$

引理1

Consider a network with n flows, with flow i sending packets with rate ${\lambda }_i$ such that the arrival at the bottleneck queue is Markovian. Then, if flow i has the objective function defined by Eq. (3)(即上面的式子), and the bottleneck is an M/M/1 queue, a unique Nash equilibrium exists.
并且，在均衡时，对于每个发送端$i$有：
$${\lambda }_i=\frac{\mu }{{\delta }_i\left({\hat{\delta }}^{-1}+1\right)}$$
其中，$\hat{\delta }={\left(\sum 1/{\delta }_i\right)}^{-1}$。

证明：
定义总到达速率为：$\lambda ={\sum }_j{\lambda }_j$。
假设数据包到达模型为排队论中的M/M/1模型，则平均排队之和为$\frac{1}{\mu -\lambda }$。
代入效用函数的式子，有：
$$U_i=\log {\lambda }_i+{\delta }_i\log \left(\mu -{\lambda }_i-\sum _{j\ne i}{\lambda }_j\right)$$
令一阶偏导为0，有：
$${\delta }_i{\lambda }_i+\sum _j{\lambda }_j=\mu$$
二阶导数为：
$$-1/{\lambda }_i^2-{\delta }_i/(\mu -\lambda {)}^2<0$$
则有下式满足：
$${\lambda }_i\left(1+{\delta }_i\right)+\sum _{j\ne i}{\lambda }_j=\mu$$
这是一个n维线性方程组。
求解得到：
$${\lambda }_i=\frac{\mu }{{\delta }_i\left({\hat{\delta }}^{-1}+1\right)}$$

当服务过程是确定的时，为M/D/1模型，排队时间为：$$1/(2(\mu -\lambda ))-\mu /2\approx 1/(2\mu -\lambda )$$
此时均衡速率为：
$${\lambda }_i=2\mu /\left({\delta }_i\left(2{\hat{\delta }}^{-1}+1\right)\right)$$
这两个速率的区别只有一个因子2，即将$\delta /2$。

七、Copa的更新规则

在上一段求得的结果，与最终结果还是有点差距。这段将推一下这两个的关系。

• $${\lambda }_i=\frac{\mu }{{\delta }_i\left({\hat{\delta }}^{-1}+1\right)}$$
• $$\lambda =\frac{1}{\delta \cdot d_q}$$

首先，由第一个式子，对i进行累加，有：
$$\lambda =\sum _j{\lambda }_j=\mu \cdot {\hat{\delta }}^{-1}/({\hat{\delta }}^{-1}+1)=\mu /(1+\hat{\delta })$$

而$d_s=\frac{1}{\mu -\lambda }$，将上式代入，有：
$$d_s=\frac{{\hat{\delta }}^{-1}+1}{\mu }$$
因此，$${\lambda }_i=\frac{1}{{\delta }_i\cdot d_s}$$

---

同时，处于均衡时的排队队列中的包个数为：
$$1+1/\hat{\delta }$$

这可以通过排队时间$d_s\cdot$链路速率$\mu$（单位是pkts）得到。
即：
$$\frac{\mu }{\mu -\lambda }$$

当只有一个用户时，队列包个数为$1+{\delta }^{-1}$，与之前的${\delta }^{-1}$不同，这是因为后面定义的$d_s$的区别，回忆一下，$d_s=d_q+1/\mu$。
而在$d_s\cdot \mu$后，就变成了$d_q\cdot \mu +1$。多出的1就在这。
但为什么要定义$d_s$仍然不懂，这个switch delay是什么情况，有什么物理意义吗?

---

一个比较有趣的理解：
注意到下面两条公式：
$${\lambda }_i=\frac{\mu }{{\delta }_i\left({\hat{\delta }}^{-1}+1\right)}$$
$$\lambda =\sum _j{\lambda }_j=\mu /(1+\hat{\delta })$$

当${\delta }_i$都等于$\delta$时，有：
$${\hat{\delta }}^{-1}=\frac{\delta }{n}$$
$${\lambda }_i=\mu /(n+\delta )$$
相当于链路速率被分给$n$个发送端和$\delta$个伪发送端。

八、一点小结果

Copa在和Cubic竞争时，不损害Cubic的性能，自己也保持高性能，甚至利用了Cubic没用到的带宽。

一些参考连接：
copaMIT网站
会议视频
原始仓库
复现仓库