AIMD CUBIC 在实际网络有效的原因

既然 BBR 在实际网络中失效，那么 $\text{AIMD}，\text{CUBIC}$ 在实际网络中表现如何，答案是它非常有效，本文说的就是这，大多数情况下，$\text{AIMD}$ 往 $\text{BBR}$ 反方向走，就知道了原因。

与 $\text{BBR}$ 的纯模型驱动不同，$\text{CUBIC}，\text{RENO}$ 等 $\text{AIMD}$ 算法在数学上天然契合自相似流量的统计特性，其有效性并非源于对网络状态的精确预测，而是用指数分布削掉了帕累托的重尾。

实际流量服从帕累托分布 $P[X>x]\propto x^{-\alpha }$，$\alpha <2$ 时方差无穷大，$\text{BBR}$ 的估计带宽依赖样本均值的收敛，而 $\text{AIMD}$ 不依赖任何统计矩估计。

$\text{AIMD}$ 机制构成了一个自调节马尔可夫链，其稳态分布不依赖于输入流量的矩结构，无论背景流量是理想指数分布还是重尾，$\text{AIMD}$ 稳态窗口期望值满足：

$E[W]\propto \sqrt{\frac{1}{p}}$

这一结果仅依赖于丢包率 $p$ ，完全不依赖于流量分布方差，因此，帕累托重尾导致的无穷方差问题对 $\text{AIMD}$ 的稳态行为没影响。

$\text{BBR}$ 需要估计 $B_{\max }$ 和 $RT{T}_{\min }$，其估计误差方差在自相似流量下以 $T^{2H-1}$ 发散，$\text{AIMD}$ 则规避了这问题。

$\text{AIMD}$ 带宽利用率由稳态吞吐量决定：

$\lambda =\frac{\text{E}[W]}{RTT}$

由于 $\text{E}[W]$ 仅由丢包率决定，$\text{AIMD}$ 的吞吐估计不存在方差发散问题。

在数学上，$\text{AIMD} 窗口序列 $W_n$ 是一个马尔可夫链，当这个马尔可夫链满足一定的遍历性条件时，它存在一个唯一的平稳分布，记为 $\pi$。

$\text{AIMD}$ 显然满足，因为它会在一个有限的状态空间内不可约地转移。一旦系统达到稳态，任意时刻 $n$ 的窗口 $W_n$ 都服从这个相同的分布 $\pi$。 根据方差的定义：

$\text{Var}(W_n)=\text{E}[W_n^2]-(\text{E}[W_n]{)}^2$

因为 $W_n$ 的分布 $\pi$ 不随时间 $n$ 改变，所以它的一阶矩都是固定常数，由于 $\text{E}[W]$ 是常数 $\sim \sqrt{\frac{1}{p}}$，因此，$\text{Var}(\cdot )$ 是常数。

这一方差与 $H$ 无关，高 $\text{Hurst}$ 参数仅使 $\text{AIMD}$ 窗口波动在时间上更持久，但不改变其波动幅度，因此，$\text{AIMD}$ 不会因长程依赖而产生系统性的过冲或欠冲。

再看多流竞争下的公平性。

在 $N$ 个 $\text{AIMD}$ 流共享瓶颈的场景中，每个流的窗口更新为：

$W_i(t+1)=\beta W_i(t)当{\sum }_{j=1}^N{W}_j(t)>C\cdot RTT$

丢包事件为所有流提供了等价信号，在 $\text{AQM}$ 和链路容量共同约束下，所有流等价 $\text{MD}$，这机制数学上保证了：

$\lim {}_{t\to \infty }\frac{W_i(t)}{W_j(t)}=1$

这一收敛性不依赖于流量的自相似性，即使背景流量具有 $H=0.95$ 的极端 $\text{LRD}，丢包事件仍然提供了确定性的负反馈，使系统始终被拉回公平点。

$\text{BBR} 试图显式测量 $RT{T}_{\min }$ 来避免 $\text{bufferbloat}$，但在自相似流量下这一测量失效，$\text{AIMD}$ 则通过丢包作为缓冲区溢出的终极信号来隐式控制队列，当 $\text{buf\_size}\gg \text{BDP}$ 时，$\text{AIMD}$ 的稳态队列长度为：

$\text{E}[Q]\approx \frac{\text{E}[W]}{2}\propto \sqrt{\frac{1}{p}}$

这一队列长度与缓冲区大小无关，只要缓冲区足够容纳 $\text{E}[W]$ 个数据包，$\text{AIMD}$ 就会通过丢包将队列稳定在 $O(\sqrt{p^{-1}})$ 量级。

相比之下，$\text{BBR}$ 迷信测试而缺乏负反馈，在大缓冲区下会持续填充至 $2\times \text{BDP}$ 甚至更多。

最重要的是 $\text{AIMD}$ 的数学上的有界性。

$\text{AIMD}$ 窗口过程的稳态分布具有指数尾部，而非帕累托重尾：

$P[W>x]\sim e^{-cx}$

这意味着即使输入流量具有无穷方差的帕累托特性，$\text{AIMD}$ 窗口分布仍然轻尾，所有矩都存在，这是 $\text{AIMD}$ 在重尾环境中保持稳定的根本数学保证。

以下简单推导这事。

考察窗口在极大值 $x$ 附近的稳态概率 $P(x)$，在 $\text{AIMD}$ 中，要到达一个极大的窗口状态 $x$ ，只有唯一的路径：

• 系统必须在前一个 $RTT$ 处于状态 $x-\alpha$，假设 $\alpha =1$，即 $x-1$；
• 在下一个 $RTT$ 没有发生丢包，其概率为 $1-p$；

如果前一个状态是 $x$ 且发生了丢包，它会跳到 $\beta x$，远小于 $x$，如果前一个状态是 $x+1$ 且没丢包，它会变成 $x+2$，因此，没有任何其他状态能直接转移到 $x$ 。

根据稳态下的概率守恒，到达 $x$ 的概率流等于从 $x$ 离开的概率流：

$P(x)=P(x-1)\times (1-p)$

这是一个极其简单的等比数列递推：

$P(x)=(1-p)P(x-1)$

$P(x)=(1-p{)}^{2}P(x-2)$

…

$P(x)=(1-p{)}^{x}P(0)$

利用自然对数底数 $e$ 进行换底：

$(1-p{)}^x=e^{x\ln (1-p)}=e^{-[-\ln (1-p)]x}$

令衰减常数 $\lambda =-\ln (1-p)>0$，我们得到：

$P(x)=P(0)e^{-\lambda x}$

这意味着，稳态概率密度函数 $P(x)$ 随窗口大小 $x$ 呈指数衰减，这就干掉了重尾。

来看 $\lambda =-\ln (1-p)>0$ 的物理意义，$p$ 越大，$\lambda$ 越大，意味着指数衰减得越快，越陡峭。这很容易理解，如果丢包率 $p$ 很高，说明网络拥堵，这时稍微把窗口 $x$ 调大一点，触发丢包的概率就极高，因此，系统根本不敢把窗口维持在很高的状态，大窗口出现的概率会断崖式下降。

正确的事总有同归的殊途，下面看基于连续流体近似(Fluid Model)模型下如何描述这事。

我的目标是求稳态下窗口处于极大值 $w$ 的概率密度 $f(w)$。在稳态下，对于任意一个极高的窗口值 $w$ ，流入 $w$ 的概率流必须等于流出 $w$ 的概率流。

流入 $w$ 的唯一的方式是从 $w-\text{d}w$ 线性增长过来，所以单位时间内流入 $w$ 的概率流为 $\text{Inflow}=\alpha f(w)$ 而流出 $w$ 的唯一的方式是触发丢包，单位时间内从 $w$ 离开的概率流为 $\text{Outflow}=pf(w)$。

考虑窗口 $W$ 超过极高阈值 $w$ 的概率 $\overline{F}(w) 的衰减，看累积概率 $\overline{F}(w)=P_r(W>w)$ 的变化。

在流体模型(非严格和精确意义，我只是为了推导出指数衰减，而不是要算具体衰减率)中，稳态下大于 $w$ 的概率 $\overline{F}(w)$ 满足以下经典的 $\text{AIMD}$ 流体方程：

$\alpha \frac{\text{d}\overline{F}(w)}{\text{d}w}=-p\overline{F}(w)$

解它：

$\overline{F}(w)=C\cdot e^{-\frac{p}{\alpha }w}$

由于 $f(w)=-\frac{\text{d}\overline{F}(w)}{\text{d}w}$，所以：

$f(w)\propto e^{-\frac{p}{\alpha }w}$

意思是，$\text{AIMD}$ 窗口的稳态分布呈严格的指数衰减，衰减率 $\lambda =\frac{p}{\alpha }$，如果考虑更精确的积分流体模型，衰减率会修正为 $\lambda =\frac{-\ln (1-p)}{\alpha }$，即与上述殊途同归。 这是另一种削掉重尾的解释。

裤衩子锁着边儿，而且绣着花儿。

综上：

• $textAIMD$ 稳态窗口仅依赖丢包率；
• $\text{MD}$ 提供分布式共识，公平手链；
• 隐式丢包负反馈控制队列有界；
• 窗口稳态分布为指数尾，削掉重尾；

$\text{AIMD}$ 的有效性在于它的反馈控制结构天然免疫于自相似流量的病理，帕累托重尾，高 $\text{Hurst}$，长程依赖这些使 $\text{BBR}$ 的开环估计崩溃的因素，对 $\text{AIMD}$ 的闭环反馈机制几乎没有影响$\text{AIMD}$ 用丢包这一个标量信号，替代了 $\text{BBR}$ 需要精确估计的整个网络状态空间，这种信息压缩正是其在实际网络中保持稳定有界的数学本质。

必须要说的是，我平时说的 $\text{BBR}，\text{CUBIC}，\text{AIMD}$ 并非 $\text{TCP}$ 的特定概念，它们属于一个更大的范畴，比如主流 $\text{RDMA}(\text{RoCEv2})$ 标准拥塞控制 $\text{DCQCN}$ 核心就是 $\text{AIMD}$，而部分 $\text{RDMA}$ 算法则不使用 $\text{AIMD}$。

浙江温州皮鞋湿，下雨进水不会胖。