关于拥塞控制的几点思考

关于拥塞控制的几点思考

引言

拥塞控制要解决的根本问题，表述起来很简单：多个发送方共享一条链路，如何协调各自的发送速率，使得链路资源被充分利用，同时避免因过载而崩溃。

但这个问题没有终极答案。它之所以难，不是因为数学不够精巧，而是因为它本质上是在不确定的环境中做决策。你所依赖的测量信号永远是不完整的，你所构建的模型永远是对现实的简化，你所能做的，永远是在多个互斥的目标之间寻找一个可接受的平衡。

下面从六个方面展开。

一、测量的互斥性

拥塞控制的第一步是测量链路状态。但这里存在一个根本性的互斥：

这是一个观测困境。任何算法都必须在这个困境中选择一个优先方向：要么先测带宽，接受延迟测量暂时不可靠；要么先测延迟，接受带宽测量暂时不可靠。没有人能同时做到两件事。

这意味着，所有算法从第一步开始就已经带着偏见。

二、信号含义的模糊性

即使你获得了测量值，如何解读它也是一个难题。

丢包是一个物理事实，但造成丢包的原因多种多样。把丢包当作拥塞信号，在无线网络或浅缓存场景下会导致不必要的降速；不把丢包当回事，在真正拥塞时又可能让队列无限增长。

RTT的增加同样模糊。一次路由切换可能让延迟永久增加几十毫秒，但这与拥塞无关。一次系统时钟抖动可能产生一个异常大的RTT样本，但下一毫秒就恢复正常。你无法仅从一个数字判断它背后的物理原因。

算法只能做一种假设：要么假定大多数异常是噪声，可以过滤；要么假定大多数异常是信号，需要响应。没有哪种假设永远正确。

三、利用率与拥塞的对立

算法的第一目标是带宽利用率——用户为带宽付费，自然希望用满它。但利用率与拥塞之间存在天然矛盾：

在达到瓶颈带宽之前，利用率随发送速率线性增长。越过瓶颈之后，额外流量只会增加队列长度和延迟，而不会提高有效吞吐。继续增加，队列溢出，丢包发生，重传消耗额外带宽，有效吞吐甚至可能下降。

所以，想跑满带宽，就必须接受一定程度的排队；想避免丢包，就必须牺牲一部分带宽。这不是算法缺陷，而是物理约束。

不同场景对这笔交易的接受度不同：

没有一种策略能同时满足所有场景。

四、公平性的模糊边界

当多条流共享同一条链路时，算法还必须回答一个问题：谁应该得到多少？

“公平”不是一个数学概念，而是一个社会性概念。不同用户、不同应用对公平的期待不同。TCP的“公平”通常指“各流平分瓶颈带宽”，但这隐含了假设：所有流同等重要、同等持久、同等对延迟敏感。这些假设在现实中常常不成立。

一个诚实的表述是：我们无法定义绝对公平，只能定义一种可接受的共存状态——在这种状态下，没有一条流觉得自己被恶意压制，整体带宽没有被明显浪费。这个边界是模糊的，不同算法划在不同的位置。

五、测量工具的假设与局限

任何测量工具都带有假设。算法的差异，很大程度上是测量工具的差异。

滑动窗口取最小值，默认真实延迟是稳定的，噪声只是偶尔的异常。当网络频繁抖动或路径切换时，这个假设就会出问题。

卡尔曼滤波假设过程是随机游走、噪声是高斯分布。这个假设在很多场景下更贴近现实，但它仍然是简化——真实网络的噪声并不总是高斯的。

丢包作为拥塞信号的假设，在现代网络（大缓存、无线、数据中心）中越来越不可靠。

没有万能的测量工具。每个工具都有它的适用环境，而环境是会变的。

六、两种思想

面对上述所有不确定性，算法设计大致有两种思路。

规则驱动：写清楚if-then，规定什么时候增加窗口、什么时候减少。这种思路偏好确定性，行为可预测，调试方便。但它永远面临一个问题：规则无法穷尽所有情况。每发现一个新问题，就要打一个新补丁。补丁多了，系统变得脆弱且难以理解。

模型驱动：先假设网络行为可以用某个数学模型描述（比如随机游走、线性系统），然后用观测数据不断修正模型参数，最后根据模型输出做决策。这种思路更灵活，能适应环境变化。但它依赖于模型的正确性——如果模型假设偏离真实，误差会被迭代放大。

两种思路没有绝对优劣。它们只是对“不确定性”的不同态度：一种试图通过规则来控制它，另一种试图通过模型来量化它。

结语

拥塞控制不是一个可以“终结”的问题。

网络在变，应用在变，硬件在变，人们对“好”的定义也在变。一个在今天看来优雅的模型，明天可能因为新的场景而显得简陋。

一个诚实的拥塞控制算法设计者会说：我不知道最优解是什么。我只能选择一个不太坏的妥协。选择激进，就承受丢包；选择保守，就承受浪费；选择公平，就承受效率损失；选择效率，就承受不公平。

承认这个局限与自己的无知，可能比发明一个“完美”算法更重要。

因为说到底，我们是在用有限的观测、有偏的假设、互斥的目标，去应对一个我们永远无法完全了解的世界。这不是技术问题，这是认识论问题。

这篇博客没有结论，因为本来就没有结论。