PCC拥塞控制算法有什么新的突破

Posted 2021-09-27 dog250

包括BBR在内的所有常见的拥塞控制算法都基于下面的策略：

• 对特定的网络事件实施特定的动作。

比如检测到丢包后窗口减半，RTT变大后排空buffer等等，这些事件和动作的对应关系都是固定的，即便是非拥塞导致的事件，这些算法依然要采取相应的动作。

比如对于CUBIC，即便一个噪声丢包被监测到，窗口依然要降20%，这显然不合理。BBR要好很多，但它还是需要周期性进入ProbeRTT，同时BBR依然对独立丢包事件有所反应，要么这种反应过于保守，要么过于激进，很难兼顾低重传率和高带宽利用率。

互联网本身就是统计复用的，状态特征瞬息万变，事件触发原因错综复杂，根本不存在事件和原因的固定关联，也就不存在事件和动作的固定映射。指望这种固定映射的拥塞控制效果，可想而知。

PCC提出一种持续自学习的方法，不再对特定网络事件作出特定反应，而是将所有回馈数据作为变量交给一个效能函数$U$来处理，效能函数$U$会返回一个得分，分数越高，表明这组数据表征的网络状况越好。只要选择合适的效能函数$U$，PCC便可以同时兼顾高带宽利用率以及高公平性。

我不喜欢把paper重新解释一遍，详情参考：
https://www.usenix.org/system/files/conference/nsdi15/nsdi15-paper-dong.pdf

这里面比较有意思的是如何确定效能函数$U$，简单谈一下我的想法。

效能包括两部分，正效能和负效能，总的效能是两部分相加，如果追求高带宽低时延低丢包，设$T$为测量带宽，$RTT$为时延，$loss$为当前检测到的丢包，那么效能函数可以表示成：

$U(T,RTT,loss)=f(T)+g(\frac{dRTT}{dt})+k(loss)$

其中：

• $f(x)$表示正效能，为单调递增函数。
• $g(x)$既可以表示正效能也可以表示负效能，它穿过第二象限，原点，第四象限的单调递减函数。
• $k(x)$表示负效能，为单调递减函数。

$f(x)$和$k(x)$没得说，关键是$g(x)$，单纯RTT的绝对值没有意义，因此用RTT的变化作为变量，如果RTT迅速变大，那肯定不是好事，反过来，如果RTT缓慢变小，那肯定是加分项，但加分值显然不如RTT迅速变小。

以上原则保证了每一条PCC流均向最高效能逼近。很神奇的是，所有的PCC流看起来都是自私地逼近自己的最优点，但全局来看，所有的流最终竟然还能收敛到公平，虽然我没有实测这个结论，但这仍然是最吸引我的地方。

现在的问题是，$f(x)$，$g(x)$，$k(x)$还要满足什么原则，能保证公平性呢？

这是一个复杂的数学问题，但还是可以简单介绍一下基本原理。关键点在于负效能的引入，会对每一次收益扣除相应的代价。

将公平性定义为占用buffer的比例是合理的，在此假设下，从2条流的公平性开始。

如果一条流占据buffer不超过0.5，那么它的正效能将大于负效能，反之如果一条流占据了超过0.5的buffer，那么它的负效能将大于正效能，当正好占据0.5的buffer时，正效能和负效能正好相等，在上述原则约束下，可以绘制出一族满足条件的$U$。显然，如果一条流占据buffer不足0.5时，它倾向于被正效能引导占据更多的buffer，反之则被负效能引导释放更多的buffer，最终两条流各占一半的buffer。

现在推而广之，3条流的$\frac{1}{3}$占比，4条流的$\frac{1}{4}$占比…n条流的$\frac{1}{n}$占比。只需要在绘制出来的第n族$U$曲线中，找到一条同时最佳拟合所有n族曲线任意一条的曲线即可，其关于$f(x)$，$g(x)$，$k(x)$的表达式，就是最终的$U$。

假设这个$U$已经存在，实施PCC就变得自然而然。需要做的仅仅是以不同的发送速率不断探测，通过将回馈的结果灌入$U$函数来为该发送速率打分，以此方法慢慢逼近最优发送速率。

PCC paper建议的探测方法是：

• 以$r_1=r(1+\epsilon )$和$r_2=r(1-\epsilon )$在packet round之间交替探测，其中$r$为当前实际速率，$\epsilon$为一个比较小的探测步长。小步才能快跑，步子大了容易扯到蛋。
• 获取$r_1$和$r_2$的回馈$R_1$和$R_2$，分别计算$U(R_1)$和$U(R_2)$。
• 若$U(R_1)>U(R_2)$，则$r=r_1$，反之$r=r_2$.

但这显然不是唯一的方式，如何探测并不是最重要的。

PCC指出了端到端拥塞控制的终极方案，即探测，无论Reno/CUBIC，BBR，还是PCC，事实上都是在探测，Reno/CUBIC以一个AIMD周期来探测，最终探测到一个丢包作为buffer overflow的标志，BBR以8个packet rounds来探测，以获取空余带宽，同时以10s为周期探测以获取RTprop。PCC将所有的这些探测目标体现在单独的一次探测中，所以PCC理论上可以持续学习，以逼近最优解。

无论实际效果如何，PCC是一个新的方向。

BBR通过巧妙分割ProbeBW和ProbeRTT周期以确保探测正交性：

• ProbeBW时，其RTT是RTprop，在up probe造成排队时，drain to target会排出多余的包。
• ProbeRTT时，排空buffer，但max bandwidth依然维持在max-win-filter中。

然而该分割仅针对全网BBR的场景，当面对异构网络与其它CC流共存时，上述的正交性便无法得到保证，10s太久，8个rounds可能也不灵敏，buffer可能并非BBR流填充的，此时如何应对，事情就会变得复杂，BBRv2简直就是妥协的产物，面目已全非。

PCC将正交性融合在了一个单独的效能函数中，每一个round就能获得一个效能结果，事件不会再被探测周期淹没，探测周期可能仅仅为了低通滤波的目的而继续存在。

端到端的拥塞控制，很简单也很难，简单在只需要探测，难在如何探测。

在此前的多年，我和同事一直都在聊如何从一些测量量的导数，二阶导数看到些变化趋势或者可以指导如何反应的实时动态，但并不易，难在实现而不是思路，除了四则混合运算，额外开方，求导，积分，自然对数，这些真的很难，即便是除法，也很难保证精度，我们无法做到快速验证，大多数时候也就只能纸上谈兵了。

---

浙江温州皮鞋湿，下雨进水不会胖。