webrtc弱网-PccNetworkController类源码分析与算法原理

PccNetworkController是WebRTC中基于PCC算法的拥塞控制核心组件，通过在线凸优化实现智能带宽估计。它采用多模式控制策略（启动、慢启动、在线学习、双重检查），在监控间隔内测试对称速率变化，基于效用函数梯度上升优化发送速率。通过动态评估吞吐量、延迟和丢包率的综合性能，自适应调整传输策略，在保证网络稳定性的同时最大化传输效率，显著提升实时音视频通信的质量和鲁棒性。

一. 核心功能

PCC (Performance-oriented Congestion Control) 是一种基于在线凸优化的拥塞控制算法，主要功能包括：

多模式速率控制：启动模式、慢启动模式、在线学习模式和双重检查模式
监控间隔管理：通过监控间隔测试不同发送速率对网络性能的影响
效用函数优化：基于吞吐量、延迟和丢包率计算效用函数，通过梯度上升最大化性能
自适应参数调整：根据网络状况动态调整监控间隔时长和超时参数

二. 核心算法原理

2.1 效用函数数学模型

PCC的核心是基于效用函数的优化：

复制代码

Utility = w1 * throughput^α - w2 * loss_rate - w3 * delay_gradient

在代码中的具体实现：

复制代码

// 效用函数参数定义
constexpr double kRttGradientCoefficientBps = 0.005;  // 延迟梯度权重 w3
constexpr double kLossCoefficientBps = 10;           // 丢包率权重 w2
constexpr double kThroughputCoefficient = 0.001;     // 吞吐量权重 w1
constexpr double kThroughputPower = 0.9;             // 吞吐量指数 α

2.2 梯度上升更新公式

复制代码

// 速率更新规则：r_{t+1} = r_t + η * ∇Utility(r_t)
// 在代码中的实现：
void PccNetworkController::UpdateSendingRateAndMode() {
  if (mode_ == Mode::kSlowStart) {
    // 慢启动：指数增长
    bandwidth_estimate_ = bandwidth_estimate_ * kSlowStartModeIncrease;
  } else {
    // 在线学习：基于效用函数梯度更新
    bandwidth_estimate_ = 
        bitrate_controller_.ComputeRateUpdateForOnlineLearningMode(
            monitor_intervals_, bandwidth_estimate_);
  }
}

2.3 监控间隔测试策略

复制代码

// 测试两个对称的速率：r(1+ε) 和 r(1-ε)
monitor_intervals_bitrates_ = {
    bandwidth_estimate_ * (1 + sign * sampling_step_),
    bandwidth_estimate_ * (1 - sign * sampling_step_)};

三. 关键数据结构

3.1 PccNetworkController 核心成员

复制代码

class PccNetworkController {
 private:
  Mode mode_;                          // 当前控制模式
  DataRate bandwidth_estimate_;        // 当前带宽估计值
  RttTracker rtt_tracker_;             // RTT跟踪器
  PccBitrateController bitrate_controller_; // 比特率控制器
  
  std::vector<PccMonitorInterval> monitor_intervals_;     // 监控间隔队列
  std::vector<DataRate> monitor_intervals_bitrates_;      // 待测试的比特率
  std::deque<PacketResult> last_received_packets_;        // 最近接收包信息
};

3.2 控制模式枚举

复制代码

enum class Mode {
  kStartup,        // 启动阶段：快速探测可用带宽
  kSlowStart,      // 慢启动：保守增加速率
  kOnlineLearning, // 在线学习：基于效用函数优化
  kDoubleCheck     // 双重检查：验证测量结果可靠性
};

四. 核心方法详解

4.1 发送包处理 - OnSentPacket

复制代码

NetworkControlUpdate PccNetworkController::OnSentPacket(SentPacket msg) {
  // 1. 初始化阶段检查
  if (start_time_.IsInfinite()) {
    start_time_ = msg.send_time;
    // 创建第一个监控间隔
    monitor_intervals_.emplace_back(bandwidth_estimate_, msg.send_time,
                                    monitor_intervals_duration_);
  }
  
  // 2. 更新平滑发送间隔（指数加权移动平均）
  smoothed_packets_sending_interval_ = 
      (msg.send_time - last_sent_packet_time_) * kAlphaForPacketInterval +
      (1 - kAlphaForPacketInterval) * smoothed_packets_sending_interval_;
  
  // 3. 超时检测和处理
  if (IsTimeoutExpired(msg.send_time)) {
    // 超时时将带宽估计减半
    bandwidth_estimate_ = std::min<DataRate>(
        bandwidth_estimate_ * 0.5, receiving_rate);
  }
  
  // 4. 启动阶段持续时间检查
  if (mode_ == Mode::kStartup && 
      msg.send_time - start_time_ >= kStartupDuration) {
    // 切换到慢启动模式
    mode_ = Mode::kSlowStart;
    monitor_intervals_duration_ = ComputeMonitorIntervalsDuration();
  }
  
  // 5. 创建新的监控间隔
  if (IsFeedbackCollectionDone() || IsTimeoutExpired(msg.send_time)) {
    if (mode_ == Mode::kSlowStart) {
      // 慢启动：测试增长后的速率
      monitor_intervals_bitrates_ = {kSlowStartModeIncrease * bandwidth_estimate_};
    } else {
      // 在线学习：测试对称的速率变化
      monitor_intervals_bitrates_ = {
          bandwidth_estimate_ * (1 + sign * sampling_step_),
          bandwidth_estimate_ * (1 - sign * sampling_step_)};
    }
  }
  
  return CreateRateUpdate(msg.send_time);
}

4.2 反馈包处理 - OnTransportPacketsFeedback

复制代码

NetworkControlUpdate PccNetworkController::OnTransportPacketsFeedback(
    TransportPacketsFeedback msg) {
  // 1. 保存接收包信息用于后续分析
  for (const PacketResult& packet_result : msg.ReceivedWithSendInfo()) {
    last_received_packets_.push_back(packet_result);
  }
  
  // 2. 更新RTT估计
  rtt_tracker_.OnPacketsFeedback(msg.PacketsWithFeedback(), msg.feedback_time);
  
  // 3. 更新监控间隔的统计信息
  if (!IsFeedbackCollectionDone() && !monitor_intervals_.empty()) {
    for (size_t i = complete_feedback_monitor_interval_number_;
         i < monitor_intervals_.size(); ++i) {
      monitor_intervals_[i].OnPacketsFeedback(msg.PacketsWithFeedback());
      if (monitor_intervals_[i].IsFeedbackCollectionDone()) {
        complete_feedback_monitor_interval_number_++;
      }
    }
  }
  
  // 4. 检查是否需要双重检查
  if (IsFeedbackCollectionDone()) {
    if (mode_ == Mode::kDoubleCheck) {
      mode_ = Mode::kOnlineLearning;
    } else if (NeedDoubleCheckMeasurments()) {
      mode_ = Mode::kDoubleCheck;
    }
    
    // 5. 更新发送速率
    if (mode_ != Mode::kDoubleCheck)
      UpdateSendingRateAndMode();
  }
  
  return NetworkControlUpdate();
}

4.3 监控间隔时长计算

复制代码

TimeDelta PccNetworkController::ComputeMonitorIntervalsDuration() const {
  TimeDelta monitor_intervals_duration = TimeDelta::Zero();
  
  if (monitor_interval_length_strategy_ == 
      MonitorIntervalLengthStrategy::kAdaptive) {
    // 自适应策略：基于RTT和包发送间隔
    monitor_intervals_duration = std::max(
        rtt_tracker_.GetRtt() * monitor_interval_duration_ratio_,
        smoothed_packets_sending_interval_ * min_packets_number_per_interval_);
  } else {
    // 固定策略：基于包数量
    monitor_intervals_duration = 
        smoothed_packets_sending_interval_ * min_packets_number_per_interval_;
  }
  
  // 确保不小于最小持续时间
  return std::max(kMinDurationOfMonitorInterval, monitor_intervals_duration);
}

五. 设计亮点

5.1 多模式自适应控制

启动模式：快速探测网络容量
慢启动：保守增长避免拥塞
在线学习：基于效用函数优化
双重检查：提高测量可靠性

5.2 对称测试设计

通过测试对称的速率变化 r(1±ε)，可以准确估计效用函数的梯度方向。

5.3 自适应监控间隔

根据网络状况动态调整监控间隔时长，平衡测量准确性和响应速度。

5.4 鲁棒性设计

超时检测和处理机制
双重检查避免错误决策
平滑参数更新减少振荡

六. 典型工作流程

6.1 流程图

6.2 时序图

6.3 关键流程说明

启动阶段流程：

初始化带宽估计和监控间隔
在固定时长内收集网络统计信息
基于接收速率初始化带宽估计
切换到慢启动模式

在线学习阶段流程：

设置两个对称的测试速率
在每个监控间隔内以相应速率发送数据
收集吞吐量、延迟、丢包率统计
计算效用函数并估计梯度
沿梯度方向更新发送速率

双重检查流程：

检测到速率与丢包率变化方向矛盾
进入双重检查模式重新测试
验证测量结果的可靠性
返回在线学习模式继续优化

这种设计使得PCC能够在不同网络条件下自适应调整，通过在线学习找到最优的发送速率，同时在面对不确定的测量结果时保持鲁棒性。