华夏创新都知道的吧，但没几个能学明白它们的，但拙劣的模仿者倒是不在少数。
几乎所有号称基于学习的，基于历史的拥塞控制算法都是在利用局部性原理，比如简单的移动指数平均，企图用刚刚逝去的历史启动现在，你会看到，即便历史已经表明 RTT 事实上一直在上下波动，这种启发式算法给出的永远是一个单独的预测值，你觉得这个值能准确到哪去。
曾经 Linux 内核有个 net.ipv4.tcp_no_metrics_save = 0 参数，但几乎没什么卵用，你仿照它的实现在里面再多增加几个 metric，依然没什么卵用，因为你不懂长程依赖的发现要在不同跨度错开，但一说傅里叶级数你就又懂了。
依然是用历史去启发现在，只不过是用不同时间跨度的同比替代单一环比，难道不是这种策略更能精确刻画历史的每一个细节吗，所有的尺度同比数据就摆在那里，就像傅里叶展开一样，你将看到整个历史在任意精度下的全貌，而不只是一个值，事实上，可以认为同比是大跨度的环比。
你会发现，用 n 个跨度的移动指数平均跟踪 RTT，可以快速发现长程依赖的规律，接下来你就知道什么时间段设置什么 cwnd 了，就是这么简单。
我准备连续观察两个月的数据，跨度从秒，分钟，一刻钟，小时，日，周，半月一直到月，可是这么多值保存在哪里呢，没有任何连接可以持续这么久，同时我也不想为每个跨度只保存一个某种均值(若保存均值，只需保存 8 个值即可)，我想全部保存下来，摊开一张纸上来立体直观看，我只相信我的眼睛以及我的脑子的判断。
是的，以前我真的就是摊开到纸上肉眼看，字面意义的纸上，打印机打出来的，辅助手抄，于是诞生了我那经典的 1000 个 if 分支，效果杠杠的。如今不用那么麻烦了，结合一个大模型即可，喂养的数据就是各个跨度的 RTT，cwnd 信息，在学习过程中将历史全部塑造在神经网络的权重中，历史存在整个模型。接下来，只需要把当前度量喂进去，一个推理结束，cwnd 就出来了，准不准不说，肯定会越来越准的。简单拿 sigmoid(rtt/bw) + sigmoid(丢包率) 做损失函数，复杂的自己想。
还有一种方法，参考阿里的 TCPRT，实时或周期性通过 relayfs 将数据通过类似 kalfka 吐给专门的数据分析服务，但它没有干净利索的损失函数进行反哺，不过这也算是大模型之前的传统方法了，显然没有大模型清爽。
浙江温州皮鞋湿，下雨进水不会胖。