我从 BBRv1 到 KCC 的思考

我从 BBRv1 到 KCC 的思考

1. 一开始，我只是想要一个可以解释的算法

我刚接触拥塞控制的时候，CUBIC 还是主流。它工作得还行，但我一直有个不舒服的感觉：它把丢包当作拥塞的唯一信号。可丢包明明有很多原因------浅缓冲区、无线干扰、甚至 CPU 调度抖动。你都不知道自己到底是因为网络满了才丢包，还是因为别的什么原因。

那时候 Reno、CUBIC 这类算法的逻辑是：丢包 → 砍窗口 → 慢慢恢复。像一个被烫了手就缩回去、然后再试探的孩子。你能说它不对吗？也不能。但总觉得少了点什么------少了那种"我知道我为什么这么做"的确定性。

直到 2016 年，BBRv1 出来了。

说实话，第一次读 BBR 论文的时候，我心里有一种"对，就该是这样"的感觉。它不盯着丢包，而是去测量两个物理量：带宽和 RTT。然后算出 BDP，就让发送行为绕着 BDP 转。丢包只是探测过程中可能出现的结果，不是需要恐慌的信号。

这套逻辑是可以解释的。你问一个 BBR 流现在为什么降速？它可以告诉你：因为我测到的 RTT 变大了，说明队列在涨，所以我调低增益。你问它为什么加速？因为我发现带宽还有余量。

BBR 的优雅在于它建立了一个因果链条：测量 → 状态估计 → 决策。而不是"丢包了，砍窗口"------因果链太短，信息损失太大。

所以我成了 BBR 的信徒。准确说，是 BBRv1 的信徒。

2. 但 BBRv1 有它的命门

用了一段时间 BBRv1，我开始在实际场景中碰到问题。

比如多流共享一个瓶颈时，八个 BBR 流会同步震荡。比如和 CUBIC 共存时，BBR 反而容易被挤占。比如在 LTE 网络里，RTT 经常跳来跳去，BBR 的 min_rtt 窗口要么跟不上，要么被污染。

问题的根源在哪里？我后来想明白了：BBRv1 对 RTT 的假设太强了。

BBRv1 认为：真实传播延迟 ≈ 所有 RTT 样本的最小值。因为排队延迟是非负的，噪音可以被窗口平均掉，所以最小值最接近真相。

这个假设在实验室里成立。但在现实网络中：

• 你永远不能保证窗口期内真的出现过一次零排队的样本。
• 噪音不是零均值的，也不是对称的。无线突发的延迟抖动、ACK 压缩、时钟漂移，都会让最小值也不那么"真"。
• 当真实传播延迟因为路由切换而变大时，滑动窗口的最小值要等旧窗口过期才能上升，这期间 BDP 低估，吞吐量直接腰斩。

所以 BBRv1 的命门是：它试图用一个非常简单的工具（滑动窗口取 min）来撬动一个非常复杂的问题（从混叠信号中分离真实值）。它在大多数时候够用，但碰到噪声多、路径变化快的场景，就露怯了。

3. BBRv2/v3 让我感到失望

我知道 BBR 团队肯定也看到了这些问题。后来 BBRv2 和 BBRv3 陆续出来，我原本期待他们能找到一种更优雅的方式来解决 BBRv1 的测量缺陷。

但我看到的不是对测量模型的改进，而是规则的堆砌。

• probe_up 退出条件增加了 is_app_limited 和 !tcp_send_head
• drain 加了安全超时
• 引入了 loss_work_area，把丢包重新当作信号
• ECN 被当作另一个触发开关，配上各种阈值（比如 ECN 标记率超过 5% 就降窗口）

每发现一个新问题，就加一条新规则。我理解这种务实的动机------线上服务不能崩，KPI 要交差。但从技术美学的角度，这让我很难受。

因为规则堆砌本质上是在绕过问题，而不是解决问题。

核心问题依然在那里：你还是无法从 RTT 样本中分离出真实传播延迟、排队延迟和噪音。你只是用越来越多的状态变量去掩盖分离失败带来的副作用。规则越多，算法行为越难预测，越像一个"在这个测试集上跑得不错"的黑盒，而不是一个可以逻辑推导的数学模型。

更让我失望的是，BBRv2/v3 事实上否定了 BBRv1 最核心的理念------丢包不是问题。把丢包重新请回来，在我看来是一种倒退。

我开始怀疑：BBRv2/v3 的主导者可能已经不是原班人马了。Van Jacobson、Neal Cardwell 那批人的学术纯洁性，在工业化压力下被稀释了。这不是指责谁，是大型项目演进的常见命运。

4. 我自己也走过弯路：UCP

当时我觉得，既然 BBRv1 的通用模型不够鲁棒，那我就针对不同网络类型做定制。UCP（Unbiased Congestion Predictor）的想法是：先判断用户在哪类网络上（有线/无线、低延迟/高 RTT、数据中心/公网），然后给每类网络配一套最优的增益表和规则。

听起来合理对吧？但做起来全是坑。

问题出在：分类本身需要的特征，恰恰是我无法直接观测的。我需要知道真实传播延迟和排队延迟才能判断网络类型，而这两者正是我要估计的东西。这是一个循环依赖。

我只能用一些粗糙的启发式去"猜"类别。比如 RTT 方差大 → 无线；RTT 绝对值大 → 卫星。但启发式在 A 网络有效，到 B 网络就因为噪声分布不同而失效。于是我陷入"如果抖动高则调阈值"、"如果排队异常则换增益表"的无休止补丁循环。

最终 UCP 死了。不是因为工程能力不够，而是因为这条路在逻辑上就走不通。试图对网络进行分类是徒劳的，因为类别是人为划分的、不稳定的、而且无法直接观测。

这个失败让我痛苦了很久，但也让我彻底明白了一件事：不要试图用规则去覆盖世界的多样性，而要建立一个能适应多样性的模型。

5. KCC：回归模型，用卡尔曼滤波测量

UCP 失败后，我开始寻找能真正解决核心命题的工具。卡尔曼滤波进入了我的视野。

卡尔曼滤波的基本模型：

x[k] = x[k-1] + w          // 真实传播延迟随机游走
z[k] = x[k] + q[k] + v     // 观测 = 真实 + 排队 + 噪音

这个模型直接对应了我之前说的三个变量：

• x 是真实传播延迟（我要估计的状态）
• q 是排队延迟（非负，可以从残差中剥离）
• v 是零均值测量噪音（被建模为协方差 R）

卡尔曼滤波不能魔法般地把三者完美分离，但它能做到：

• 给出 x 的最优估计（最小均方误差）
• 同时给出估计的不确定度 p_est
• 每次更新后，q_hat = max(0, z - x_hat) 就是排队延迟的估计
• 噪音协方差 R 可以动态调整（比如 ECN 来了，说明当前观测可信度高，就降低 R）

这个框架让我激动。因为它正面回答了核心命题，而不是绕过它。它承认我无法完美分离三者，但可以用概率模型去估计它们，并告诉我估计有多可靠。

于是我决定：保留 BBRv1 的状态机框架（STARTUP、DRAIN、PROBE_BW、PROBE_RTT），因为那个框架在结构上仍然是正确的。我只替换其中最脆弱的一环------min_rtt 的估计方法。

这就是 KCC 的诞生。

6. 模型改进带来的自然衍生

替换为卡尔曼滤波后，几个长期困扰我的问题自然地得到了解决。注意，是自然衍生，而不是我刻意去打补丁。

PROBE_RTT 不再是必需品：因为卡尔曼本身就在持续收敛到真实传播延迟，不需要周期性强制 drain 去刷新 min_rtt。那个每 10 秒一次的吞吐悬崖可以被移除。

排队延迟和抖动变成了有意义的信号：以前它们只是噪声，现在我可以根据 q_hat 来动态调整 PROBE_BW 阶段的增益，根据 jitter 来调节卡尔曼的 R，甚至用低 qdelay 和低 jitter 来检测单流场景。这些都是从模型内部自然衍生出来的。

与 CUBIC 共存时更稳健：CUBIC 会造成队列波动，污染 RTT 样本。但卡尔曼对真实传播延迟的估计比滑动窗口最小值更鲁棒，不容易被带偏。我不需要写任何"识别 CUBIC 然后退让"的丑陋规则。

ECN 被优雅地融入：交换机发出的 CE 标记，本质上是对排队延迟过大的提前警告。在卡尔曼框架里，这告诉我当前观测的噪声很低，应该降低 R，让滤波器更相信这次观测。ECN 变成了数学矩阵里的一个参数调节信号，而不是一个 if-else 分支。

我也在 KCC 里加了一些辅助改进，比如 DRAIN 退出的 AND+超时、PROBE_RTT 的抖动偏移、LT 采样的拥塞门控等。但这些都不是"补丁"------它们是模型改进后，为了让状态机适配新模型而做的合理调整。如果你仔细看，它们每个都有理论依据，而不是拍脑袋的经验阈值。

7. 我的态度

我不认为 BBRv2/v3 是"错误的"。它们只是选择了另一条路------一条更务实、更工程化、但在我看来也更平庸的路。我尊重那个选择，但我不会走那条路。

我也不认为 KCC 是完美的。它还有很多可以改进的地方：比如从单状态卡尔曼扩展到带宽-延迟联合估计，或者引入更强大的滤波来处理高度非线性的无线链路。完美不存在，方向才重要。

我选择的方向是：正面回答核心命题，用模型驱动代替规则驱动，用概率滤波代替经验阈值。

BBRv1 给了我一个起点。KCC 是我从这个起点出发，用自己的方式往前走的一步。

这不是一个"终极答案"。这是我作为一个喜欢 BBRv1 思想的人，在遇到现实困境后，经过思考、失败、再思考，给出的一个我认为更诚实的回答。