KCC G₃ 路径切换检测器 — 穷举

liulilittle2026-07-02 9:29

KCC G₃ 路径切换检测器 --- 穷举

基线方案 ：C1 ∧ C2 ∧ C3(2)，即 ν > 2×qdelay_ewma ∧ qdelay < 50%RTT ∧ pos_skip ≥ 2

基线性能 （基于代码注释 tcp_kcc.c:11967 + 理论推导）：

场景 FPR（每个 RTT） 检测延迟（RTT） 备注
WAN (RTT~100ms) ~1% 2 假设独立噪声采样
DC (RTT~1ms) ~0.03% 2 低噪声路径
Mobile (RTT~50ms) ~3% 2-3 高抖动，FPR 升高
Satellite (RTT~600ms) ~0.5% 2 大 BDP，qdelay 基线高

基线代码 ：tcp_kcc.c:11976-11988

方案 1：CUSUM 检测器

原理

定义累积和 S_k = max(0, S_{k-1} + ν_k − drift)。当 S_k > h 时触发。比计数阈值更灵敏------计数阈值需要 N 个连续正样本才触发；CUSUM 在第一个大 ν 后立即开始累积，下一个正样本无需"连续"即可贡献。

在 T_prop 阶跃场景：ν = {200ms, 195ms, 190ms, ...}（均 >> drift≈2ms），CUSUM 在 1-2 步内跨越 h。

参数空间

  • drift ∈ {0.5×qdelay, 1.0×qdelay, 2.0×qdelay, 0.02×RTT, 0.05×RTT, 0.1×RTT}
  • h ∈ {0.01×RTT, 0.02×RTT, 0.05×RTT, 0.1×RTT, 1.0×RTT}

性能估计

场景 最优(drift, h) FPR 检测延迟(RTT) 改善
WAN (2×qdelay, 0.05×RTT) ~0.8% 1.5 (均值) FPR −20%, 延迟 −25%
DC (1×qdelay, 0.02×RTT) ~0.02% 1.2 FPR −33%, 延迟 −40%
Mobile (3×qdelay, 0.1×RTT) ~2.5% 1.8 FPR −17%, 延迟 −10%
Satellite (2×qdelay, 0.05×RTT) ~0.4% 1.5 FPR −20%, 延迟 −25%

综合分析：

  • TRP=0.5（在 H₀ 下，P(ν > drift) ≈ 0.5，CUSUM 的 ARL₀ ≈ e^h / (1-drift_eff)），比计数更紧
  • 一阶正样本可能不连续（混杂孤立的负样本），CUSUM 不被单次负样本归零（只是衰减 drift），这是相比计数的核心优势
  • 但 h 和 drift 需按 RTT 自适应，否则短 RTT 路径 drift 太小 → FPR 飙升

评估

  • 代码改动：中改（新增 ext->cusum_sum，1 个 u32；CUSUM 计算 3 行）
  • 致命缺陷 ：drift 参数对短 RTT（DC, <1ms）极敏感。若 drift 太小（< 噪声标准差），CUSUM 随机游走频繁触发；若 drift 太大，对小阶跃（5ms→6ms T_prop 变化）不敏感。需要 jitter/RTT 自适应 drift，增加了与 jitter_ewma 的耦合。

方案 2：创新差分（二阶检测）

原理

Δν_k = ν_k − ν_{k-1}

  • T_prop 阶跃 ：ν 序列 = {Δ, Δ−q₁, Δ−q₂, ...}（第一个最大）
    • Δν₁ = −q₁ < 0（第一个差分就是负的）
  • 拥塞增长 ：ν 序列 = {q₁, q₁+Δq₂, q₁+Δq₂+Δq₃, ...}（单调递增或平坦）
    • Δν_k ≈ Δq_{k+1} ≥ 0（有噪声时 ≈ 0）

判别逻辑：Δν_k < 0 且 |ν_k| > 2×qdelay → 路径变化标志。第一个差分负 + 幅度大 = T_prop 阶跃。

性能估计

场景 FPR 检测延迟(RTT) 改善 备注
WAN ~0.5% 2（需要 2 个样本算 Δν） FPR −50% Δν = −q₁ 信号强
DC ~0.01% 2 FPR −67% 几乎无假阳性
Mobile ~5% 2-3 FPR +67%（退化） 抖动产生大量假 Δν < 0
Satellite ~0.3% 2 FPR −40% 稳定

评估

  • 代码改动：小改（存储 prev_innov，1 个 s64；1 个 if 分支）
  • 致命缺陷 ：在移动/高抖动路径上，ν_{k-1} 和 ν_k 都含大噪声。噪声的差分 Δν = η_k − η_{k-1}，方差翻倍（2σ²_η），假 Δν < 0 过多。此外，Δν 需要 2 个采样点才能计算，无法比当前的 pos_skip ≥ 2 更早检测------它本质上是另一种"需要 ≥2 个样本"的条件，并不更快。

改进可能：Δν 与 C1, C2 串联（C1 ∧ C2 ∧ Δν < 0），但本质上等价于当前的 pos_skip ≥ 2 的一条额外确认线，无本质提升。

方案 3：双阈值 CUSUM

原理

  • 上层 CUSUM_U ：仅当 ν_k > 2×qdelay 时才加至 S_U（幅度门控），drift_U，阈值 h_U
    • 目的：检测"ν 持续很大"（路径变化）
  • 下层 CUSUM_L ：仅当 ν_k > 0.2×RTT 时才加至 S_L（持续正向），drift_L，阈值 h_L
    • 目的：检测"ν 持续正向"（阻止孤立噪声触发）
  • 触发 = S_U > h_U AND S_L > h_L

性能估计

场景 FPR 检测延迟(RTT) 改善
WAN ~0.3% 1.5 FPR −70%, 延迟 −25%
DC ~0.005% 1.2 FPR −83%, 延迟 −40%
Mobile ~1.5% 2.0 FPR −50%, 延迟 0%
Satellite ~0.1% 1.5 FPR −80%, 延迟 −25%

评估

  • 代码改动：中-大改（2 个 u32 CUSUM 状态 + 幅度门控逻辑，~15 行）
  • 致命缺陷 ：双 CUSUM 的门控逻辑存在死区。当 T_prop 阶跃幅度恰好 < 0.2×RTT 但 > 2×qdelay（例如 RTT=100ms, qdelay=2ms, 阶跃=15ms：15ms > 2×2=4ms ✓，但 15ms < 0.2×100=20ms ✗），上层 CUSUM 可能单独触发但下层 CUSUM 永远不触发 → G3 永远不响应。这是"中等幅度阶跃"的盲区。相比当前单一幅度检查（C1），双 CUSUM 引入了额外的"下限"，反而可能漏检。

改进可能：去掉下层 CUSUM 的幅度门控，改为纯计数 CUSUM（即方案 1 的 CUSUM）。两层 CUSUM 中至少一层必须无条件累积（不需要幅度门控）。

方案 4：方差比检测

原理

  • 短期窗口 W_s（~8 个样本）：σ²_short = Var_{最近 8 个}(ν_k)
  • 长期窗口 W_l（~64 个样本）：σ²_long = Var_{最近 64 个}(ν_k)
  • R = σ²_short / σ²_long，当 R > 3 时触发

性能估计

场景 FPR 检测延迟(RTT) 改善 备注
WAN ~2% 4-8 FPR +100%（退化） 需要半窗（4 个样本）才检测到
DC ~0.5% 3-6 FPR +1500% 方差比在 DC 上噪声大
Mobile ~8% 5-10 严重退化 移动路径方差天然大
Satellite ~1% 4-8 FPR +100% 延迟翻倍

评估

  • 代码改动：大改（两个环形缓冲区 + 方差跟踪 + 除法；不是 O(1) 更新，需要维护滑动窗口的 sum 和 sumsq）
  • 致命缺陷 ：检测延迟极大 （4-8 RTT）。方差需要在半窗样本后才能反映变化------比当前 2 RTT 慢 2-4 倍。C1 ∧ C2 在第一个大 ν 后只需 pos_skip ≥ 2 确认（2 RTT），方差比需要 4-8 个样本。在 KCC 的快速收敛设计目标下，这不可接受。更致命的是：移动/无线链路天然高抖动，R > 3 频繁触发假阳性。

方案 5：自适应 N

原理

N = f(qdelay_ewma, min_rtt, jitter)

候选形式：

  1. N = max(2, ceil(jitter / qdelay + 1))
  2. N = max(2, ceil(log₂(min_rtt / qdelay)))
  3. N = max(2, ceil(4 × EWMA_coeff × jitter / max(qdelay, 1)))

分析

对形式 1：N = max(2, ceil(jitter/qdelay + 1))

  • DC (jitter=0.1ms, qdelay=0.5ms)：N = max(2, ceil(0.1/0.5 + 1)) = max(2, 1) = 2 → 无变化
  • WAN (jitter=2ms, qdelay=5ms)：N = max(2, ceil(2/5 + 1)) = max(2, 1) = 2 → 无变化
  • Mobile (jitter=15ms, qdelay=5ms)：N = max(2, ceil(15/5 + 1)) = max(2, 4) = 4 → 延迟 +100%
场景 自适应 N FPR 检测延迟(RTT) 改善
WAN 2 ~1% 2 无变化
DC 2 ~0.03% 2 无变化
Mobile 4 ~1% 4 FPR −67%, 延迟 +100%
Satellite 2 ~0.5% 2 无变化

对 Mobile 场景：FPR 下降（因为需要更多连续正样本），但延迟翻倍。

评估

  • 代码改动：小改（1 行计算 N，替换常量 2）
  • 致命缺陷 ：当 qdelay → 0（极轻负载路径）时，N → ∞ 。公式 max(2, ceil(jitter/0 + 1)) 除零。即使加 floor，jitter/qdelay 在极轻负载下爆炸。这导致 G3 在"最需要快速响应"的干净路径上完全失效。自适应 N 与自适应的目的背道而驰：干净路径需要最快的检测（N=2 已最优），高抖动路径才需要更高 N------但高抖动路径上 qdelay 也高（因为抖动包含部分队列效应），jitter/qdelay 不一定大。

方案 6：贝叶斯变点检测（BOCD）

原理

Adams & MacKay (2007)：在每个时间步计算后验 P(r_t | y_{1:t})，其中 r_t 是"run length"（自上次变点以来的步数）。当 P(r_t = 0 | y_{1:t}) > threshold 时声明变点。

计算需要：

  • 预测概率 P(y_t | r_{t-1}, y_{1:t-1})（依赖底层模型，如 Student-t）
  • 递归更新：O(t) 每步（需要遍历所有可能的 run length）
  • 对 ν_k 建模为高斯观测：ν_k | T_prop ~ N(T_prop, σ²_noise)

性能估计

场景 FPR 检测延迟(RTT) 改善
WAN ~0.1% 1-2 FPR −90%
DC ~0.001% 1 FPR −97%
Mobile ~0.5% 2-3 FPR −83%
Satellite ~0.05% 1-2 FPR −90%

评估

  • 代码改动 ：不可行（需要完整后验推理框架，O(T) 每步；即使截断，仍需维护几百个 run length 的概率质量 + Student-t 参数更新 + 积分近似）
  • 致命缺陷 ：计算复杂度 O(T) 每步，在 kernel 快速路径中不可接受 。KCC 的 kcc_main() 每个 ACK 调用一次，延迟需 < 1μs。BOCD 即使截断到 K=100 个 run length，每步仍需 100 次概率计算 + 归一化 + 积分（conjugate prior 的 Student-t 预测需要 Γ 函数）。另外：BOCD 依赖于底层模型的正确指定。如果真实噪声分布非高斯（burst loss, ACK compression），后验概率失准。

方案 7：机器特征 + 分类器（离线分析）

原理

特征向量 f = ν_k, pos_skip_cnt, qdelay_ewma, min_rtt, jitter_ewma

标签：0（无路径变化）/ 1（有路径变化）

训练逻辑回归：P(G3 | f) = σ(w·f + b)

决策边界 → 硬编码为 if-else 规则

分析

这是一个离线分析方法，目的是找出最优决策边界，然后翻译为 C 代码。本质是：用数据驱动的边界替代手工 C1/C2/C3。

评估

  • 代码改动：不改（离线分析阶段）；分析后可能小改/中改（取决于发现的边界复杂度）

  • 致命缺陷 ：无标注 trace 数据。KCC 代码库中没有任何离线 trace 或仿真工具。要获得标注数据需要：

    1. 构建仿真环境（ns-3, Mahimahi, 或内核模块注入）
    2. 生成"有路径变化"和"无路径变化"的 trace
    3. 手工标注 ground truth
    4. 训练分类器

    这是一个独立的研究项目，不是代码改进。即使完成，逻辑回归的决策边界在 5 维空间中可能是非线性的（需要多项式特征映射），翻译为 C 代码的 if-else 并非 trivial ------ 可能最终只是一个"多维线性不等式的 and"，等价于调优后的 C1∧C2∧C3。

方案 8：C1 乘数 m 调优

原理

C1: ν > m × qdelay_ewma，穷举 m ∈ {1.0, 1.5, 2.0, 2.5, 3.0, 4.0, 5.0}

分析

m 语义 WAN FPR WAN 延迟 DC FPR DC 延迟 Mobile FPR Mobile 延迟
1.0 ν > 1×qdelay（极激进） ~8% 2 ~0.5% 2 ~25% 2
1.5 ν > 1.5×qdelay（激进） ~3% 2 ~0.1% 2 ~10% 2
2.0 ν > 2×qdelay（当前） ~1% 2 ~0.03% 2 ~3% 2
2.5 ν > 2.5×qdelay ~0.4% 2 ~0.01% 2 ~1% 2-3
3.0 ν > 3×qdelay ~0.15% 2-3 ~0.003% 2 ~0.4% 2-3
4.0 ν > 4×qdelay（保守） ~0.05% 2-3 ~0.001% 2-3 ~0.1% 3-4
5.0 ν > 5×qdelay（极保守） ~0.02% 3-4 ~0.0003% 3-4 ~0.03% 4-5

Pareto 前沿分析

  • m=1.0：FPR 过高（8% → 每 12 个样本 1 次假阳性），不可接受
  • m=1.5：FPR 仍高（3% → 每 33 个样本 1 次）
  • m=2.0（当前）：平衡点，FPR 1%/检测延迟 2 RTT
  • m=2.5：FPR 减半（0.4%），延迟不变（2 RTT，因为 C3 的 pos_skip≥2 才是延迟瓶颈，而不是 C1 的幅度检查）
  • m=3.0：FPR 再减半（0.15%），延迟仍是 2-3（偶尔需要多一个样本通过 C1）
  • m≥4.0：延迟开始显著增加（3-4 RTT），小幅度阶跃（如 +5ms T_prop，qdelay=2ms → ν=7ms<8ms@m=4.0）可能被永久错过

Pareto 最优候选

  • m=2.5：FPR 0.4%（改善 60%），延迟不变（无退化）
  • m=3.0：FPR 0.15%（改善 85%），延迟 +0-1 RTT（轻微退化）
  • 推荐 m=2.5 或 m=3.0

评估

  • 代码改动 ：不改（调 sysctl 参数 kcc_kalman_q_boost_thresh_val 或新增独立乘数）。若改为 (qdelay_scaled * m) 替代 (qdelay_scaled << 1)，仅 1 行替换。
  • 致命缺陷 ：无。这是最简单的调优，不引入新复杂性，只在现有框架内移动阈值。

方案 9：C2 百分位 p 调优

原理

C2: qdelay_ewma < p × RTT，穷举 p ∈ {25%, 33%, 50%, 66%, 75%}

分析

p 语义 WAN FPR WAN 检测率 Mobile FPR Mobile 检测率
25% queue < 25% RTT（严格） ~0.3% 70% ~0.5% 40%
33% queue < 33% RTT ~0.6% 85% ~1.5% 60%
50% queue < 50% RTT（当前） ~1% 95% ~3% 85%
66% queue < 66% RTT ~2% 98% ~6% 95%
75% queue < 75% RTT（宽松） ~4% 99% ~10% 98%

检测率定义：G3 在真实路径变化时成功触发的概率。

Pareto 前沿分析

  • p=25%：检测率急剧下降（70% WAN, 40% Mobile）。在近拥塞的 path changes（流量已填充 26-50% BDP 时发生 BGP reroute），G3 沉默 → 依赖慢速 drift tiers（16-128 RTT）→ 几秒的收敛延迟。
  • p=50%（当前）：检测率 95% WAN, 85% Mobile。覆盖绝大多数真实 path changes，同时拒绝严重拥塞场景。
  • p=66%：检测率 >98%，但 FPR 翻倍（2%/6%）。在近拥塞路径上（queue > 50% RTT），即使 T_prop 未变化，队列波动也可能通过 C1（ν > 2×qdelay）→ 假阳性飙升。
  • p=75%：FPR 不可接受。

推荐

保持 p=50%。这已经是 C2 的工程最优解：50% 是"半数 BDP"的自然分界点；低于此是轻负载（queue ≤ 1 个 BBR probe_up 周期），高于此是重负载。任何偏离都导致 Pareto 退化（检测率↓ 或 FPR↑）。

评估

  • 代码改动 ：不改（调权 >> 1 改为乘法/除法）
  • 致命缺陷：p > 50% 导致 G3 在近拥塞路径上误触发；p < 50% 导致 path change 漏检。

方案 10：N 精确穷举（pos_skip >= N）── 完整 bruteforce 分析

完整分析脚本：g3_c3_bruteforce.py（校准 FPR + 决策理论 + 自适应公式 + 推荐）

Part 1：固定 N 穷举（N ∈ {1...7}，4 场景）

N WAN FPR/sample WAN FPR/1K WAN Delay(RTT) WAN Delay(ms) DC FPR DC Delay Mobile FPR Mobile Delay Sat FPR Sat Delay
1 1.50e-01 1.0000 1.00 55.0 3e-02 1.00 3.00e-01 23.0 8.0e-02 505.0
2 1.00e-02 1.0000 1.00 55.0 3e-04 1.00 3.00e-02 23.0 5.0e-03 505.0
3 1.30e-03 0.7277 1.67 91.8 4e-05 1.67 4.00e-03 38.4 6.0e-04 842.7
4 1.60e-04 0.1479 2.65 145.6 5e-06 2.65 5.00e-04 60.9 8.0e-05 1336.8
5 2.00e-05 0.0198 3.70 203.7 6e-07 3.70 6.00e-05 85.2 1.0e-05 1870.2
6 2.00e-06 0.0020 4.77 262.2 8e-08 4.77 8.00e-06 109.7 1.0e-06 2407.7
7 3.00e-07 0.0003 5.82 320.1 1e-08 5.82 1.00e-06 133.8 2.0e-07 2938.8

场景定义：

场景 RTT(ms) qdelay(ms) jitter(ms) jitter/RTT Tprop 阶跃
WAN 55 5.0 3.0 0.060 50→200ms (+150ms)
DC 1.1 0.1 0.05 0.050 1→2ms (+1ms)
Mobile 23 3.0 8.0 0.400 20→60ms (+40ms)
Satellite 505 5.0 1.0 0.002 500→520ms (+20ms)

Pareto 分析：

  • N=1：FPR 15%（WAN）∼ 30%（Mobile），不可接受
  • N=2（baseline）：FPR 1%（WAN）/0.03%（DC）/3%（Mobile）。检测延迟 1 RTT（准确为 1.0，因 carryover 效应）
  • N=3 ：FPR 降 87%（所有场景），延迟 +0.67 RTT。Mobile FPR 从 3% → 0.4%
  • N=4：FPR 降 98.4%，延迟 +1.65 RTT。Mobile 场景 Pareto 最优点（FPR 0.05%）
  • N≥5：延迟 >= 3.7 RTT。Satellite 场景不可接受（N=5 → 1.87s 延迟）

关键发现：所有 N 均优于 Q-boost 的 8 RTT 检测延迟。

Part 2：自适应 N 公式评估

候选公式（输出范围 clamp(2, 7)）：

公式 语义 结果 (WAN/DC/Mobile/Sat) 质量
N1: 队列比例 N = ceil(qdelay_ms/5 + 1) 深队列→大 C1→N=2 2/2/2/2 无效（全部 N=2）
N2: SNR N = ceil(2 + 5*jitter/RTT) 高 SNR→大 N 3/3/4/3 无法区分 DC/WAN
N3: 收敛状态 分段 jitter_ratio < 0.02?2: (<0.08?3:4) 未收敛→大 N 3/3/4/2 DC 过高（3）
N4: Path RTT N = floor(50/RTT_ms) 短 RTT→大 N 2/7/2/2 DC 过高（7）
N5: 二元标志 N = 2 + [jitter>2ms] + [ratio>0.05] 简单复合 4/2/4/2 WAN 过高（4）
N6: 提出 N = 2 + floor(jitter_ms*0.25) + [ratio>0.10] 精细复合 2/2/4/2 最优

推荐自适应公式（N6）：

复制代码 
N_adaptive = clamp(2 + floor(jitter_ms * 0.25) + [jitter/min_rtt > 0.10], 2, 4)
  • DC：jitter=0.05ms → N=2（不变）
  • WAN：jitter=3ms → N=2（不变，ratio=0.06 < 0.10）
  • Mobile：jitter=8ms → floor(2) + flag(1) → N=4（必要的去抖）
  • Satellite：jitter=1ms → N=2（不变）

该公式的唯一作用是：Mobile（高抖动路径）自动提升到 N=4。

Part 3：决策理论最优 N*

损失函数：

复制代码 
L(N) = alpha * E[delay | H1] * pi_H1 * tput_loss + beta * P(G3 | H0)
       alpha = 1.0  (每 RTT 延迟的成本，BDP 当量)
       beta  = 2.0  (每次误触发的成本，2 RTT 收敛偏置)

检测延迟模型（几何 carryover）：

复制代码 
E[delay | H1] = N - 1 + 2 * p_pos^N   (p_pos ≈ 0.52)
场景 pi_H1 最优 N* L(N*) 主导因素
WAN 2.78e-05 6 1.03e-04 FPR 主导（N*→大值）
DC 1.16e-08 7 5.00e-08 FPR 主导（N*→大值）
Mobile 2.00e-03 4 4.53e-03 平衡点（有最小值）
Satellite 1.16e-08 7 4.00e-07 FPR 主导（N*→大值）

*α/β 灵敏度分析（N 随 β/α 比值变化）：**

β/α WAN N* DC N* Mobile N* Satellite N*
0.0 2 2 2 2
0.5 2 2 2 2
1.0 2 3 2 3
2.0 3 4 3 4
5.0 5 6 4 6
10.0 6 7 4 7

关键洞察：

  • β/α ≤ 1.0 → N*=2（所有场景）。自愈使 false alarm 成本可忽略
  • β/α ≥ 2.0 → N*=3-4。需实际部署数据确认 β 的真实值
  • KCC 代码注释明确承认自愈："Even if falsely triggered, the effect is a single downward bias that the next ν<0 sample automatically corrects"

理论推导：

使 L(N) 最小化的一阶条件：

复制代码 
alpha * pi_H1 = beta * gamma * p_pos^N * ln(1/p_pos)
N* = ln(alpha*pi_H1 / (beta*gamma*ln(1/p_pos))) / ln(p_pos)

其中 gamma = P(C1 | ν>0, H0) * P(C2 | H0) 是场景相关的。

Part 4：最终推荐

默认：N = 2（保持现状）

  • 自愈性质使 false alarm 成本 ~0，N=2 是最优
  • 所有场景 2 RTT 检测延迟（55ms WAN, 1.1ms DC, 23ms Mobile, 505ms Sat）
  • FPR 在 WAN/DC/Satellite 可达标（≤1%），Mobile 边界达标（3%）

可选升级：N = 3（全局固定）

  • FPR 降 87%（所有场景），仅 +1 RTT 延迟
  • Mobile：3%→0.4% FPR，显著改善
  • 一行改动：tcp_kcc.c:11976 的 >= 2 → >= 3

可选自适应（仅在 N=4 对 Mobile 有益时）：

复制代码 
N = clamp(2 + floor(jitter_ms * 0.25) + [jitter/min_rtt > 0.10], 2, 4)
  • 唯一效果：Mobile 场景 N=2→4
  • 所有其他场景保持 N=2
  • C 实现新增 2 行（jitter_ms 已有，仅需 ratio 计算 + clamp）

建议上限 clamp 到 4 而非 7 的理由：

  • 每 +1 N 增加 1 RTT 检测延迟
  • 500ms Satellite RTT：N=4 = 2s 延迟，N=5 = 2.5s 延迟
  • N=4→N=5 的 FPR 减少 <0.01%，边际收益可忽略
  • N=4 时 worst-case 延迟 = 4 RTT，与 2 RTT false alarm 自愈窗口匹配

最终结论：N=2（现方案）在自愈假设下是最优的。若 field data 显示 false alarm 有不可忽略的代价，N=3 是安全的固定升级。自适应 N 方案仅在 Mobile/高抖动路径上增加价值。

评估

  • 代码改动：小改（自适应方案需 2 行；固定 N=3 仅需 1 行）
  • 致命缺陷：无。N 取值有清晰的决策理论基础和可测试的假设（β 的估值）。

最终排名表

排名 方案 FPR 改善 延迟改善 代码改动 致命缺陷 推荐
1 方案 8 (C1 m=2.5→3.0) +60~85% 0~−1 RTT 不改/极小 无 强烈推荐
2 方案 10 (N=3 sysctl) +87% −1 RTT 小改 无 推荐
3 方案 1 (CUSUM) +20~40% +0.5~0.8 RTT 中改 drift 对短 RTT 敏感 条件推荐
4 方案 3 (双阈值 CUSUM) +50~83% +0.5 RTT 中-大改 中等幅度阶跃盲区 不推荐
5 方案 2 (创新差分) −67~+67% 0 小改 高抖动场景退化 不推荐
6 方案 5 (自适应 N) +0~67% 0~−100% 小改 qdelay→0 除零 不推荐
7 方案 7 (ML 离线分析) 未知 未知 分析后小改 无标注数据 研究阶段
8 方案 4 (方差比) −1500% −100~300% 大改 延迟 4-8× 基线 不推荐
9 方案 9 (C2 p 调优) −300~+70% 0 不改 p<50% 漏检率高 不推荐
10 方案 6 (BOCD) +90% +0~1 RTT 不可行 O(T) 计算复杂度 不可行

推荐方案

第一优先：方案 8（C1 乘数 m 从 2.0 调至 2.5 或 3.0）

这是最安全的改进------零代码复杂度增加，仅改变一个乘法因子。

当前代码 tcp_kcc.c:11979：

c 复制代码 
if (abs_innov > (qdelay_scaled << 1) &&  /* C1: ν > 2×qdelay_ewma */

推荐改为：

c 复制代码 
if (abs_innov > qdelay_scaled * 5 / 2 &&  /* C1: ν > 2.5×qdelay_ewma */

或者更保守的：

c 复制代码 
if (abs_innov > qdelay_scaled * 3 &&      /* C1: ν > 3×qdelay_ewma */

效果：FPR 降低 60-85%，检测延迟基本不变（瓶颈在 C3 的 pos_skip≥2）。

第二优先：方案 10（N 从固定 2 改为可配 2-4）

新增 sysctl：

c 复制代码 
static int kcc_kalman_g3_pos_skip = 2;  /* default 2, range [1,7] */

修改 tcp_kcc.c:11976：

c 复制代码 
if (likely(!qboost_fired && innovation > 0 && 
    ext->pos_skip_cnt >= kcc_kalman_g3_pos_skip_val)) {

效果：默认 N=2 无行为变化；高噪声部署可调至 N=3 或 4，FPR 降低 87-98%。

第三优先（中期）：方案 1（CUSUM 替代 pos_skip 计数）

替换"连续 N 个正样本"为"累积和超阈值"。需要：

  1. 新增 cusum_sum 状态变量
  2. drift 和 h 参数按 jitter/RTT 自适应
  3. 保留 C1 和 C2 作为必要条件（CUSUM 替代 C3）
  4. 在仿真环境中验证 ARL₀

预期：检测延迟降 0.5 RTT，FPR 降 20-40%。但需要仿真验证。

热门推荐
012026 年 AI 编程工具终极横评：Cursor vs Claude Code vs Copilot vs Windsurf02GitHub 镜像站点03【AI】2026 年具身智能模型和世界模型总结04AI科技热点日报 | 2026年07月01日052026 AI 编程工具终极实战指南：Cursor vs Claude Code vs Copilot，开发者该怎么选？062026年6月AI大模型全景报告：GPT-5.6、Claude Opus 4.8、Gemini 3.5，中美AI三足鼎立谁主沉浮？072026 年 AI 大模型 & AI 编程工具实战全总结08Claude Code、Codex、Cursor三分天下：2026年AI编程Agent生态全景剖析092026年6月AI行业全景：从百模大战到Agent元年，这30天发生了什么？10Trae国际版与国内版深度测评：AI原生IDE的双生花