BBR 降本增效

BBR 核心是一个 MIMD 算法，乘性 probe 很容易造成 buffer overflow，这意味着高重传率造成的高成本。BBRv2 好很多，降本增效的方法首选 BBRv2。

但 BBRv1 也可以做点什么。BBRv1 优势是模型清晰，简单。

思路很简单：不要每次都用 1.25 来 probe。

ProbeRTT 后进入 ProbeBW 的第一次 probe 用 1.25 作为 gain，若 probe 失败说明 buffer 已 bloating，此后用 gain’ < 1.25 继续 probe。

gain’ 如何获得？它需要满足以下特征：

• gain’ 值恒不大于 1.25。
• 自动收敛，利好公平性。

加速比指标符上述合特征。设当前流带宽 b，共享瓶颈带宽 D，则 gain = 1.25 probe 之后的加速比为：

$R=\frac{\frac{1.25b}{0.25b+D}}{\frac{b}{D}}=\frac{1.25D}{0.25b+D}$

该表达式，R 恒小于 1.25，且 R=f(b) 为 b 的减函数，即带宽 b 越大，加速比 R 越小(带宽占比越小，加速比越大)，这两个特征有利于慢速 probe 但快速收敛，正是我想要的。那么：

$gain\prime =R$

即可。

R 的计算通过将连续两次采集的 Delivery Rate 相除可获得。

BBR 重传率就是高，有什么不能承认的呢？BBR 的高重传率很大部分来自于其乘性 probe 后溢出浅队列，固定 1.25 的 pacing gain 在 buffer overflow 后有些执迷不悟，若 1.25 有点大，那 1.15 如何呢？1.05 呢？怎么都妥又怎么都不妥，所以需要找一个自适应的反馈环。加速比就对了，试试看，效果果然。简单记录。

浙江温州皮鞋湿，下雨进水不会胖。