cs / computer-networks

lec11-TCP Congestion Control-II

TCP Reno 的 “Fast Retransmit” 和 “Fast Recovery” 机制 —— 对传统 AIMD 拥塞控制的一次重要改进

dupACK 的意义

当接收方收到乱序的包(例如缺了 #101,但收到了 #102, #103…), 它会不停地 重复发送上一个 ACK(ACK 101), 告诉发送方:“我还在等包 #101”。

于是发送方可以通过“重复 ACK 数量 (dupACKcount)”判断:

dupACK 数 含义
< 3 可能只是网络乱序
= 3 可以确定丢包,触发 Fast Retransmit
> 3 表示后续包仍在收到,链路仍可用(不必停顿)

Fast Retransmit (快速重传)

当检测到 dupACKcount = 3:

text
if dupACKcount == 3:
    ssthresh = CWND / 2
    CWND = ssthresh + 3  # 给3个ACK的“信用额度”

即立即:

  • 认为发生丢包;

  • 不等超时 (timeout),马上重传丢失的包;

  • 进入一个新的状态:“Fast Recovery”。

  • 不要立刻进入慢启动或减半停顿, 而是让 sender 临时多发一点包,以保持“管道不空”

  • 解释:如果只是单个包丢失,而整个网络其实没拥塞, CWND 减半 → 再线性恢复太慢,会浪费带宽.

    因而每个 dupACK 表示接收方已成功收到一个“新包”, 所以可以暂时多发 1 个包,保持 pipeline 满载。

🔹 While in Fast Recovery

每收到一个额外的 dupACK:

text
CWND = CWND + 1

即每个额外 ACK 允许你再发一个新包。 保持网络持续“被填满”,不进入 idle。

🔹 Exit Fast Recovery

当终于收到“新的 ACK”(即 ACK 111 表示包 101 已成功收到)时:

text
CWND = ssthresh

即恢复到正常的拥塞避免阶段(linear increase)。

用例: Screenshot 2025-10-15 at 12.26.34

![Screenshot 2025-10-15 at 12.27.11](assets/Screenshot 2025-10-15 at 12.27.11.png)

Timeout -> slowstart

dupACKs -> fast recovery

new ACK 只会在 fast recovery 模式下 changes state.

不同模型的做法

TCP-Tahoe

  • CWND =1 on 3 dupACKs

TCP-Reno

  • CWND =1 on timeout
  • CWND = CWND/2 on 3 dupACKs

TCP-newReno (我们默认使用)

  • TCP-Reno + improved fast recovery

TCP-SACK

  • Incorporates selective acknowledgements

TCP throughput equation

Screenshot 2025-10-15 at 12.47.20

简化模型

这张图假设了:

  • Additive increase:每个 RTT 拥塞窗口 CWND 增加 1;

  • Multiplicative decrease:检测到丢包后 CWND 减半;

  • 丢包概率 ( p ) 稳定(即平均每个周期有一次丢包)。

  • 窗口从 Wmax⁡/2 W_{\max}/2 增加到 Wmax⁡ W_{\max};

  • 周期时长约为Wmax⁡2 \frac{W_{\max}}{2} 个 RTT;

  • 平均窗口大小约为 34Wmax⁡\frac{3}{4}W_{\max}

于是: $Throughput≈Data SentCycle Duration=34Wmax⁡Wmax⁡2 RTT=32 RTT \text{Throughput} \approx \frac{\text{Data Sent}}{\text{Cycle Duration}} = \frac{\tfrac{3}{4}W_{\max}}{\tfrac{W_{\max}}{2} \text{ RTT}} = \frac{3}{2 \text{ RTT}} $ 👉 这就是简单模型得出的 “3/2 packets per RTT”。 但它忽略了乘法减小带来的周期性影响。

更精确的模型(包含 multiplicative decrease)

Mathis 等人的理论推导考虑了 AIMD 的完整过程,包括:

  • 线性增长(Additive Increase)
  • 丢包时的乘法减半(Multiplicative Decrease)
  • 丢包概率 ( p )

最终得到: $Throughput≈321RTTp \text{Throughput} \approx \sqrt{\frac{3}{2}} \frac{1}{\text{RTT} \sqrt{p}} 带上MSS(最大报文段大小)后: 带上 MSS(最大报文段大小)后: T≈32MSSRTTp T \approx \sqrt{\frac{3}{2}} \frac{\text{MSS}}{\text{RTT} \sqrt{p}} $

  • 实际的窗口曲线并不是完美的三角形;
  • 减半与线性增长之间存在平滑过渡;
  • 所以平均窗口略小于简单几何平均;
  • 精确积分推导引入了3/2≈1.22\sqrt{3/2} \approx 1.22

因此,我们常看到的经验公式是: $T≈1.22×MSSRTTp T \approx 1.22 \times \frac{\text{MSS}}{\text{RTT} \sqrt{p}} $

模型 假设 吞吐量表达式
几何近似模型 只考虑 Additive Increase $32RTT \dfrac{3}{2\text{RTT}} $
精确 Mathis 模型 含 Multiplicative Decrease 321RTTp \sqrt{\dfrac{3}{2}} \dfrac{1}{\text{RTT}\sqrt{p}}
实际带宽形式 含 MSS 32MSSRTTp \sqrt{\dfrac{3}{2}} \dfrac{\text{MSS}}{\text{RTT}\sqrt{p}}

l

求丢包率 pp

我们把公式改为: $p=(32MSSRTT×Throughput)2 p = \left( \sqrt{\frac{3}{2}} \frac{\text{MSS}}{\text{RTT} \times \text{Throughput}} \right)^2 $ 代入:

  • MSS=1500 bytes=12,000 bits\text{MSS} = 1500 \text{ bytes} = 12{,}000 \text{ bits}
  • RTT=0.1 s\text{RTT} = 0.1 \text{ s}
  • Throughput=1011 bps\text{Throughput} = 10^{11} \text{ bps}

于是: $p=(1.225×1.2×1040.1×1011)2=(1.47×10−6)2≈2.2×10−12 p = \left( 1.225 \times \frac{1.2\times 10^4}{0.1 \times 10^{11}} \right)^2 = (1.47 \times 10^{-6})^2 \approx 2.2 \times 10^{-12} 所以想要维持∗∗100Gbps∗∗的TCP吞吐量,要求丢包率 所以想要维持 **100 Gbps** 的 TCP 吞吐量,要求丢包率 p \approx 2\times10^{-12}$,平均传 5×10¹¹ 个包才丢 1 个!

求两次丢包之间的时间

一个完整的 “AIMD 循环” 持续时间大约是 Wmax⁡2 \frac{W_{\max}}{2} 个 RTT。

又有: $Wmax⁡≈12p/3 W_{\max} \approx \frac{1}{\sqrt{2p/3}} 于是: 于是: Tcycle≈Wmax⁡2×RTT=RTT22p/3 T_{\text{cycle}} \approx \frac{W_{\max}}{2} \times RTT = \frac{RTT}{2\sqrt{2p/3}} 代入 代入 RTT=0.1, p=2\times10^{-12}:: Tcycle=0.121.33×10−12≈6×104 s≈16.6 hours. T_{\text{cycle}} = \frac{0.1}{2\sqrt{1.33\times10^{-12}}} \approx 6\times10^4 \text{ s} \approx 16.6 \text{ hours.} $ 所以两次丢包之间平均间隔 16.6 小时。

这就是为什么普通的 TCP Reno / NewReno 在高带宽-长时延环境(如卫星、跨洲光缆)中完全不可用。因为要维持高速率,必须要求极低的丢包率。

→ 因此才有后续的 HighSpeed TCP / CUBIC / BBR 等算法,它们改变了 AIMD 的线性增长特性,使得在高带宽网络中能更快地增加窗口

TCP 仍存在的问题

这三页讲的是 TCP 拥塞控制的局限与改进方向,即经典 TCP(Reno/NewReno)在现实应用中的问题,以及后续算法(如 TFRC、CUBIC、BBR)如何尝试解决这些问题。下面我帮你总结成清晰笔记:

Rate-based Congestion Control

TCP 的速率在周期性波动:

  • 由于 AIMD(Additive Increase, Multiplicative Decrease),
  • 速率在 [W/2,W][W/2, W] 区间内反复震荡。

对一些应用(例如视频流、语音通话),这种震荡会带来体验问题,它们更希望稳定的吞吐率。

核心思想:Equation-Based CC(基于方程的拥塞控制)

与传统 TCP 的“根据 ACK 和丢包事件逐步调整 cwnd”不同,这种方法:

  • 直接用 TCP 吞吐量方程来设速率: $Throughput=32MSSRTTp \text{Throughput} = \sqrt{\frac{3}{2}} \frac{\text{MSS}}{\text{RTT} \sqrt{p}} $

  • 测量实际丢包率 (p),然后反向计算出应当发送的速率;

  • 不再显式模拟加/乘操作(即不按 ACK 来逐步变化)。

优点

  • 速率更平滑、适合流媒体;
  • 保持与 TCP “友好”(TCP-friendliness)—— 即不会比普通 TCP 流占用更多带宽。

这类算法的代表是 TFRC (TCP-Friendly Rate Control),常用于多媒体传输协议(如 RTP/RTSP)。

Loss not due to congestion?

TCP 的假设是:

“所有丢包都是由于网络拥塞。”

但现实中还有:

  • 链路层比特错误(无线网络);
  • 路由器转发错误、信号干扰等。

后果 - TCP 无法区分 “拥塞丢包” 与 “非拥塞丢包”,于是:

  • 它会误以为网络拥塞了;
  • 然后错误地减小 cwnd;
  • 吞吐量被错误压低

由于吞吐量公式依赖于 ( p ): $Throughput∼1p \text{Throughput} \sim \frac{1}{\sqrt{p}} $ 即使丢包来自无线干扰(而非拥塞),TCP 仍会按照公式下降速率

这推动了后来像 TCP Westwood, TCP Veno, TCP BBR 等算法的出现——它们试图用带宽估计或 RTT 变化来区分不同类型的丢包。

Short flows cannot ramp up

在互联网流量中:

  • 约 50% 的 TCP 连接只发送 < 1500B 数据;
  • 约 80% 小于 100KB。6

(即大部分流非常短,只传一个网页或小图片。)

结果 - 短流根本没机会进入拥塞避免阶段:

  • 它们在慢启动 (Slow Start) 阶段就结束了;
  • 永远达不到“公平速率”;
  • 甚至无法触发 3 次 dupACK(所以无法快速恢复)。

后果

  • 一旦丢包,就只能等 timeout(约 500ms);
  • 这对网页加载、API 请求等短连接影响极大;
  • 使得 flow completion time (FCT) 显著变长。

现实改进

  • 针对短流优化的算法(如 Google 的 TCP Fast Open、BBR Startup 模式);
  • QUIC 协议也内置了更高效的启动阶段。

非常好,这四页讲的是 TCP 拥塞控制机制在公平性、延迟、作弊可能性、以及可靠性耦合问题方面的更深层含义。下面我帮你整理成连贯笔记(延续之前的编号):

Short flows share long delays

机制来源

  • TCP 通过 AIMD(Additive Increase, Multiplicative Decrease)来探测带宽: 它会主动超出带宽上限(overshoot capacity),直到发生丢包为止。
  • 这意味着:网络缓冲区会被填满(bufferbloat),从而导致所有流的延迟都变大。

'

'影响

即使是短流(只发几个包),也必须等待前面长流造成的队列积压:

  • 队列延迟增加;
  • 所有流都受影响;
  • 短流“共享”长延迟。

举例

一个传 10 GB 文件的长流,与十个传 100 B 的短流共用瓶颈链路。

  • 长流的窗口逐步增大,充满瓶颈队列;
  • 短流发出请求时,也必须排在同一个队列中;
  • 结果:短流被长流“拖慢”。

结论

Larger flows dominate smaller ones. TCP 设计的“公平”是在长期平均意义上,但短期(特别是短流)体验极差。

cheating

三种“作弊”方法

  1. 增加 cwnd 比正常更快
    • 例如每 RTT 增加 2 MSS、4 MSS。
    • 会更快占满带宽。
  2. 使用更大的初始 cwnd
    • 正常 TCP 初始 cwnd ≈ 10 MSS;
    • 许多大型公司(例如 CDN 提供商)使用更大初始窗口,以提升首包加载速度(网页首屏优化)。
  3. 开多个并行连接
    • 每个连接都被 TCP 认为是独立流;
    • 若瓶颈平均分配带宽,则:
      • 1 个连接得到带宽 = C / N;
      • 10 个连接 ⇒ 获得约 10 × (C / N)。

eg:

  • A 向 B 开启 10 条连接;
  • D 向 E 仅开 1 条;
  • 若每条连接平均分得相同带宽, 则: $ThroughputA=10×ThroughputD\text{Throughput}_A = 10 \times \text{Throughput}_D$

CC intertwined with reliability

TCP 同时提供:

  • 可靠传输(基于 ACK + 重传);
  • 拥塞控制(基于窗口 + 丢包反馈)。

但两者共用同一套机制(ACK、timeout),强耦合。

  • cwnd 调整依赖于 ACK 与超时;
  • 累计 ACK(cumulative ACK) 与 快速重传 绑定;
  • 修改或分离两者极其困难(例如从 cumulative 改成 selective 需要改动核心机制)。

问题与需求

  • 有些应用希望 拥塞控制但不需要可靠性 → 如实时音视频(可以丢帧但不能卡)。
  • 另一些希望 可靠性但不需要拥塞控制 → 如局域网内同步或数据中心内部传输(延迟可控)。

由于 TCP 无法轻易解耦可靠性与拥塞控制, 新的传输协议(如 QUIC, DCCP, BBR)开始尝试将两者分离设计:

协议 拥塞控制 可靠性
TCP 强绑定 强绑定
DCCP 有 无
QUIC 可配置 (BBR, Reno, CUBIC) 应用层可控
UDP 无 无(完全自由)