上上周写了一篇 AIMD(难以超越的 AIMD)，有人问到我此前的 Cugas(CUBIC + Vegas) 如何，我说当时就应付一下经理，但就着那个思路，不妨再展开说几句。

前面提到过，AIMD 已经足够优秀，迄至 CUBIC 已臻于完美，但它还是无法甄别非拥塞随机丢包，导致随机丢包时表现力不够，这可以认为是硬伤，背后的原因就是信息不足，本质上是端不识网导致，任何端到端算法都有各自硬伤。

另一方面，Vegas 作为 Delay-based cc 代表，识别拥塞的能力一流，但却被先入为主的 AIMD 压制，无法与其共存，这也是硬伤，背后的原因是 Vegas 没有负反馈动力学基础，仅仅基于不精确的测量，本质上还是端不识网。

但无论 AIMD 还是 Vegas，在数学上都可证明其内在公平性，不能混部是一大憾事。BBRv3 算一个，但它严重依赖测量，且公平收敛粒度竟以经验值硬编码，太过粗糙，而公平性正是 AIMD 控制论的主场亮点，所以肯定有更简单的以 AIMD 为基础，以 RTT 为辅助的混合样式。

微软早年推出的 Compound 算一个，可从其 wiki 页面 Compound TCP 进一步了解。

我这里提出一个更简单的，加权求和 CUBIC 和 Vegas 的窗口，而权值由 $\beta =\frac{\text{minRTT}}{\text{sRTT}}$ 确定，如下：

$W_{\text{final}}=(1-\beta )\cdot W_{\text{CUBIC}}+\beta \cdot W_{\text{Vegas}}$

其中 CUBIC 和 Vegas 各自计算自己的窗口，通过 β 合体成最终窗口。核心思想即：

• 当 sRTT ≈ minRTT，网络轻载，信任 Vegas 更多；
• 当 sRTT >> minRTT，网络拥塞，信任 CUBIC 更多；
• 当发生丢包时，完全信任 CUBIC

类似 VJ-Style，我重写成对 CUBIC 的误差校正：

$W_{\text{final}}=W_{\text{CUBIC}}+\beta \cdot (W_{\text{Vegas}}-W_{\text{CUBIC}})$

而该矫正恰好可做甄别随机丢包之用，当发生随机丢包时，β 接近 1，算法依旧会降窗重传，但马上就以 Vegas 为主而恢复，而不必经过漫长的 Additive Increase 过程。

浙江温州皮鞋湿，下雨进水不会胖。