TCP的拥塞控制算法演进与比较 1. 背景与问题描述 TCP拥塞控制的目标是避免网络过载，同时充分利用带宽。早期算法（如Tahoe、Reno）通过丢包判断拥塞，但在高带宽或高延迟网络中效率不足。后续算法（如BIC、CUBIC、BBR）尝试更精确的拥塞判断和带宽利用。本节将对比典型算法的核心思想与演进逻辑。 2. 基础算法：Tahoe与Reno Tahoe ：包含慢启动、拥塞避免、快速重传。遇到丢包（超时或重复ACK）时，拥塞窗口（cwnd）直接重置为1，重新慢启动。缺点：激进降窗导致带宽利用率骤降。 Reno ：在Tahoe基础上增加 快速恢复 。收到3个重复ACK时，仅将cwnd减半，进入快速恢复阶段，避免回归慢启动。但若发生超时，仍重置cwnd=1。 3. 改进算法：NewReno与SACK NewReno ：解决Reno在多个包丢失时的低效问题。快速恢复阶段持续直到所有丢失包被确认，避免多次减窗。 SACK（选择性确认） ：通过TCP选项精确报告丢失包，减少重传冗余，与NewReno结合进一步提升多包丢失场景的性能。 4. 高带宽延迟积（BDP）网络算法：BIC与CUBIC BIC（二分增长拥塞控制） ：通过二分搜索逼近最大可用带宽。增长阶段分 加性增 和 二分增 ，接近拥塞点时缓慢调整。问题：在短RTT流中过于激进，公平性不足。 CUBIC ：取代BIC成为Linux默认算法。以 三次函数 （$cwnd = C \times (t - K)^3 + W_ {max}$）控制窗口增长，其中$t$为时间，$K$为上次拥塞窗口降至$W_ {max}$所需时间。特点： RTT公平性 ：窗口增长与RTT解耦，避免短RTT流垄断带宽。 平稳性 ：在拥塞点附近平滑增长，减少震荡。 5. 基于模型的算法：BBR（Bottleneck Bandwidth and RTT） 核心思想 ：不再依赖丢包作为拥塞信号，转而估计 瓶颈带宽（BtlBw） 和 最小RTT ，目标是将发送速率控制在$BtlBw \times minRTT$（即BDP）。 两阶段循环 ： Startup ：指数增长直到带宽不再提升。 Drain ：排空队列后进入 ProbeBW （交替增益周期）和 ProbeRTT （定期探测最小RTT）。 优势 ：避免Bufferbloat（缓冲区膨胀），在高丢包网络中表现优异。 6. 算法对比总结 | 算法 | 拥塞信号 | 关键机制 | 适用场景 | |--------|-------------|------------------------------|------------------------------| | Reno | 丢包/重复ACK| 快速恢复 | 普通局域网 | | CUBIC | 丢包 | 三次函数窗口增长 | 高BDP网络（如互联网骨干） | | BBR | 带宽/RTT估计| 模型驱动速率控制 | 高丢包、卫星网络 | 7. 演进逻辑 从 被动反应（丢包驱动） 到 主动探测（模型驱动） ，核心矛盾是 效率与公平性的权衡 。未来方向可能结合机器学习动态调整参数，适应异构网络。