前面提到过一个 AIMD 的修正方法，“二次机会 MD”：首次丢包只 MD 收缩一个相对较小的比例，再次丢包时再继续收缩，直到 beta * Wmax。
效果如下图：
大意是在检测到丢包时，先 MD 一个相对小的缩放比例，如果再次丢包再继续缩放，由此可在不损害公平性(cc 只为拥塞才会降速收敛，随机丢包本来就不应该降速)的前提下抵抗随机丢包：如果随机丢包，由于缩放系数较小，带宽损失不大，cwnd 可从相对高的位置开始描绘 cwnd/time 曲线，如下图所示：
如果真拥塞，PRR 过程的发送线将变成一条上凸曲线(线 2)，逐渐弯下去，最终和标准 PRR 的结果相汇。虽 “有悖于 PRR” 按比例收敛到 0.7 * Wmax，但减速收敛到 0.7 * Wmax 也没什么不好。
做这个修改一开始就是想让 MD 过程也呈现一条曲线而不是一条直线，就像 AI 过程一样，收敛到结果，而非过程。减速收敛显然可以抗随机丢包，在随机丢包后不至于下降太多，但代价是真拥塞时响应没有标准 PRR 过程快，不过即使标准 PRR 不是论证的结果。
简单写了个代码：https://github.com/marywangran/tcp_cubic_v2
虽然二次机会 MD 算法可以抵抗明确的随机丢包，但随机丢包太频繁的话也扛不住，大概就是积累 AI 和 MD 总量持平或更小的时候，由于没有足够的数据量进行 probe，有效吞吐将明显下跌。但凡 probe 都需要超过有效 BDP 的数据量做支撑，因此在小 buffer 链路，probe 本身也会造成 buffer 溢出而丢包，如 BBR 代码的 probe 注释所说：We do not persist if packets are lost, since a path with small buffers may not hold that much。
和 BBR 抗丢包相比，它那个是憋住 maxbw 守恒观望，我这个是损失一点点代价赌能跨过去。BBR 像是油门踩到底跨过随机丢包，我这个像轻踩刹车。
AIMD 公平性很重要，否则大可使用别的 “更好” 的算法，AIMD 的核心就是收敛到公平。任何魔改都不要破坏这一点。AIMD 的公平收敛其实就是一个勾兑的过程，一杯葡萄汁液:橙汁为 3:1 的混合液体，如何勾兑成 2:1，就是 AIMD：先加入 1:1 液体一小勺，这就是 AI，均匀混合后舀出去相同的量，舀出去的液体中二者的比例很容易计算，这就是 MD，重复这个过程 n 次即可，数学上很容易计算 n。
为判断随机丢包，不要引入过于复杂的逻辑，ACK 时钟信息量有限，判断精度必有上限，类似于硬币猜正反，因为你的信息就那么多，50% 的概率，那就随机猜即最优解，不要启发。丢包判断也一样，别做假设，一旦误判就要为负方向买单，这是信息论决定的。
通用场景，不做假设，最简单最好。我们都明白，特定场景优化很容易，这相当于事前已经告诉你要做什么，但问题是当这个 “特定场景” 混杂在通用场景中时，很难将其识别出来，这才是最难的问题，这个问题无解，结果就是拆了东墙补西墙，统计意义上看跟没有优化一样。
上周那个 “二次机会 AIMD” 跟朋友介绍了一下，挺不错，本来不到 5 分钟就能改一版 cubic ++，结果还是因为 Linux tcp 开放的 cc 模块受制于拥塞状态机，我若实现脱缰的 cong_control 回调，就要亲自调用 PRR，不过还算简单，吃点烧烤的工夫就能写完。相比 ns-3 写模拟，我还是倾向于直接写 Linux 模块的 cong_control 回调。
浙江温州皮鞋湿，下雨进水不会胖。
