BBR 倾向于排空队列，甚至用特殊的 ProbeRTT 状态来排空自己产生的队列以测量 RTT，但这并不现实。一言以蔽之，BBR 无法实时跟踪现状，只靠拢理想。

若因背景流量造成 buffer 抖动，BBR 完全无法应对，其运行状态甚至非常糟糕。本文提一个自己的想法。用一个值而不是两个值逼近最优的收益成本比，而不是逼近 bltBW 和 RTprop。

BBR 给出了最佳效能操作点，在上周的文章中我导出了 E/inflt 曲线：

深入 E/inflt 曲线，我发现它比 maxB 和 minD 的乘积 BDP 更适合作不动点，理由如下：

• 队列虽并非自己所为，但始终存在。需求是收敛到 “最大的吞吐” 和 “最小的延时”，而不是排空排队。
• 端到端难控制全链路的 pacing rate，用 inflight 作控制更合适，pacing rate 只需大致吻合或取定值。

统计复用系统中，统计度量比精确控制更具实际意义，我经常质疑 BBR 参数取值的精确数学推导，相反，我赞成取经验值更合适。

端到端拥塞控制像足球一样不确定，没有谁且没有什么技术能保证一场比赛可以百分百进几个球，不确定性是足球观赏性之根，但即使这样还是有公认的强队，赢的就是统计概率。

我有一个新方法应对实际而非理想场景，其它流量排队的场景，BBR 依然可收敛到最佳操作点，正所谓要顺势而为。

考虑以下左图多流场景下的 E/inflt 拉弗曲线，增加流数量维度，得到以下右图：

我用右下的两个小图解释了右上那个 “山脊” 的形状，山脊 “高度” 落差拟合双曲线，其投影在 “水平” 方向也拟合双曲线。

双曲线很容易理解，E = B/D，若 2 流共享带宽，全局最佳效能依然是不排队，E = 1/2B/D + 1/2B/D，若 3 流，每条流的 B 则为 1/3，以此类推，1/4，1/5，即 y = 1/N，为双曲线，同理，每条流达到最佳 E 的 inflt 亦为 1/N 的关系，为双曲线。

自然界很少见这形态的物件儿，我用拟合了一个曲面，随便看看：

$z=-y(x-\frac{1}{y})2+\frac{1}{y}$
​

换个角度：

​
BBR 的整个运行过程应是 “通过调整 x， 在 ‘等 y 线’ 上不断爬到山脊“：

于是，YaBBR 算法即：

• 第 1 步，增加 cwnd，测量 E = B/D，直到由增到减的转变，找到 “顶点”。
• E = B/D 减小，减小 cwnd，测量 E = B/D 直到开始增加，重复 1。
• E = B/D 增大，重复 1。

至于公平性，与标准 BBR 无异，可通过类似 ProbeRTT 的主动排空过程收敛到公平，也可以 ProbeBW 中挤占吞吐与加速比的负相关关系收敛到公平。二者效果一致，一个排空，一个探测，方向不同而已。

BBR 直到 v2 仍是基于理想模型修补，很难适应现实场景。几乎不可能不产生队列，一旦产生队列，Startup 退出条件基本就是奢望，只要 buffer 不满，吞吐总是能挤兑出来，这非常不利于公平性，而一旦 buffer 溢出，一切又为时已晚。BBR 的最大带宽假设本就不成立，最小 RTT 也几乎很难算数。况且 10secs 的最小 RTT 保质期完全不能保证。总之，BBR 假设一个理想环境，且独享带宽，方可实现，其它的都是后来加进去的。因此，需要一个新的思路，寻找一个新的不动点作为 BBR 的操作点。本文简单描述一个思路，称为 YaBBR

浙江温州皮鞋湿，下雨进水不会胖。