基于历史学习的拥塞控制算法

现有算法的局限性

几乎所有声称基于学习或历史的拥塞控制算法都在利用局部性原理，例如简单的移动指数平均。这类方法企图用刚刚逝去的历史启动现在，即便历史表明 RTT 一直在上下波动，这种启发式算法给出的往往只是一个单一的预测值，难以保证准确性。

Linux 内核曾提供 net.ipv4.tcp_no_metrics_save = 0 参数，但实际效果有限。单纯增加 metric 数量若无长程依赖的发现机制，依然无效。关键在于不同跨度的错开，而非单一环比。

多尺度历史分析策略

使用不同时间跨度的同比替代单一环比，能更精确地刻画历史细节。所有的尺度同比数据如同傅里叶展开，展示整个历史在任意精度下的全貌。通过 n 个跨度的移动指数平均跟踪 RTT，可以快速发现长程依赖规律，从而确定不同时间段的 cwnd 设置。

基于神经网络的实现方案

为了保存多个跨度的详细数据（秒、分钟、小时、日、周等），传统均值存储无法满足需求。现代方案可结合大模型技术，将各跨度的 RTT、cwnd 信息作为数据喂养，使历史塑造在神经网络的权重中。推理时输入当前度量，输出 cwnd 建议。损失函数可设计为 sigmoid(rtt/bw) + sigmoid(丢包率)，具体复杂度视需求而定。

传统数据流方案对比

另一种方法是参考 TCPRT，实时或周期性通过 relayfs 将数据吐给专门的数据分析服务。但此类方案通常缺乏干净利索的损失函数进行反哺。相比之下，基于大模型的方案更为清爽高效。