dctcp 相比标准 aimd 如 reno，cubic 到底好在哪，理论上讲 dctcp 本质上也是 aimd 算法，但它的 cwnd 根据 mark rate 来实时缩放，而标准 reno/cubic 则一致缩放 β = 0.5(reno) or β = 0.3(cubic)，直观上看 dctcp 是连续平滑的缩放，而 aimd 则是一瞬间缩放，这对随机丢包环境非常不抗造。

在非随机丢包的拥塞丢包场景，dctcp 对拥塞的敏感性要比 reno/cubic 强很多，它会按照 mark rate 来缓慢降 cwnd，并且在拥塞缓解时迅速感知，不必继续降 cwnd：

$W=W-\frac{\alpha }{2}\cdot W$

为此，我对 dctcp 做了如下的模拟：

$\frac{dW}{dt}=\{\begin{array}{ll}1,& y\le 0\\ -0.5\cdot y\cdot W,& y>0\end{array}$

而相应的 reno/cubic 过程则是：

$\frac{dW}{dt}=\{\begin{array}{ll}1,& y\le 0\\ -\beta \cdot W,& y>0\end{array}$

这就能绘制出经典的 tcp 锯齿了，如下图：

可以非常清晰得看出在连续拥塞和缓解(sin 函数模拟)，密集随机丢包和稀疏随机丢包三种模式下，dctcp 均可获得更小的 cwnd 损失。

dctcp 这个收益难道来自算法的精妙吗？不！它来自 ecn 带来的更加确定的信息。

上图的代码如下：

#!/opt/homebrew/bin/python3

import sys
import numpy as np
import matplotlib.pyplot as plt
import random

type = "0"
beta = 0.5

def dxdt(x, y, t):
    if y > 0:
        return - 0.5 * y * x
    else:
        return 1

def dzdt(z, y, t):
    if y > 0:
        return - beta * z
    else:
        return 1

def ydt(y, t):
    if type == "sin":
        return 0.5*(-np.cos(0.1*t) +  np.cos(0.4*t))
    elif type == "xishu":
        prob = random.random()
        if prob < 0.8:
            return 0
        return 2*random.random() - 1
    elif type == "miji":
        return 2*random.random() - 1
    return 0

if len(sys.argv) < 3:
    sys.exit()

type = sys.argv[1]
beta = float(sys.argv[2])

t = np.linspace(0, 50, 500)
x = np.zeros_like(t)
y = np.zeros_like(t)
z = np.zeros_like(t)

x[0], z[0] = 5, 5

for i in range(1, len(t)):
    dt = t[i] - t[i - 1]
    dy = ydt(y[i - 1], i)
    dx = dxdt(x[i - 1], dy, t[i - 1])
    dz = dzdt(z[i - 1], dy, t[i - 1])
    x[i] = x[i - 1] + (dx) * dt
    z[i] = z[i - 1] + (dz) * dt
    y[i] = dy

plt.plot(t, y, label='y') # mark rate < 1
plt.plot(t, x, label='x') # dctcp
plt.plot(t, z, label='z') # reno/cubic
plt.legend()
plt.xlabel('t')
plt.grid(True)
plt.show()

浙江温州皮鞋湿，下雨进水不会胖。