很多人并不理解 bufferbloat 的本质，我引用《计算机网络-自顶向下方法(第 8 版)》第四章的一个解释：

很形象的比喻，buffer 就像盐，不可或缺，适量增味，过量食物就不能吃了。高血压患者更有所感受，一旦摄入过量盐，排盐就不是大量喝水能解决的了。

一旦 buffer 里堆满了数据包，它们就很难排空了，特别是在 aimd 这种 capacity-seeking 的作用力下，下面水流的例子更为直观：

虽然流速一直保持为 v，但相比下图，水流在上图的宽敞处会减慢流速而造成时延增大，如果上游不主动减小流量，水库是不会排空的。

bbr 解决 bufferbloat 之道有两个方法：

• 从模型上保证 inflight 收敛到 bdp；
• 定时 probertt 排空 queue，确保基础 rtt。

为了直观看到这个事实，将模型具象化是高尚的，作为对比，单流 bbr 的 inflight 模型非常简单，设 x 为 bbr 单流 inflight，C 为瓶颈带宽，R 为传播时延，方程如下：

$\frac{dx}{dt}=C\cdot R-x$

这是一个典型的负反馈模型，当 x 大于 bdp，inflight 要减小，避免 bufferbloat，当 x 小于 bdp，inflight 要增大，提高带宽利用率。可见，bbr 专为解决 bufferbloat 而生，inflight 就是 bdp。
而 aimd 则是一个 bufferbloat 制造者模型，以下是一个 “连续 md” 的示例：

beta = 0.5
C, R = 50, 2

# x, z 分别为两条流的 cwnd
def dxdt(x, y, t):
    if y > 0:
        return - beta * x
    else:
        return 1

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

def ydt(a, b, t):
    buff = 2 * C * R
    if (a + b) > buff:
        return 1
    elif False and (a + b) > (buff - int(buff / 4)):
        ret = 2*random.random() - 1
        return ret
    return 0

t = np.linspace(0, 800, 8000)
x = np.zeros_like(t)
y = np.zeros_like(t)
z = np.zeros_like(t)

x[0], z[0] = 1, 250

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

下图可看出，n 条流的 inflight 之和收敛到 bdp + buffer：

RED 版本结果如下：

buffer 占量降低了，但带宽利用率是代价。

为了快速收敛，避免拥塞加剧，实践中采用离散 md，即经典的锯齿：

for i in range(1, len(t)):
    dt = t[i] - t[i - 1]
    dy = ydt(x[i - 1], y[i - 1], i)
    dx = dxdt(x[i - 1], dy, t[i - 1])
    dz = dzdt(z[i - 1], dy, t[i - 1])
    if dy > 0:
        x[i] = x[i-1] * (1 - beta)
    else:
        x[i] = x[i - 1] + (dx) * dt

这一次我直接用 bbr 和离散 aimd 对比。bbr 的仿真实现非常简单：

def dzdt(z, y, t):
    if y > 0: # 模拟 bbr 不完备实现，丢包时数据包守恒
        return 0
    inflt = C * R - z
    return inflt

下图是没有 RED aimd 支持的：

可见，aimd 不达 bdp + buffer 不罢休，而 bbr 止步于 bdp。这意味着，有多大 buffer，aimd 用多大 buffer，buffer 越大，时延越大，这就是 bufferbloat 的恶果。

RED 轻微缓解了这个问题，但也不很：

多流 bbr 场景，n 条 bbr 流的 inflight 之和收敛到 bdp + probe_size，多日之前我用微分方程建模 bbr 时说过这事(从微分方程组构建 bbr 模型)：

浙江温州皮鞋湿，下雨进水不会胖。