Google Congestion Control介绍

随着网络带宽的日益增加和便携式设备,如智能手机或平板电脑处理能力的增强，基于互联网的实时通信已经成为热点。

虽然视频会议已商用了多年，特别是SKYPE这样的视频应用在互联网上已有10年时间，但针对实时音视流高效传输的内部控制标准却是空白。所以标准化组织IETF和W3C准备解决这个问题（2011-2013年）。

IETF的RTCWeb 想法是把用于实时媒体流的网络拥塞控制算法标准化成协议。 W3C的WebRTC想法是标准化一套HTML5的API用于网络浏览器的实时流媒体。

CISCO向IETF提出NADA(Network Assisted Dynamic Adaptation)算法,但目前还没给出实现。

Ericsson也向IETF提出SCReAM(Self-Clocked Rate Adaptation for Multimedia)。Scream的目标网络偏向无线网LTE 3G 4G。

Google向IETF提出的是GCC(Google Congestion Contrl)。

本次要介绍的是Google Congestion Contrl。

1. GCC是什么？

GCC是Google Congestion Contrl的缩写，用于实时媒体通讯的网络拥塞控制算法。不是C/C++的编译工具^_^。

GCC基于UDP，它已实现于开源软件WebRTC项目，也集成到M23后的chrome版本，同时应用在Google Hangouts应用中。

实时媒体通讯的网络拥塞控制有三个难点。

l 媒体信源不能立刻按要求调整成指定的带宽，通常媒体信源的变化是不连续甚至是跳变的，变化的幅度也大。

l 即使网络拥塞已经被发现，参与的两端也不确定要如何反应，减少带宽不一定是正确的做法。

l 越是压缩率高的编码器越对网络丢包敏感，但网络实时性的要求基本要排除丢包重传的使用。

业界对媒体流的网络拥塞算法已有标准并开放，主要方法是基于速率的控制，通过平滑窗口的算法实现平滑的数据发送，如TFRC(TCP Friendly Rate Control)和RAP(Rate Adaptive Protocol)。

TCP偏向使用基于丢包率来感知网络拥塞，当网络设备因为拥堵引入队列时，没有丢包但要求实时性的双向媒体传输是不能接受的。另一种是基于时延的方法感知网络拥塞，业界对哪种方案更优一直在争议。

GCC使用两种拥塞控制的算法来应对共享带宽网络的拥塞控制。

2. 基于时延的网络拥塞控制

GCC里基于时延的网络拥塞控制由三部分组成。

l 到达时间滤波器arrival-time filter

l 过载检查器over-use detector

l 速率控制器rate controller

GCC中使用包间间隔时间为度量，可以是两个网络包间也可以是两组包间的间隔。

d(i) = t(i) - t(i-1) - (T(i) - T(i-1))

d(i)表示时延，t(i) - t(i-1)是到达时间，T(i) - T(i-1)是发送时间。

一列数据包短时间里连续发送，这段时间称为突发时间，建议突发时间为5ms。不建议在突发时间内的包间隔时间做度量，而是把它们做为一组来测量。这种组包发送的形式在WI-FI和无线网络里常常这么用。

T(i)用到达包里的时间戳，或一组到达网络包最后一包的时间戳。如到达包有乱序则不采用其数据。

当我们把定义发送时间一组长度为L的数据包通过能力为C的通道。

ts = L/C于是我们建模有

d(i) = dL(i)/C(i) + w(i)

= dL(i)/C(i) + m(i) + v(i)

w(i)是随机函数W的信号量，它的输入因子有吞吐能力C(i)，当前网络阻塞情况，当前速率。在这种模型中我们认为输吞吐能力C比其它参数相对稳定，接近常数或变化缓慢。

我们再把w(i)建模成白色高斯过程，于是当对信道过载使用时，w(i)会增加，当信道通过数据量减少时，w(i)会减少，其他情况w(i)为0。

从这个模型我们可知，传输的数据量越大所要的时间越长需要相对时延也更大。而网络抖动和其他影响时延的因素不被采集和考虑。

因为d(i)和dL(i)是简单可测量的，那么通过w(i)预测C(i)可用一个自适应滤波器来实现，如使用卡尔曼滤波器Kalman filter。

3. 卡尔曼滤波

数据滤波是去除噪声还原真实数据的一种数据处理技术,

卡尔曼Kalman滤波在测量方差已知的情况下能够从一系列存在测量噪声的数据中，估计动态系统的状态，由于它便于计算机编程实现, 并能够对现场采集的数据进行实时的更新和处理, Kalman滤波是目前应用最为广泛的滤波方法.

卡尔曼滤波是一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法。由于观测数据中包括系统中的噪声和干扰的影响，所以最优估计也可看作是滤波过程。

卡尔曼滤波不要求信号和噪声都是平稳过程的假设条件。对于每个时刻的系统扰动和观测误差（即噪声），只要对它们的统计性质作某些适当的假定，通过对含有噪声的观测信号进行处理，就能在平均的意义上，求得误差为最小的真实信号的估计值。

假设状态空间的n-1时刻估计值和观测空间的n时刻测量值都满足独立高斯分布，Kalman滤波器就是通过高斯分布的乘积运算将估计值和测量值结合，获得最接近真值的n时刻估计。高斯分布乘积运算的结果仍为高斯分布，高斯分布的均值对应n时刻的估计值，高斯分布的方差对应n时刻的均方误差。

4. 过载探测器

d(i) = dL(i)/C(i) + m(i) + v(i)

m(i)是从滤波器获取到的预测值，当预测值高于阀值gamma_1(i)则过载探测器发出过载信号给速率控制器。附加条件有这个过载状态需要持续gamma_2毫秒时间。如果m(i)小于m(i-1)，即使高于阀值也不需要发出过载信号。相对应的负数区间也是如此，如m(i)小于-gamma_1(i)时，过载被发现。

所以阀值gamma_1对算法的影响很大。如果是gamma_1是静态值会导致一系列问题，所以gamma_1需要动态调整来达到良好的表现。公式如下

gamma_1(i) = gamma_1(i-1) + (t(i)-t(i-1)) * K(i) * (|m(i)|-gamma_1(i-1))

当m(i)超过[-gamma_1(i-1),gamma_1(i-1)]时增加gamma_1(i)，而当m(i)落入[-gamma_1(i-1),gamma_1(i-1)]区间时减少gamma_1(i)。当|m(i)| - gamma_1(i) > 15，建议gamma_1(i)不更新。K(i)为更新系数。

同时建议gamma_1(i)控制在[6,600]区间。太小的值会导致探测器过于敏感。建议增加系数要大于减少系数K_u > K_d。

其实建议值如下

gamma_1(0) = 12.5 ms

gamma_2 = 10 ms

K_u = 0.01

K_d = 0.00018

5. 速率控制器

速率控制器由两个控制器组成，一个是基于时延的预测控制，另一个是基于丢包的的预测控制。控制器内部置状态机，结合过载探测器进行状态的切换。

6. 基于丢包的控制

前面介绍基于时延的控制是有一个假设前提，即传输通道的缓冲足够大。当传输通道的缓冲很小时，通过时延是观测不到过载状态的，这时需要丢包率来表示过载。

l 当接收侧感知到2-10%丢包率，发送端的预测值不变。

l 当实际丢包率超过预测值10%时，新的预测值可更新为As_hat(i) = As_hat(i-1)(1-0.5p)，其中p为丢包率。

l 当实际丢包率小于2%时预测时可更新为As_hat(i) = 1.05(As_hat(i-1))，其中p为丢包率。

在GCC中基于丢包的预测值不应大于基于时延的预测，也不应小于基于TFRC（rfc3448）的预测。

7. 参考：

https://tools.ietf.org/html/draft-ietf-rmcat-gcc-00#page-10

https://tools.ietf.org/html/rfc3448