随机游走与网络现实：一个终究无法逃离的囚笼

网络拥塞控制里，有一个很少被明说的假设：我们认为真实传播延迟的变化，像一个随机游走。

这个假设，不是真理。它只是一个方便我们建模的近似。而在承认这个近似的同时，我们不得不面对一个更根本的困境：我们永远是被动的、滞后的。

我们永远无法同时看到完整画面

任何拥塞控制算法都面临同一个根本问题：你无法同时知道链路的带宽和延迟。

这个互斥观测困境没有解法。所有算法都只能在这个死结中，选择一个自己愿意承受的妥协方向。

为什么选择随机游走

我们无法直接观测到真实传播延迟。我们能看到的只有 RTT —— 它是传播延迟、排队延迟、噪声、时钟误差、调度抖动的混合物。

既然无法分离，那就得做个让步：把真实延迟当成一个随时间变化的隐藏状态，并且假设它每一步的变化都是不可预测的、随机的。这就是随机游走。

这个假设的好处是数学上简单，卡尔曼滤波正好能处理这种模型。坏处是它未必正确。

现实不是随机游走

真实网络里，传播延迟的变化往往有原因：路由切换、负载均衡、光纤扰动。这些原因不是纯随机的，但多数时候我们观测不到。

我们之所以用随机游走去拟合，不是因为我们认为世界真的是这样运行的，而是因为我们放弃了解释因果。我们不再问“为什么延迟变了”，只问“现在的延迟可能是多少”。

这是一种认知上的退让。

我们永远只能看到过去

当我们收到一个 ACK 时，它所携带的 RTT 样本，反映的是几个毫秒甚至几百毫秒前网络的状态。而我们发送决策，基于的是这些已经过时的信息。

我们不是在实时控制网络。我们是在回放网络的历史，然后试图猜测未来。

这是一个单向的时间箭头：网络先变化，我们后观测，观测之后再调整。我们永远追不上真实状态。无论算法多聪明，延迟多低，这个因果顺序无法颠倒。

我们是被动的。 网络发生什么，我们只能事后知道。

我们是滞后的。 我们决策时所依赖的信息，永远来自过去。

这不是某个算法的缺陷，这是所有反馈控制系统的共同宿命。

卡尔曼滤波的局限

卡尔曼滤波能帮我们从噪声中分离信号，能让我们在模型框架下做出概率最优的估计。但它不能预测未来，更不能逆转时间。

它只是让我们对过去的估计更准一些，然后我们拿这个更准的过去来决策现在。但过去终究是过去。

当网络发生跳变（路由切换、突发流加入）时，卡尔曼滤波需要时间收敛。在那段收敛窗口里，我们的估计是错的，我们的决策也是错的。而我们什么都做不了，只能等。

此外，卡尔曼滤波要求噪声服从高斯分布，状态转移是线性的。真实网络的噪声不一定是高斯的，突发抖动可能让高斯假设失效。路径切换更不是线性随机游走，它是跳变。因此，即使卡尔曼给出的估计是模型框架内的“最优”，如果模型本身偏离现实，这个“最优”也不过是“最优的错误”。

这是一个终究无法逃离的囚笼

我们做不到实时观测真实状态，做不到完全精准预测，甚至做不到确认自己的估计是否正确。

• 你不能比光速更快，所以你无法在 RTT 之前知道对方的反馈。
• 你不能预知未来，所以你无法提前知道下一秒网络会变成什么样。
• 你甚至不能同时观测带宽和延迟，因为它们相互干扰。

这些不是技术问题，是物理和信息论层面的硬约束。没有任何算法可以绕过。

所以

随机游走模型不是真理，它只是一个我们够得着的工具。卡尔曼滤波不是最优解，它只是目前比较贴近现实的一个选择。

但即便有了这些，我们依然困在“被动与滞后”的囚笼里。我们永远在追随一个已经跑掉的未来。

承认这一点，不是悲观，而是诚实。我们无法成为全知全能的控制者。我们只能在这个囚笼里，尽量把步子迈得更稳一些。