样本的加减乘除是无意义的，这也是工程上往往用移动指数平均来平滑它们的原因，换句话说，你无法用 “尺子” 量出时延的 “长度”，你只能获得统计结果，正如分子的速度毫无工程意义，但一堆分子的速度可以表征精确的温度一样。的绝对时间，真正值得在乎的是统计波动带来的不确定性，而不确定性正是长尾延时的元凶，不确定性放大了统计各阶矩，统计波动造成的状态不同步持续累加，降低了资源利用率，最终，低利用率最终表现为更

Linux 分两边，作为 server，它需要在多核心保持高吞吐，而在 client 端，它需要高响应性，为此，Linux client 需要引入诸如四象限工作流程的调度器，但从扩展性的角度，为了支持这种调度器，正如 Linus 早年所说，要放弃在太多核上并行，太多核上并行是为 server 准备的，而不是 client。在去掉这些毛边后，最终会看到 Linux 调度的目标是 “全局的，实时的，完

既然 LLM 本质上是个概率机，而那些涌现出来的神奇效果又被各种矩阵，张量，非线性函数绕晕了头，而我们连自己头脑也同样不了解，再加上程序员看不起哲学，既然一切成了一团迷雾，概率的事还要概率自身来解释，而高尔顿板就是一个现成的概率机，所以用它来可视化概率导致的神奇效果的原理，显然高尚。下面实验所有代码均在。在我的世界观中，我们既是高尔顿板中的小球，受概率支配，又是调整钉子的训练者，能改变概率，还是观

引：在《《OpenVPN性能》之后，我进一步阅读了硬件的解决方案，希望能得到一些思想，然后进一步的改进我的设计，由于工作的便利性和实际工作的需要，我阅读了intel的82571EB，82574L，82575等以太网芯片的datesheet的相关特性描述部分(由于我不打算亲自写驱动，因此我没有阅读寄存器以及存储器细节，更多的是我不相信自己的驱动比intel的工程师们的更高效)，得到了很多感觉，以下是

成亿万级的参数生成一个神经网络，训练它让它学习流量生成的模式和统计规律，以此为依据为流量分配资源，理论上定能成，但内容的传输并非目标和终点，内容的理解才是，基于大模型的传输优化收益相对成本不大，正如几千年的道路并未多少进化一样，网络总之还是瘦的，堵就堵吧。尺度不变性意味着消除长尾是不可能，因为在一个随机变量相互依赖的自相似世界，这就是一条放之四海而皆准的铁律，抛开网络传输，看看我们的社会，马太效应

所以叠加各种拥塞控制算法无异于雪上加霜，弄巧成拙，不是网络优化没有意义，而是大多数人方向是错的，为什么推理比训练抖动，如何解决，不是叠加几个策略就开箱即用的，包括 AI Infra 在内的所有网络优化，方向错，步步错。统计学中的一句真话，规模差异越大，均值越偏离中位数，发送时延，处理时延分别由网卡和协议栈引入，同类交互系统的网卡，协议栈差异不大，至少没有规模化差异，而传播时延更趋于固定的。由于拥塞

既然 LLM 本质上是个概率机，而那些涌现出来的神奇效果又被各种矩阵，张量，非线性函数绕晕了头，而我们连自己头脑也同样不了解，再加上程序员看不起哲学，既然一切成了一团迷雾，概率的事还要概率自身来解释，而高尔顿板就是一个现成的概率机，所以用它来可视化概率导致的神奇效果的原理，显然高尚。下面实验所有代码均在。在我的世界观中，我们既是高尔顿板中的小球，受概率支配，又是调整钉子的训练者，能改变概率，还是观

我经常思考，在根本不知道曲线外还有一条准线的时候，是怎样知道它的存在的呢，虽然丹德林在 19 世纪用立体几何切线长定理找到了准线，但那是 1500 多年以后的事了，况且那个时候已经知道准线的存在，丹德林只是在圆锥中确定了它们的定位方法，实则一种作图法。帕普斯时代，他的知识仅限于阿波罗尼奥斯，阿基米德已经证明的结论，以及基于欧几里得纯几何的平方和，平方差，二次，三次多项式运算，仅依赖这些，如何寻求一

剩下还有一个原则我只字未提，即 “端到端的流量控制”，原因在于这属于私人范畴，于统计系统无关，只要有 W = min(cwnd, rwnd) 兜底，流控就无法进入公共领域，同理的一个私人范畴的例子是 BBR，从 Google 发布它开始迄今，BBR 一致在私人范畴被优化，它只为提高个别流量的吞吐，值得注意的是，BBR 在 Google 内部骨干网并非没有被公共权力管辖，它的部署环境是 G 家的 B

目前大多数防火墙还是传统的基于五元组的防火墙，我觉得这太差劲了，我认为只有第七层防火墙才是真正的防火墙，五元组不能标示一个应用，正如tcp的80端口并不总是代表http一样，想要标示一个应用，你必须去分析第七层的协议头，而不是联合第三层，第四层的协议头，毕竟我们需要匹配一个第七层的应用，那就要需要第七层的协议头！然而第七层解析的问题何在？我觉得这有两方面，第一方面是谁提供了匹配的内容，也就是协议头