BBR 到底有什么不一样，还是要看它的 论文：

首先，引用的那篇 Jeffrey M Jaffe 在 1981 年的论文 Flow Control Power is Nondecentralizable 证明分布式算法无法收敛到 maxbw 和 minrtt 的最佳操作点(这也是 BBR 的理论操作点)，至少在理论上 BBR 就不应以 AIMD 类似的方式启发公平性，应向别处看。

其次，上图引述第二段，BBR 几乎完全来自实践经验，通过分析实际流量获得与 Jafffe 理论证明所不同的认知。

最终，通过对实践数据的进一步分析，形成一套全新的，通过不断测量 bw 和 rtt，对拥塞进行直接反应的 BBR 算法，该算法不保证绝对收敛到 maxbw 和 minrtt 的操作点，但仍在统计意义上以很高的概率部分收敛。

总结起来就是统计实线。

以上概述就是 BBR 的与众不同之处，这也是我说 BBR 没有理论基础的原因。

BBR 与 cubic 等 AIMD 算法相比，它不存在公平收敛所必须付出的代价，无需为丢包事件无条件激烈反应，它的参数在实践中调制，在特定环境中，总体表现 OK。

BBR 和 vegas 等 delay-based 算法相比，它内在的有限状态机保护其不被实际测量结果无条件控制，例如，BBR 周期性 probe up 保证自身不会被 AIMD 算法无限抢占。

BBR 和 AIMD 算法以及 delay-based 算法共存从大的方面看没有问题，问题总在细节。

如果整个互联网只有一类算法，因为所有的流量遵循一致至少类似的原则，公平收敛就不是问题，并且可以证明，只要流足够多，整体带宽利用率接近 100%。但有趣的是，各类算法总是优先照顾同类公平性，异类公平性总是作为补充存在。但最难的偏偏是异类算法之间公平性。BBR 在这方面有些不一样。

简单说，把 BBR 看作加了引擎的 vegas 是合适的，相比之下，vegas 更像是一叶扁舟或者滑翔机，完全被外界推着走，RTT 大了就减速，RTT 小了就加速，自身却没有能动性，显然一旦和 AIMD 算法共存，必然会被挤压。

BBR 通过更加精准的测量 delivery rate 反馈，实现了 vegas 类似但更精确的效果，但测量过程却被包含在自身的状态机转换的过程中，其中周期性 probe up 可以夺回被 AIMD 挤压的带宽，这在一定程度上屏蔽了 AIMD 算法对自身的影响。

…

BBR 直接对拥塞进行反应，那么何以定义拥塞？有点无级变速的意思。所以 BBR 的公平性能否根据所承载业务的 QoE 来定义值得讨论。

联想高速公路或城市快速路上在不堵车时的车流，有的快有的慢，车速并不公平，但每个人都很满意，这就是 QoE 公平。快速路道路没有任何理论上的公平收敛原则，每辆车之间也互不沟通，但在整个分布式空间，却形成了自组织的 QoE 统计公平，这和 BBR 算法如出一辙。

驾驶汽车，前面空了就一脚油门，前面刹车灯亮了就减速，偶尔会有急躁的司机变道超车，也会有追尾，但都不是大问题，只要司机目视测速准确，一切就井然有序。即使下班高峰车流量巨大，也是同步缓慢前行，但不会停驻。但目标永远不是车速的公平，而是都很满意。

即使考虑车速公平(类比带宽公平)，高速/快速路也能高概率自组织收敛，速度太慢的汽车加速空间非常大，它有很大的概率会被加速，而本来就很快的汽车加速的空间很小，它有更大的概率会减速，最终大家的速度虽然不保证绝对公平，但几乎不会相差太多，从统计分布上看，曲线将非常高且瘦，BBR 收敛到这种情况已经非常 OK，我曾经用 buffer 加速比分析过这一段，不再赘述。

现代高速网络中，BBR 的这种高效的分布式自组织 QoE 公平以及高概率但不绝对的带宽公平(converges with high probability to Kleinrock’s optimal operating point)，才是真正现代的拥塞控制算法的特质。我在前一篇文章说到资源越匮乏，绝对公平越有意义，就是这个意思。

然而，很多人却把 BBR 当成了传输加速的手段。

全局拥塞控制和传输加速，根本是两件事。但很遗憾，互联网作为一个全局资源池，更需要均衡调度资源，而不是为单流加速。加速是硬件升级的结果，而不是软件结果，但凡采用软件手段进行加速的行为(不靠更好的路，却靠加塞的技术)，与拥塞控制相反，为抓取更多带宽而破坏均衡，这是在制造拥塞。

…

最后，按照 BBR 的实践经验，多少连接样本才能刻画出精确的链路画像，以此为基准调节 BBR 参数，有必要开发一个管理面搜集大数据进行分析吗，谁知道呢… 和 cubic 一样，找出统计期望附近的参数作为缺省值。

和 cubic 同一组参数在统计意义上足够可接受不同，BBR 却可千人千面，理论上，每一组 source/destination 二元组都对应一组最优参数。而 cubic 由于 AIMD 的收敛代价，带宽溢价太大，统计期望便比千人千面更有意义。

浙江温州皮鞋湿，下雨进水不会胖。