公平性这三个字，在拥塞控制里大概是讨论最多、也最容易绕晕的问题之一。很多人刚接触 TCP 的时候，都会看到“加性增、乘性减”这个说法，也就是 AIMD，但很少有人真正想明白：为什么这么简单的两条规则，就能让多个数据流最终公平地共享一条瓶颈带宽？我早年做网络仿真的时候也被这个问题卡过好久，后来发现其实只需要一张纸、几行公式就能把核心逻辑推清楚，一点都不玄乎。这篇就专门写这个极简推导，顺便把里面容易踩的思维误区也一起捋一遍，适合刚接触协议栈的开发者、面试前临时抱佛脚的候选人，以及所有想在五分钟内搞懂 AIMD 公平性本质的人。
1. 把 AIMD 拆开：它不是背下来的口诀，而是一对精心设计的操作
1.1 没有拥塞控制的互联网，差点自己把自己挤垮
先回到最早的故事。上世纪 80 年代中期的互联网，其实没有真正意义上的拥塞控制。发送端只管发，网络一堵就会丢包，丢了包靠超时重传，然后继续发。结果就是著名的“拥塞崩溃”：因为丢包越多，超时重传越多；重传越多，网络越堵；越堵，丢得更多。整个链路陷入死循环，有效吞吐几乎归零。
后来 Jacobson 在 1988 年那篇经典论文里引入了拥塞控制窗口，核心思路很简单：发送端不要直接猜带宽，而是用一个窗口慢慢往上试探，收到 ACK 就加一点；一旦发现拥塞（比如丢包），立刻把窗口降下来。这个“慢慢加、猛下降”的节奏，就是 AIMD 的雏形。它不是拍脑袋设计出来的，而是从“如何在不知道链路容量的情况下，既保持高利用率，又避免崩溃”这个约束里长出来的。
我后来做实验有一个很直观的类比：假设两个人在一个水管下接水，水管的水量时够时不够。如果每次发现水不够，就把两个人手里已有的水都倒掉一半，然后每人再得到同样一大杯水，多接水的那个人在比例上会越来越吃亏，最后两个人手里的水量趋于相等。AIMD 里的加性增就是这个“每人再加同样一杯水”，乘性减就是那个“所有人手里减半”。比例上的追赶效应，就是公平性收敛的全部秘密。
1.2 为什么偏偏是“加性增 + 乘性减”，而不是别的组合
这个问题我面试常被问，也是理解 AIMD 的钥匙。乘性减有个极重要的几何性质：它保持流量之间的比例不变。假设流 A 的窗口是 100，流 B 是 50，二者比例是 2:1。发生拥塞后，两个窗口都乘以 0.5，变成 50 和 25，比例还是 2:1。也就是说，乘性减本身不贡献任何公平性，它只负责快速逃离拥塞。
加性增则相反：如果 A 和 B 每轮各加 1，那就是 101 和 51。原比例是 2，加完后比例约 1.98，明显更接近 1。所以“相同的增量会让低窗口流在比例上追上来”，这才是公平性的驱动器。
那为什么不用纯加性增和加性减（AIAD）？因为加性减在不知道链路容量的情况下，减得不够狠，网络稍有波动，又得靠反复探测踩油门，容易振荡，收敛慢，甚至不收敛。为什么不用乘性增和乘性减（MIMD）？乘性增会保持比例不变，也就是强者恒强，两个流永远无法均分带宽，长期处于不公平状态。AIMD 的精妙之处在于：乘性减负责稳定和控制损失，加性增负责在每个周期让状态点朝公平线迈一步。两者缺一不可，这个互补关系就是后续所有推导的根基。
2. 公平性的定义：先统一“公平”到底指什么
2.1 公平性不是简单的平均主义，而是收敛方向
提到公平，很多人第一反应是“每个流平分带宽”。粗略这么说没错，但不够准确。设想一个 10Gbps 的瓶颈链路，流 A 有大量数据要发，流 B 只有一个交互小包，强行均分反而浪费。而且现实里还有 RTT 差异、应用优先级、不同拥塞控制算法，所以公平性需要更精确的描述。
在 AIMD 的语境下，公平性通常指长期运行时，每个竞争流的窗口（或者带宽占有率）能够收敛到同一个稳定点。对于两个流的场景，就是窗口比例 w1/w2 无限趋近于 1。你可以用 Jain 公平性指数来量化，公式也不复杂，就是 (Σxi)^2 / (n·Σxi²)，等于 1 时表示完全公平，接近 1/n 表示极端不公平。但极简推导其实用不到这么重的工具，只要抓住“比例趋于 1”这个核心即可。
注意，公平和效率是两个维度。公平是“各自分到的份额均不均匀”，效率是“瓶颈带宽有没有被充分利用”。AIMD 的乘性减在拥塞后会牺牲一部分效率，换来的正是公平性的改善；加性增再把效率拉回来。最终系统会在公平线附近震荡，而不是稳定占用 100% 的容量，这个“震荡收敛”本身很关键。
2.2 用二维坐标把公平性问题画出来
把两个流的窗口建模成平面上的一个点 (w1, w2)。理想公平状态落在直线 w1 = w2 上，也就是 45 度对角线。瓶颈容量限制表现为 w1 + w2 = C，这是一条向下倾斜 45 度的直线。两个流同时公平又高效的理想点，就是 w1 = w2 和 w1 + w2 = C 的交点，即 (C/2, C/2)。
AIMD 中，乘性减的操作是让点 (w1, w2) 沿从原点出发的射线向原点缩放，因为缩放不改变横纵坐标之比，所以这个点始终在同一条射线上移动，也就是不改变公平程度。加性增的操作是让点沿着斜率 1 的方向向右上平移，每次平移都让这个点离公平对角线更近一点。两者叠加的效果是：状态点在每个拥塞周期里，都会绕着一个目标点转一圈并且更靠近公平线。这个几何图像一旦建立，后面的数学推导就很自然了。
3. AIMD 公平性的极简数学推导：一个递推式解决战斗
3.1 先建一个最简单的双流模型
为了看清本质，我们先做几个理想化假设：只有一条瓶颈链路；两个连接一直有数据要发，且 RTT 相同；丢包信号对所有流完全同步，也就是说一旦拥塞，两个流在同一个时刻收到信号并一起降窗；窗口调整在一个 RTT 内完成。这些假设在真实网络里几乎不成立，但它们是推导公平性收敛逻辑的最小舞台。
设第 n 个周期（乘性减后）开始时，两个流的窗口分别是 w1(n) 和 w2(n)。从这个状态出发，两个流各自加性增加，直到总窗口达到链路容量 C，触发下一次拥塞。因为加性增的步长相等，所以从拥塞触发点到减半点之间的增量是同一个值 δ(n)，它等于 C 减去当前总窗口 w1(n) + w2(n)。注意这里的 δ(n) 可能随周期变化，但不影响比例推导。乘性减之后，下一个周期开始时的窗口就是：
w1(n+1) = (w1(n) + δ(n)) / 2 w2(n+1) = (w2(n) + δ(n)) / 2
这里我把乘性因子写成了 1/2，也就是标准 TCP Reno 的参数。后面你再换成通用的 β 也不难，核心结论不变。
3.2 比例序列的单调收敛证明
现在看两个流窗口的比例 r(n) = w1(n) / w2(n)，为了推导方便，先假设 w1 大于 w2，也就是 r(n) > 1。由上面的递推式：
r(n+1) = [w1(n) + δ(n)] / [w2(n) + δ(n)]
关键在于下面这个初等不等式：如果你把两个正数 x 和 y（且 x > y）同时加上同一个正数 d，那么它们之间的比例会变小，即 (x + d) / (y + d) < x / y，但新的比例仍然大于 1。用一句话说：同加一个正数，会让“大数比例”趋向 1，但不会越过 1。严格证明也简单，交叉相乘一下：
(x + d) / (y + d) < x / y 等价于 y(x + d) < x(y + d)，展开就是 yd < xd，因为 x > y 且 d > 0，显然成立。
把 x = w1(n)，y = w2(n)，d = δ(n) 代进去，就得到 r(n+1) < r(n)，同时 r(n+1) > 1。也就是说，如果本轮流 A 比流 B 多，下一轮它的比例会变小，但仍然大于 1；反过来，如果 w1 < w2，则比例会变大但仍小于 1。于是 r(n) 是一个有界且单调向 1 收敛的序列，收敛到哪？就是公平线 w1 = w2。整个过程不需要解微分方程，不需要矩阵特征值，只需要一个不等式，这就是我一直说的“极简推导”。
3.3 几何直觉和数学推导，其实是同一件事
上面那个不等式的几何意义，正是第 2 节我画的图像。平面上点 (w1, w2) 在加性增时沿 45 度方向平移。想象一个点原来落在公平线下方，比如 (100, 50)，加上同一个 δ 后变成 (130, 80)。用尺子量一下，点离公平线的垂直距离其实没变？等等，这里要注意：公平线是 w1 = w2，点 (100,50) 到公平线在横轴方向的差是 50，加 δ 以后 (130,80) 的差还是 50。所以加性增不改“绝对差值”，只改“比例”。这看起来好像没推动作用，但乘性减出场后，把点按比例拉回原点，绝对差值也从 50 变成 25。再结合加性增保持绝对差值，因此每轮这个差值都会减半，最终收敛到 0。换一个更直观的说法：乘性减每次把“不公平的绝对量”按比例压缩，加性增虽然不改变绝对量，但它保证系统每一次都能重新回到同一类压缩过程中。所以公平性的真正引擎是乘性减，“添柴”的加性增则负责把系统推进到下一条射线，二者配合，状态点就一圈一圈地螺旋逼近对角线。
4. 一般化与实操视野：参数怎么选，公平性受过什么真实影响
4.1 换成通用的加性因子和乘性因子，结论依然成立
刚才用的是 TCP Reno 的标准化参数：加性增 α = 1，乘性减 β = 1/2。其实把推导换成一般参数也不费劲。设每个周期加性增量为 a，乘性减因子为 b（0 < b < 1），递推变成：
w1(n+1) = b · (w1(n) + δ(n)) w2(n+1) = b · (w2(n) + δ(n))
比例递推里，δ(n) 仍是由链路容量 C 和当前总窗口决定的同一个增量，不等式照用，所以任意 a > 0、0 < b < 1 的组合都收敛到公平。这意味着 AIMD 公平性对参数并不挑剔，它是一个结构性质，而不是某个特定参数的运气。也正因如此，后来很多拥塞控制算法虽然改得花里胡哨，但底层如果还想保留公平收敛，就会保留这个“加性增、乘性减”的骨架。
不过参数会影响收敛速度和效率。b 越小，每轮乘性压缩越狠，公平收敛越快，但拥塞后带宽掉得也越多，利用率更差。a 越大，每轮加性增越快，探测带宽更积极，但也更容易频繁触发拥塞，造成丢包和振荡。标准 TCP 选 a = 1、b = 0.5 是因为在早期有线网络上这是个不错的折中，但并没有谁规定这是唯一正确的参数。实际调优时，比如在数据中心里你会看到 DCTCP 用更小的 b 配合 ECN 标记，在无线网络上又有人用更温和的升降策略，都是在公平、效率和响应速度之间做权衡。
4.2 为什么 MIMD 和 AIAD 注定玩不转
把 AIMD 和它的几个“亲戚”放一起对比，更容易看清公平性的来龙去脉。MIMD（乘性增乘性减）的问题是：乘性增和乘性减都会保持流量比例不变。也就是说，不管经历多少次拥塞周期，两个流的相对关系一直不变，强者恒强，弱者恒弱。最后谁抢到的带宽取决于初始窗口，完全谈不上收敛到公平。
AIAD（加性增加性减）看起来对称，它也有类似的“加性”追赶效应，在比例上会向公平线靠，但问题出在稳定性。加性减没有乘性收缩那么强的“刹车力”，一旦网络负载接近容量，加性减往往减得不够多，系统需要反复撞到拥塞点再慢慢爬回来，容易形成大范围振荡；而且它对瓶颈容量没有任何先验知识时，可能永远停不下来。AIMD 的核心智慧就是：升得慢、降得快。升得慢避免过度注入，降得快避免拥塞持续，一个顶两个用。
还有个容易忽略的细节：AIMD 的公平性并不依赖知道链路容量 C 的具体数值。发送端只需要收到“拥塞/不拥塞”这样的二元反馈，就能通过反复试探收敛到正确平衡点。这在互联网那种完全分布式、没有任何全局协调的环境里，是非常宝贵的性质。这也是为什么 AIMD 能作为 TCP 拥塞避免基石活了几十年，而不是像一些更“聪明”但需要全局信息的方法一样只停在论文里。
4.3 真实网络里的坑：RTT 不公平、不同 α、多瓶颈
有了极简推导打底，再看真实网络就会格外清醒。推导假设所有流 RTT 相同，可实际上 RTT 差别大了去了。加性增是按“每个 ACK/RTT”加的，RTT 短的流在相同时间里能加更多次。乘性减则是同时触发、按比例降，因此短 RTT 流每次重新爬升的速度也更快。最终窗口比例大致会收敛到 RTT 比值的倒数附近，也就是短 RTT 流分到更多带宽。这就是著名的“长 RTT 流被短 RTT 流压制”现象，我刚工作那会儿用模拟器跑跨洲链路时经常被这个问题坑。
多瓶颈和随机丢包也会让极简模型失效。一条流经过多个瓶颈，每个瓶颈上和其他流竞争，全局公平未必成立；随机丢包会让不同流的拥塞信号不同步，有的降窗有的不降，比例收敛的单调性被破坏。另外，不同实现如果 α 不同，比如老版本某些 TCP 实现用了不同的增量，那么同一条瓶颈上两个流即使 RTT 相同，最终公平点也会偏移。后来出现的 CUBIC、BBR 这类算法，本质上就是想修正 AIMD 在这些场景下的不公平，但它们的理论起点仍然绕不开 AIMD 的这张图纸。
5. 常见误区与实操心得：搞清这几件事，才算真正理解 AIMD
5.1 四个高频认知误区
我见过不少人把 AIMD 和“均分带宽”直接画等号，这是第一个误区。AIMD 证明的是“相同条件下，比例收敛到 1”，但真实条件不同，RTT 不同、丢包率不同、拥塞信号不同步，最终公平点就不在 1 的位置。所以准确说法是：AIMD 提供了一种在理想同质环境下收敛到公平的机制，而不是对一切环境做公平承诺。
第二个误区是把乘性减当成公平性的直接原因。前面推导已经说明，乘性减只负责按比例缩放，它本身不改变公平程度；把它和加性增组合起来，才形成了每轮收敛的闭环。如果你只做乘性减不做加性增，两个流的比例永远不变，根本没有公平可言。所以面试时千万别答成“因为乘性减所以公平”。
第三个误区是认为 β 选得越小越好。β 小确实让收敛更快，但会让拥塞后的带宽塌陷幅度也更大。一个链路容量为 C 的网络上，每轮拥塞后总窗口会掉到 C/2（对 β=0.5 而言），如果 β=0.1，则会掉到 0.1C，之后需要更长的时间爬回。实际模拟你会发现，β 过小时平均吞吐反而下降，因为大部分时间都花在恢复上。
第四个误区是觉得“只要大家都用 AIMD 就万事大吉”。同是用 AIMD，参数不同、RTT 不同、是否开启 ECN、路由器是否启用公平排队，都会改变结果。把它看作一个开放控制环路，而不是一条写死的法则，才符合工程现实。
5.2 我在模拟和实测中反复用到的验证方法
如果你也想像我当年一样亲手验证这个推导，不需要复杂平台。拿 ns-3 或者 Python 自带的最小拥塞模拟都行，关键是搭一个哑铃拓扑：两个发送端、两个接收端，中间共用一条 10Mbps、延迟 20ms 的瓶颈链路。开两个 TCP 流，一个从 0 秒起，一个从 2 秒起，然后记录每个 TCP 流收到的累计吞吐量。你会看到后启动的流爬升、触发拥塞、大家一起降窗，如此往复，两条吞吐曲线最终咬合在一起，窗口时间序列出现锯齿。用 Jain 指数算一下，稳态时数值会一路逼近 0.99 而不是 1，因为总有一些同步噪声存在。
如果这时候你把一条流的 RTT 改成 100ms，另一条保持 20ms，再跑一次，你会看到拥塞发生时两者确实都降窗，但短 RTT 流恢复得更快，最终两条流的带宽占比可能变成接近 3:1 或者更夸张。这个实验我强烈建议刚接触拥塞控制的同学亲手跑一遍，它比看十篇文章更能帮你建立直觉。另一个特别有意思的变体是：在路由器上打开 RED 或启用显式拥塞通知（ECN），就会看到丢包同步性被打破后的公平性变化，非常耐人寻味。
5.3 记住两条针对“极简推导”的最终结论
如果只允许我从这篇文章里带两个结论走，我会选这两条。第一，AIMD 的公平性来自“乘性减保持比例、加性增拉近比例”的分工配合，而不是某一个操作单独起作用。第二，只要加性因子大于 0，乘性因子严格在 0 到 1 之间，双流模型中的窗口比例就是一个单调收敛序列，最终收敛到 1。这个结论不需要矩阵、不需要控制论，一个不等式就能证完。
我自己在调试各种拥塞控制算法时最大的体会是：AIMD 就像一张稳定性图纸，后续算法要么在图纸上调整参数，要么把线性增加换成别的探测函数，但这些改动都必须尊重乘性负反馈这条底线。一旦丢掉乘性收缩，任何看起来更聪明的算法都可能在真实网络中暴露出公平性或稳定性问题。所以下次看到某某新协议宣称自己在复杂链路上如何优秀，你不妨先问一句：它在公平性上是否还保留了那根乘性压舱石？答案往往很快就出来了。
