ISS 间歇更新稳定性证明 — 穷举收紧路径基线:γ_window (1 − K_min)^(1/26) 0.784^(1/26) ≈0.9905κ ≈ 26·max(K_ss·η_max, w_max) / |d_k| (保守界 ≈234.7)K_min (p_floorQ)/(p_floorQR) 110/510 ≈0.216最坏窗口: 25 次连续拒绝 1 次强制接受 → 26 步窗口关键参数速查:参数名义值自适应/Q-boostK_ss (稳态 Kalman 增益)0.39 (Q100, R400)0.88 (Q2500, R400)K_min (增益地板)0.216 (p_floor10)0.0034 (R32000 匹配)K_eff (Q-boost 一步)—≈0.73K_eff (漂移 Tier 1)—≈0.0975K_eff (漂移 Tier 2)—≈0.0488K_eff (强制收敛)—1.0p_clean (干净样本率)0.3 (名义)0.1–0.9max_consec_reject251–1000 (可配置)标准 KF (无门控)γ_KF 1−K_ss 0.61—1. Markov 链分析 — P_est 稳态分布思路:拒绝序列 {连续拒绝次数} 在 i.i.d. 假设下服从几何分布P(reject streak n) P_rejⁿ。在 p_accept 0.3 时P(reject streak ≥ 26) 0.71²⁶ ≈ 1.8×10⁻⁴极小概率。p_est 的随机游走服从拒绝轮次: p_{k1} p_k Q (线性增长)接受轮次: p_{k1} p_k·R/(p_kR) Q (收缩)稳态分布:p_est 的稳态分布不是固定点的退化分布而是马尔可夫链的平稳分布 π§。从平稳分布取 99% 分位数 p_est^(99%) 作为实际 K_min 的计算基础替代最坏情况 K_floor (p_est→10 极端罕见)。结论:更紧的 γ:在 p_accept0.3 时p_est 的 99% 分位数远高于 p_floor10典型稳态 p_est ≈ 33 (收敛阈值处 K≈0.25)此时 K_eff ≈ 0.25γ_per_step 1 − 0.25 0.75对 26 步窗口: γ_window 0.75^(1/26) ≈0.9890小幅改善若用实际 p_accept≥0.3 → 拒绝概率 P_rej≈0.7平均拒绝步数 1/(1-P_rej) ≈ 3.3对平均窗口而非最坏窗口 → γ_avg 0.75^(1/3.3) ≈0.912显著改善需要的额外假设:拒绝过程 i.i.d.存在平稳分布稳态已达成致命缺陷:边界值分析最坏情况被替换为分布分析典型情况这不修改 ISS 的最坏情况保证只提供了概率 ISS的替代——这是语义变更而非收紧。实际的最坏情况路径依然存在无限长时间内随着 t→∞ 必发生。2. 概率 ISS (p-ISS)思路:标准 ISS: ∀ω, ∀k, |d_k| ≤ β(|d_0|, k) γ(‖ω‖)。放宽为P(|d_k| β(|d_0|, k) γ(δ)(‖ω‖)) ≤ δ即以概率 ≥ 1−δ 成立允许低概率违反。计算:在 i.i.d. 拒绝假设下拒绝序列长度 L 服从几何分布。P(L ≥ n) P_rejⁿ。给定 δ 10⁻⁶n(δ) ln(δ)/ln(P_rej) ln(10⁻⁶)/ln(0.71) ≈ −13.82/(−0.342) ≈ 40.4即 99.9999% 概率下拒绝序列 ≤ 40 步而非 26 步但用 99% 分位数δ0.01: nln(0.01)/ln(0.71) ≈ 13.5 步用 n13 替代 26 → γ(0.01) (1−0.216)^(1/13) 0.9808用 n6 (p0.5 时): γ(0.01) 0.784^(1/6) 0.9603在各种 δ 下的结果:| δ (置信度) | 窗口 n | γ(δ) | κ(δ) (≈n·K_ss·η_max/|d_k|) ||-----------|--------|------|------|| 10⁻² (99%) | 13 | 0.9808 | 117 || 10⁻⁴ (99.99%) | 27 | 0.9911 | 243 || 10⁻⁶ (99.9999%) | 40 | 0.9940 | 360 || 最坏情况 (确定性) | 25126 | 0.9905 | 234.7 |结论:更紧的 γ:在 δ0.01 时 γ≈0.98vs 0.9905在 δ10⁻³ 时 γ≈0.985需要的额外假设:拒绝序列 i.i.d.过程遍历性拒绝概率 P_rej 1致命缺陷:(a)p-ISS 不是标准 ISS —— 控制理论中 ISS 是确定性界转为概率界削弱了稳定性保证。对于拥塞控制99% 概率不会爆炸意味着每个流每 100 个 RTT 约有一次可能队列溢出——不可接受。(b)实际拒绝过程非 i.i.d.门控条件依赖状态 d_k存在正自相关。©长拒绝序列有系统性原因持续队列此时假设失效。3. Q-boost 漂移联合增益思路:当前分析将 Q-boost 和漂移当作安全网只在 26 步窗口末端使用一次。能否将它们整合到主证明路径中Q-boost (K_eff ≈ 0.73):触发条件: |ν_k| q_boost_thresh (≈4ms) 且 p_est ≤ converged (500)。发生频率: 仅在路径变化时触发。稳态不触发。漂移修正 (K_eff ≈ 0.1Tier 1/2):触发条件: 连续 16/128 次正创新。平均 K_eff drift 0.0975Tier 1或 0.0488Tier 2每轮。联合平均增益计算:在每个 26 步窗口内考虑三种操作模式的平均增益正常接受p_accept ≈ 0.3: K_eff K_ss 0.39正常拒绝p_reject ≈ 0.7: K_eff 0强制接受第 26 步: K_eff K_min 0.216Q-boost: K_eff 0.73偶发占比 ≈ 10⁻⁴漂移: K_eff 0.1P(触发) ≈ (1/2)¹⁶ 1.5×10⁻⁵Tier 1加权平均增益: K̄_eff 0.3×0.39 0.7×0 ~10⁻⁴×0.73 ~10⁻⁵×0.1 ≈0.117但这忽略了 Q-boost/漂移在最坏情况下的正贡献。用更精确的方法在 26 步窗口内至少有一次强制接受和可能的 Q-boost/漂移修正。计算每步平均增益K̄_window [K_accept × n_accept 0 × n_reject K_force]/26取 p_accept 0.3, n_accept ≈ 8, n_reject 17, K_min 0.216:K̄_window (8×0.39 17×0 0.216)/26 3.336/26 ≈0.128若含 Q-boost概率触发有效增益 ≈平均每窗口贡献一次 0.73×1:K̄_window (3.336 0.73×P(Q-boost|window))/26 ≈ 0.128 0.028(极低) ≈0.128结论:更紧的 γ:γ_eff_per_step 1 − K̄_window 0.872; γ_eff_26 0.872^(1/26) ≈0.9945反而更松等等——这是算术平均的错误用法。实际增益来自每步收缩因子 (1−K_k) 的乘积Π(1−K_k) ≤ (1−K_min)^(n_rej1) · (1−K_ss)^(n_accept) ≤ (1−0.216)²⁶即使有 8 步 K_ss0.39乘积下限依然由最坏步决定关键洞察:乘积下界由最远的拒绝序列决定。如果 Q-boost 打断拒绝序列窗口有效长度从 26 缩减如果 Q-boost 在 10 步后触发: 窗口 101 11γ_window 0.784^(1/11) 0.978如果漂移在 16 步后修正: γ_window 0.784^(1/17) 0.985需要的额外假设:Q-boost 或漂移准时触发打断长拒绝序列致命缺陷:Q-boost/漂移的触发不是确定性的——它们依赖创新幅度阈值或极长的正创新序列16/128 步。在最坏情况路径持续微小正偏置队列Q-boost 可能永不触发漂移仅在 128 步后触发比 26 步更长。Q-boost 漂移不能用来加强最坏情况界。4. 切换 Lyapunov 函数思路:接受和拒绝模式使用不同的 Lyapunov 函数接受时 (i_k 1): V_acc(d) d², ΔV_acc ≤ −α_acc·V σ_acc·‖η‖²拒绝时 (i_k 0): V_rej(d) |d|, ΔV_rej 0 (因为 |d_{k1}| |d_k|)交替使用多 Lyapunov 函数计算平均衰减率。分析:对于接受步: ΔV_acc ≤ −(2K−K²)·V_acc K²·‖η‖²标准 ISS-Lyapunov对于拒绝步: V_rej(d) |d| 不增长ΔV_rej 0在 26 步窗口内25 拒绝 1 强制接受:接受步: V_acc((1−K)d) (1−K)²·V_acc(d)拒绝步: |d| 不变多 Lyapunov 函数的平均衰减加权平均:α̂ (α_acc×n_acc 0×n_rej) / (n_acc n_rej)在 26 步窗口: α̂ α_acc/26 0.39/26 ≈ 0.015γ_avg 1 − α̂ 0.985结论:更紧的 γ:γ_avg ≈ 0.985比 0.9905 稍紧需要的额外假设:多 Lyapunov 函数满足 Liberzon 切换系统理论的公共 Lyapunov 衰减条件切换信号满足平均驻留时间约束致命缺陷:(a)这只收紧 5% 的相对间距。(b)多 Lyapunov 分析仍需要证明 V 在每个模式切换时不增长满足d 在拒绝时不变化在强制接受后最多收缩。©最终界仍然是 |d_k| 对最大‖η‖ 的比例——收紧的是 transient 速率而非 asymptotic 增益 κ。γ 收紧但 κ 不变整体 ISS 界基本不变。5. 利用实际 p_accept ≫ 1/26思路:当前最坏情况分析假设每 26 步才有一次更新p_accept → 1/26 ≈ 0.038。实际中 Lemma Q.2 保证 PROBE_BW 每周期有一条清空样本 → p_accept ≥ 1/8 ≈ 0.125下界但在 DRAIN 和 CRUISE 阶段实际 p_accept ≫ 0.125因为DRAIN: 队列单调递减 → 正创新逐渐被拒绝但部分样本 ν_k 0CRUISE: 队列近乎零 → p_accept ≈ 0.5对称噪声下 50% 负创新总体 p_accept ≈ 0.3 是可实现的重新计算:使用 Lemma Q.2 的确定性保证每 8 步周期至少 1 步干净样本。对 ISS 分析使用 p_accept_min 1/8有证明的确定性下界替代 p_accept_worst 1/26随机变数的上界。max_consec_reject 25 是一个 safety valve而非正则操作点名义操作拒绝序列中位数 1/P_rej 1/0.7 ≈ 1.4 步99% 分位数拒绝序列ln(0.01)/ln(0.71) ≈ 13.5 步强制接受仅作用于 99% 分位数的尾部分布有效操作 γ:情景窗口长度γ注最坏确定性 (当前证明)260.9905max_consec_reject 1Q.2 确定性下界80.9695每周期至少 1 次清空操作典型 (p0.3)3.3 (中位数)0.912典型操作点99% 分位数 (p0.3)13.50.9808高置信界结论:更紧的 γ:γ_effective(Q.2) 0.784^(1/8) ≈0.9695有证明的确定性下界需要的额外假设:Lemma Q.2 的完整证明每 PROBE_BW 周期至少一个干净样本。这依赖于 DRAIN 的单调性保证已证明和 cycle-length 封闭性8 步。注意这个假设已经被 KCC README 的 §Q.2 证明。致命缺陷:(a)仅当 DRAIN 未被 drain-skip 跳过时成立。在 drain-skip 时残存队列 bounded by clean_thresh (≤10% BDP) 但非零——清空样本的保证弱化为门控后非队列样本。(b)在最坏情况持续高利用率队列从不完全清空Lemma Q.2 的 “q→0” 结论需要 ≥ 2.6× margin of DRAIN time vs queue-full drain time在最坏情况下 BDP 满载时仍成立但窗口为 8 而非 26 要求更强的物理假设。©未改变 κ 的界——κ 仍由 η_max 和 w_max 决定。6. 自适应 γ(t) — Q/R 时变分析思路:K_ss p_ss/(p_ssR) 的非线性 Riccati 解依赖于 Q 和 R 的实际值Q 自适应: Q_eff max(q_min_factor×Q_nominal, min(Q_nominal, Q_max_auto))在路径变化时 Q-boost 提升至 ~2500R 自适应: R_eff R_nominal R_boost其中 R_boost 依赖于 jitter_ewma稳态 K_ss 随噪声环境动态变化时变 γ(t) 的推导:操作状态QRp_ssK_ssγ_per_step静默路径 (低 jitter)1004002560.390.61噪声路径 (jitter→5ms)1006003000.330.67Q-boost 活跃250040028510.880.12匹配估计器 (mode1)5000032000721700.690.31极噪路径 (R→32000, Q100)1003200017920.0530.947收敛后 (p_est→33)100400—0.250.75过信 (p_est→10, floor)100400—0.2160.784平均 γ (在 PROBE_BW 周期内):8 步周期内各相位的 K_k 不同PROBE (1 RTT): 队列增长 → 门控关闭 → γ₃0不接受DRAIN (1-4 RTTs): 队列排出 → 门控逐步打开 → K_k 从 0 到 K_ssCRUISE (6 RTTs): 正常操作 → γ_per_step 1−K_ss 0.61周期平均: γ̄_per_step [1×1 (14)×0.7 6×0.61] / 8 ≈ (12.13.66)/8 ≈ 0.845关键发现:平均每步 γ ≈ 0.845 0.9905最坏窗口界。这比最坏情况界紧 ~22 倍在对数空间中。结论:更紧的 γ:γ̄_adaptive ≈0.845平均每 RTT约 300 倍快于 0.9905 隐含的衰减率注按 26 步窗口折算: 0.845^(1/26) ≈0.9935—— 对窗口界收紧不大真正的收紧在 per-step 衰减: (1−0.845)²⁶ → 但 step 间的 26 步分离性问题在于拒绝序列需要的额外假设:系统大部分时间在 CRUISE 模式6/8 周期占比Q-boost 在路径变化时生效致命缺陷:(a)时变 γ(t) 不能替代最坏情况界——如果系统恰好处于长期噪声状态p_accept 低实际 γ(t) 可能高于平均。(b)长期平均 γ 的推导依赖遍历性不构成最坏情况证明。©如果噪声持续高水平R 升高 → K_ss 降低 → γ 增加自适应可能朝更差方向演化一个自适应系统可能趋向更低 K_ss 的稳态即最坏情况恰在稳态。7. 比较 KCC ISS 与标准 KF ISS — 方向门的最优性下界思路:标准 KF (所有样本更新): γ_KF 1 − K_ss ≈ 0.61per-step 衰减很快。KCC (间歇更新): γ_window ≈ 0.9905per-step 衰减约为标准 KF 的 1/16。证明在队列无偏约束下任何门控方案都不可能使 γ 某个下界。分析:设方向门在 p_clean 比例的样本上打开。最坏情况是持续队列时的接受样本数。任何门控方案必须满足对于 T_queue 0 的样本不执行更新定向性约束在 p_clean 比例的干净样本上执行更新如果在 K_clean 个干净样本上 K_eff K_ss在 (1 − p_clean) 比例上 K_eff 0per-step 衰减率 p_clean·K_ss (asymptotic)γ_gated ≥ (1 − p_clean·K_ss)下界推导:给定物理约束 p_clean ∈ (0, 0.5] (在一般互联网路径上 50% 概率遭遇非空队列)γ_lower_bound (1 − p_clean·K_ss) 1 − p_clean·0.39 ≥ 1 − 0.5×0.39 0.805如果每 26 步才一次更新最坏操作γ_lower_bound_26 (1 − 0.39)^(1/26) 的极端情况但对于一般间歇更新方案使用 average-case 分析令 p_accept p_clean·1/2干净样本中 50% 为负创新γ_theoretical (1 − p_clean·K_ss/2)取 p_clean ∈ [0.1, 0.5]: γ ∈ [0.981, 0.903]对 KCC 的重新诠释:γ_window 0.9905 不是弱点而是在给定的方向门 无偏性约束 最坏情况队列下的近似最优。相比无条件门控所有样本都更新 → 偏置 T_prop 估计 → 不安全KCC 接受了更慢的收敛速率以换取无偏性。结论:更紧的 γ (重新定义):不是在绝对值上更紧而是在约束条件下的最优性证明。在队列无法影响 T_prop 估计的约束下任何门控方案的 γ 下界约为 0.95-0.99需要的额外假设:形式化方向门最优性的证明框架队列-干净样本率的全局下界致命缺陷:(a)这是一个重新定义从弱点→最优可达而非数值收紧。控制理论界仍会看 γ 0.9905 并问为何这么差。(b)证明最优性需要建立所有可能门控方案的博弈论下界——范围广且不平凡。©如果加入智能门控不只 ν≤0 而是更多条件γ 确实可以更低但这冒着丢失无偏性约束的风险。8. 经验验证 — Trace 数据分析思路:使用 KCC 的 trace 数据计算实际经验衰减率 γ_empirical。方法:从实际运行的 KCC trace 中收集 {|d_k|} 序列d_k x̂_k − T_prop。在连续的 26 步窗口内拟合:|d_{k26}| ≤ γ_emp·|d_k| κ_emp理论预期值:操作场景预期 γ_emp预期 κ_emp静默有线路径 (p_accept→0.5)0.65-0.751-5 ms噪声无线路径 (p_accept→0.3)0.85-0.955-20 ms高竞争路径 (p_accept→0.1)0.95-0.9920-100 ms持续队列路径 (p_accept→0.01)0.99-0.99550-500 ms在最坏情况 trace 中如果 γ_emp 出现在哪个区间表明实际界比理论界紧多少。需要的数据:x_est(Kalman T_prop 估计)min_rtt_us(真实 T_prop 的替代测量)consec_reject_cnt(每一步的拒绝状态)p_est(估计误差协方差)这些数据可通过 KCC 的内核 tracepoint 获得。结论:更紧的 γ:经验 γ 预期在0.75-0.95范围远低于 0.9905需要的额外假设:可获取足够的真实网络 trace 数据d_k 的 ground truth 可从 min_rtt 或外部测量获得致命缺陷:(a)经验验证不能替代数学证明——它只能显示在实际 trace 中没有出现 0.9905不能证明永远不可能出现。(b)需要大量多样性 trace卫星、数据中心、WiFi、固定光纤来建立统计置信度。©如果实际发现 γ→0.99 的 trace会削弱而非加强 ISS 论点。最终排名表排名方案主要收紧更紧的 γ 值弱点/致命缺陷推荐行动15. 实际 p_accept ≥ 1/8用 Q.2 的确定性底界替代最坏情况 26 步0.9695当 DRAIN 被 drain-skip 跳过时界变弱需 Lemma Q.2 完整成立强烈推荐— 确定性证明已内置24. 切换 Lyapunov 函数不同模式下用d替代 d²收紧平均衰减0.98533. Q-boost漂移联动若 Q-boost/漂移打破长拒绝序列窗口从 26→~100.978最坏情况路径Q-boost 可能不触发漂移需要 128 步条件性推荐 — 仅当 Q-boost 触发被确定性保证时41. Markov 链稳态分布用稳态分布取 99% 分位 p_est 而非最坏 floor0.989-0.912数学上不等价——不是最坏情况界作为工程指南使用非正式证明57. 最优性下界重新定义为方向门最优可达0.95-0.99(下界)非数值收紧需新的最优性框架增加深度但不收紧 γ66. 自适应 γ(t)时变 Q/R 产生比稳态更小的 K_ss→更小的 γ0.845(per-step 均值)时变增量 ≠ 窗口界增量最坏情况依然存在操作指南非证明72. p-ISS参数化为概率界 (1−δ 置信度)0.960-0.985控制理论不接受概率稳定性为 “stable”仅在 delta 极小且 i.i.d. 成立时88. 经验验证Trace 数据分析0.75-0.95(预期)不构成数学证明重要的支撑性证据最终推荐2 条最佳收紧路径路径 A确定性主要证明路径: 基于 Lemma Q.2 的 p_accept 下界现状: γ_window (1 − K_min)^(1/26) ≈ 0.9905 (p_accept ≈ 0.038) 收紧: γ_window (1 − K_min)^(1/8) ≈ 0.9695 (p_accept ≈ 0.125)证明骨架:Lemma Q.2 证明每 PROBE_BW 周期至少有一个干净样本 (p_accept ≥ 1/8 确定性)最坏情况不是 26 步拒绝窗口而是 8 步因为每周期必有一个接受在 8 步窗口内: |d_{k8}| ≤ (1−K_min)·|d_k| 8·max(K_ss·η_max, w_max)γ 0.784^(1/8) 0.9695 (从 0.9905 降低约 2.1%)κ ≈ 8·max(K_ss·η_max, w_max) / |d_k| (从 234.7 降低约 70% — 主要改善)需要证明/修改:Lemma Q.2 的证明必须包含 drain-skip 场景需要确定在 drain-skip 操作下残存队列是否 invalid 干净样本的性质p_accept 下界从 1/8 收紧到 2/8 1/4如果 DRAINCRUISE 都产生干净样本路径 B工程层面概率性: 操作 p_accept Markov 稳态分析现状: 使用最坏 p_est10 计算 K_min0.216 改进: 使用稳态 99% 分位 p_est ≈ 33 计算 K_eff0.25窗口 8路径 A合并效果:γ_merged (1 − 0.25)^(1/8) 0.75^(1/8) ≈0.9647(vs 0.9905)κ_merged ≈ 8·0.25·η_max / |d_k| ≈ 原 κ 的 0.25/0.216 × 8/26 ≈0.31×(减小 ~69%)收敛速度 (1−γ): 0.0353 (每步) vs 0.0095 →3.7× 加速限定条件 (路径 B):对最坏情况路径仍退化到路径 A 的 0.9695稳态假设要求系统不在初始瞬态第一个 8 窗口内如果长期队列使 p_est 退化界回到路径 A关键数值总结度量当前最坏界路径 A (Q.2 下界)路径 B (稳态P_est)改善程度γ (窗口衰减因子)0.99050.96950.9647中度-显著κ (噪声增益)234.7~82.0~73.0显著 (69%)收敛速度 (π_clean8 周期)~104 周期~33 周期~28 周期3.7×确定性保证是是 (经 Q.2)否 (概率性)额外假设—Q.2 在 drain-skip 下成立稳态存在 遍历性
