背景

为了基于网络状况做更细致的业务策略，需要一套网速检测方案，尽量低成本的评估当前网络状况，所以我们希望检测数据来自于过往的网络请求，而不是专门耗费资源去网络请求来准确评估。

指标计算

一般 RTT 作为网速的主要评估指标，拿到批量的历史请求 RTT 值后，要如何去计算得到较为准确的目标 RTT 值呢？

影响 RTT 值的变量主要是：

1. 网络状况会随时间变化；
2. 请求来自不同的服务器，性能有差异，容易受到长尾数据影响；

首先参考 Chrome 的 nqe 源码：chromium.googlesource.com/chromium/sr…

权重设计

查阅相关源码后，发现历史请求的 RTT 值会关联一个权重，用于最终的计算，找到计算 RTT 权重的核心逻辑：

void ObservationBuffer::ComputeWeightedObservations(
    const base::TimeTicks& begin_timestamp,
    int32_t current_signal_strength,
    std::vector<WeightedObservation>* weighted_observations,
    double* total_weight) const {
…
    base::TimeDelta time_since_sample_taken = now - observation.timestamp();
    double time_weight =
        pow(weight_multiplier_per_second_, time_since_sample_taken.InSeconds());

    double signal_strength_weight = 1.0;
    if (current_signal_strength >= 0 && observation.signal_strength() >= 0) {
      int32_t signal_strength_weight_diff =
          std::abs(current_signal_strength - observation.signal_strength());
      signal_strength_weight =
          pow(weight_multiplier_per_signal_level_, signal_strength_weight_diff);
    }

    double weight = time_weight * signal_strength_weight;
…

可以看到权重主要来自两个方面：

1. 信号权重：与当前信号强度差异越大的 RTT 值参考价值越低；
2. 时间权重：距离当前时间越久的 RTT 值参考价值越低；

这个处理能减小网络状况随时间变化带来的影响。

半衰期设计

在计算两个权重的时候都是用pow(衰减因子, diff)计算的，那这个“衰减因子”如何得到的呢，以时间衰减因子为例：

double GetWeightMultiplierPerSecond(
    const std::map<std::string, std::string>& params) {
  // Default value of the half life (in seconds) for computing time weighted
  // percentiles. Every half life, the weight of all observations reduces by
  // half. Lowering the half life would reduce the weight of older values
  // faster.
  int half_life_seconds = 60;
  int32_t variations_value = 0;
  auto it = params.find("HalfLifeSeconds");
  if (it != params.end() && base::StringToInt(it->second, &variations_value) &&
      variations_value >= 1) {
    half_life_seconds = variations_value;
  }
  DCHECK_GT(half_life_seconds, 0);
  return pow(0.5, 1.0 / half_life_seconds);
}

其实就是设计一个半衰期，计算得到“每秒衰减因子”，比如这里就是一个 RTT 值和当前时间差异 60 秒则权重衰减为开始的一半。延伸思考一下，可以得到两个结论：

1. 同等历史 RTT 值量级下，半衰期越小，可信度越高，因为越接近当前时间的网络状况；
2. 同等半衰期下，历史 RTT 值量级越大，可信度越高，因为会抹平更多的服务器性能差异；

所以更进一步的话，半衰期可以根据历史 RTT 值的量级来进行调节，找到它们之间的平衡点。

加权算法设计

拿到权值后如何计算呢，我们最容易想到的是加权平均值算法，但它同样会受长尾数据的影响。

比如当某个 RTT 值比正常值大几十倍且权重稍高时，加权平均值也会很大，更优的做法是获取加权中值，这也是 nqe 的做法，伪代码为：

//按 RTT 值从小到大排序
samples.sort()
//目标权重是总权重的一半
desiredWeight = 0.5 * totalWeight
//找到目标权重对应的 RTT 值
cumulativeWeight = 0
for sample in samples
  cumulativeWeight += sample.weight
  If (cumulativeWeight >= desiredWeight) 
    return sample.RTT

进一步优化

通过历史网络请求样本数据计算加权中值，根据计算后的 RTT 值区间确定网速状态供业务使用，比如 Bad / Good，这种策略能覆盖大部分情况，但有两个特殊情况需要优化。

无网络访问场景

当用户一段时间没有访问网络缺乏样本数据时，引入主动探测策略，发起请求实时计算 RTT 值。

网络状况快速劣化场景

若在某一个时刻网络突然变得很差，大量请求堆积在队列中，由于我们 RTT 值依赖于网络请求落地，这时计算的目标 RTT 值具有滞后性。

为了解决这个问题，可以记录一个“未落地请求”的队列，每次计算 RTT 值之前，前置判断一下“超过某个阈值”的未落地请求“超过某个比例”，视为弱网状态，达到快速感知网络劣化的效果。