一句话总结：
带宽预测就像开车看路况——看历史车速（过去带宽）、盯前方车距（延迟变化）、防急刹车（丢包率），动态调整油门（视频码率）
一、带宽预测的痛点
为什么难？
- 网络像天气：随时可能变（WiFi切4G、有人下载抢带宽）
- 既要稳又要快：预测低了→视频模糊，预测高了→卡成PPT
二、经典算法套路（人类智慧版）
1. 基于丢包率（简单粗暴，但容易翻车）
- 逻辑：网络丢包多了 → 肯定堵了 → 降带宽
- 代码示例（Kotlin伪代码） ：
fun predictByLoss(lossRate: Float): Int {
return if (lossRate > 0.1) {
currentBandwidth * 0.8 // 丢包超10%，带宽打8折
} else {
currentBandwidth * 1.05 // 否则试探性涨5%
}
}
- 缺点：等丢包时已经晚了，高延迟场景（视频会议）直接爆炸
2. 基于延迟变化（预判走位，像老司机）
- 逻辑：网络延迟突然增加 → 要堵车了 → 提前降速
- 代码示例（WebRTC GCC算法简化版） ：
// 计算延迟梯度（本次延迟-上次延迟）
val gradient = currentDelay - lastDelay
if (gradient > 50.ms) {
// 延迟飙升，带宽砍半
estimatedBandwidth = estimatedBandwidth * 0.5
}
- 优点：灵敏，适合实时视频
- 缺点：容易误判（比如网络抖动但实际带宽够）
3. 混合模式（成年人全都要）
- 逻辑：结合延迟+丢包+历史窗口，机器学习一把梭
- 示例（BBR算法核心思想） ：
1. 周期性发探测包，测最大带宽和最小延迟
2. 用公式：带宽 = 最大带宽 × 最小延迟
3. 动态调整发包速率，尽量卡在带宽瓶颈
- 优势：谷歌黑科技，YouTube都在用，避免网络过载
三、实战技巧（程序员版生存指南）
1. 滑动窗口取平均值（平滑毛刺）
// 保存最近5次带宽采样
val history = ArrayDeque<Int>()
fun updateBandwidth(newValue: Int) {
if (history.size >= 5) {
history.removeFirst()
}
history.addLast(newValue)
// 取中位数避免极端值
estimatedBandwidth = median(history)
}
2. 卡尔曼滤波（预测未来）
- 像导航软件：根据历史+当前测量值，预测最优带宽
# Python伪代码（实际工程用C++）
predicted = kalman_filter.predict(current_bandwidth)
if abs(predicted - current_bandwidth) > threshold:
adjust_video_bitrate()
3. 机器学习（土豪玩法）
- 特征：历史带宽、延迟梯度、丢包率、时间段、网络类型
- 训练：用LSTM模型预测未来3秒带宽
model = Sequential()
model.add(LSTM(units=64, input_shape=(10, 5))) # 10个时间步，5个特征
model.add(Dense(1)) # 输出1个预测值
model.fit(X_train, y_train, epochs=100)
四、各场景选型建议
| 场景 | 推荐算法 | 理由 |
|---|---|---|
| 实时视频会议 | 基于延迟梯度（如GCC） | 灵敏，防卡顿优先 |
| 直播推流 | 混合控制（如BBR） | 平衡吞吐量和延迟 |
| 点播缓冲（如优酷） | 滑动窗口+渐进增长 | 稳定为主，偶尔卡能接受 |
五、注意事项（血泪教训）
- 别太贪心：预测带宽留20%余量防突发拥堵
- 区分网络类型：5G和WiFi的抗丢包能力天差地别
- 用户行为干扰：边下载边看剧？预测算法直接哭晕
口诀：
“带宽预测像开船，
看波动，留空间，
延迟丢包要敏感，
混合算法最保险！”
