时延抖动的物理本质
消息从 A 传输到 B，其时延包括三部分，主机处理时延，传播时延，网络排队时延，不同领域的工人关注不同的时延组分，他们的共识是，不怕时延大，就怕时延抖动大，因此每个领域的工人和经理都想消除时延抖动，但很遗憾，时延的抖动根本无法消除。
不光数据传输时延会抖动，任何统计复用系统的内秉属性之一就是抖动，抖动是统计复用系统与生俱来的性质，而不是问题，理解这一点非常重要。这些系统非常常见，比如操作系统调度，交通系统，温度，气象学，布朗运动等等，于是，思考一下它们背后本质的东西就很必要。
在我看来，所有的时延抖动都可理解为一种期望值的方差，它是任何局部对全局信息不确定性的度量，而信息的不确定性又可由熵度量，熵越小，信息越确定，熵越大，信息越不确定。此外，时间的本质即熵增，那么时延抖动的本质就是熵增的不确定性，即信息的缺失。
那么排队论的结论，排队时延一定会产生且无法根除，从熵增的理论上就可以被简单理解。排队时延可以理解成由于信息的不确定性带来的必然熵增的结果，从熵增单向性(即时间不可倒流)的角度看，排队时延无法消除，又由于信息不确定性本身亦无法度量，不光时延本身无法消除，时延抖动亦无法消除。排队时延即不确定性的量化体现。
你永远不知道一小时后堵在你前面的车子在何时离开车库，他也不知道他前面车子的状态，同理，CPU 永远不知道何时会新建一个进程，这些不确定性本质上就是熵增，在宏观层面，熵增就是时间的流逝，熵增需要时间来消解，这就是排队时延以及其抖动的根源，只要你理解了这个，就能理解它为什么无法被根除。
将信息论，热力学，排队论联系在一起是有益的，因为它们本来就是一回事，不是说它们的哲学是统一的，而是它们本来就是同一个哲学，你看，统计特性描述的波动，不可预测性所谓的高熵，时间演化所谓的熵增，它们在同一个逻辑链上。
来用中心极限定理验证一下。
一个数据集终究具有内秉特征，即它所 “拥有的知识”，问题是如何获得这个知识，中心极限定理提供的方法是不断抽样，即然它一定包含一个内秉特征，每次抽样都代表着多了一个学习样本，理论上随着学习样本增多，对该数据集包含知识的掌握就越全面，即抽样会减少信息的不确定性，它对任何误差都不偏不倚，因此它会不断逼近真实知识的期望，且方差越来越小，它只有这一个方向，这就是中心极限定理。
再用中心极限定理的推论验证一下为什么 AIMD 流越多，所需 buffer 越小。因为流越多，“所有流的总吞吐可以时刻撑满带宽” 这件事越确定，而 AIMD 的目标之一就是提供带宽利用率，不多也不少。
时延以及时延抖动不可消除之根源有其物理世界的脉络。其一，世界由分形的局部组成整体，策者是局部的，也会整体的，局部和整体连接成一个反馈环，局部会影响整体，反过来又影响局部，造成全局状态不可预测，这意味着世界是随机的，这是根本原因；其二，永远无法测量或观测整体，只能采样，只要不是全体，样本和全体必然有偏差，这是实践原因；其三，观测者存在 “观测者效应”，观测者亦整体组成部分，且观测手段存在物理极限，该物理界限即使再微观也能逐步叠加到可影响观测结果的状态，这是技术原因。
…
那些搞端到端算法的总幻想一种启发式算法能消除抖动，那些搞数据中心传输的整天折腾什么 lossless，pfc，都是扯淡，我早就重复过多次，信息的不确定性导致这些根本就无法等价实现，但 google 的 swift 是个正确的路，它旨在更加精确区分时延的组分，可即使这样它也只能走到那么远，换句话说，swift 只是区分了抖动的尺度，将主机这个统计复用系统和网络这另一个统计复用系统分开了而已，各自内部的信息依然是不确定的。
事情并非只能悲观从忍，虽然时延及抖动不可避免，但能被管理。首先要容忍并接受时延及抖动，然后管理它们，比如优化系统调度器，提供更加全局的知识，设计更加经理的排队规则和调度策略，当你提供足够多的信息时，系统就朝向了确定性，类似 TSN，实时系统那般，SDN 也算类似的思路，这些都非常经理。
今日从天台山大瀑布绕到琼台仙谷，全程步行，回住所作文一篇。
浙江温州皮鞋湿，下雨进水不会胖。