loss_based_bwe_v2简单分析

算法思想

loss_based_bwe_v2 中对丢包情况的联合概率分布进行建模，其中包括两个参数inherent_loss和loss_limited_bandwidth，在计算过程中先固定loss_limited_bandwidth，然后通过最大化联合概率函数来更新inherent_loss（二阶牛顿方法更新，非梯度下降方法）。

当然我们注意到算法本身不是为了计算inherent_loss的，而是估计合适的loss_limited_bandwidth。LossBasedBweV2::UpdateBandwidthEstimate函数中有一组候选的loss_limited_bandwidth，和上面描述的一样，每次先固定loss_limited_bandwidth，然后更新inherent_loss（这里所有候选者对应的inherent_loss的初始值均为current_estimate_.inherent_loss），在更新完inherent_loss后，则会计算目标函数，使目标函数最大的loss_limited_bandwidth、inherent_loss则是当前的最终结果，记录在current_estimate_中。

算法细节

每个包丢包的概率为 GetLossProbability()结果，里面将丢包原因分为两部分，其一是inherent其二是超带宽，observations_[]中为从tcc中得到的统计信息，对应我们要处理的样本集合，样本中包含丢包数 num_lost_packets ，收包数 num_received_packets。其联合概率为：
$$J(loss\_pro) = \prod_i{loss\_{pro}^{N\_{loss}(i)}(1-loss\_{pro})^{N\_{recv}(i)}}$$
这里每个包的丢包率记作$loss\_pro$，丢包数记作$N\_{loss}(i)$，收包数记作$N\_{recv}(i)$，为了计算方便，这里取对数后作为目标函数：
$$J(loss\_pro) = \sum_i{ {N\_{loss}(i)}\log