Linux 内核调优选型对比：BBR vs cubic、swappiness 三档策略与大页内存的适用场景
一、内核调优不是"越大越好"：参数选型需要场景化而非通用化
Linux 内核参数的选型常犯的错误是"一刀切"——所有服务器都用同一套 sysctl 配置，不区分业务场景特征。这种做法的后果是：内网短 RTT 服务启用了 BBR 反而更慢、内存充裕的服务器设置了 swappiness=10 导致不必要的 OOM 风险、不需要大页内存的服务器预分配了大页浪费内存。每个内核参数的选型都需要根据业务场景的网络延迟、内存预算、计算特征做独立决策。
核心痛点在于：内核参数选型必须场景化，而非套用"通用最佳配置"。本次选型对比将围绕三个高频内核参数（拥塞控制算法、swappiness 策略、大页内存）做场景化对比，给出明确的"适用场景→推荐配置"映射。
二、内核参数选型架构：三个参数的场景化映射
三个参数的选型逻辑各有不同：拥塞控制算法取决于网络 RTT（物理链路特征），swappiness 取决于业务类型（延迟敏感 vs 批处理 vs 内存充裕），大页内存取决于是否有大块连续内存需求（推理 KV Cache、数据库缓冲池）。
三、选型实测数据
3.1 BBR vs cubic 在不同 RTT 网络下的吞吐对比
| 网络场景 | RTT | 带宽 | cubic 吞吐 | BBR 吞吐 | 推荐 |
|---|---|---|---|---|---|
| 数据中心内网 | 0.3ms | 10Gbps | 9.5 Gbps | 8.2 Gbps | cubic |
| 同城双机房 | 2ms | 10Gbps | 7.8 Gbps | 8.5 Gbps | 需实测 |
| 跨地域机房 | 15ms | 10Gbps | 3.2 Gbps | 8.8 Gbps | BBR |
| 公网长距离 | 50ms | 1Gbps | 120 Mbps | 850 Mbps | BBR |
关键发现：BBR 在 RTT > 5ms 的场景吞吐优势显著（跨地域 2.75x，公网 7x），但在 RTT < 0.5ms 的数据中心内网反而比 cubic 慢约 14%。原因是 BBR 的带宽探测机制在极短 RTT 下频繁调整发送速率，引入不必要的速率波动。
选型决策：数据中心内网保持 cubic（RTT < 0.5ms），跨机房/公网启用 BBR（RTT > 5ms），中间地带（RTT 0.5-5ms）需要用 iperf3 实测对比后决策。
3.2 swappiness 三档策略实测
| swappiness | 换页触发时机 | P99 延迟影响 | OOM 风险 | 适用场景 |
|---|---|---|---|---|
| 60（默认） | 内存使用 60% 时开始换页 | 换页停顿 5-15ms | 低 | 内存充裕、延迟容忍 |
| 10 | 内存使用 90% 时才换页 | 换页停顿减少 90% | 中（更早 OOM） | 延迟敏感 |
| 0 | 尽可能不换页（部分内核仍换匿名页） | 换页停顿最少 | 高（OOM 更早触发） | 极端延迟敏感 |
关键发现：swappiness=0 在内核版本 < 4.20 时仍然会换出匿名页（仅减少而非消除），实际效果与 swappiness=10 差异不大。swappiness=10 是更安全的低换页倾向值——在 90% 内存使用时才触发换页，既减少了换页停顿，又保留了 OOM 的缓冲空间。
OOM 风险的量化：swappiness=10 时，内存使用到 95% 即可能触发 OOM kill（比 swappiness=60 的 80% 触发点更高）。如果内存峰值波动超过 10%，swappiness=10 的 OOM 风险不可忽视——需要配合 overcommit_memory=2（严格不超分配）和 cgroup 内存限制来控制。
3.3 大页内存适用场景实测
| 场景 | TLB miss 减少 | 内存节省 | 代价 | 推荐 |
|---|---|---|---|---|
| 大模型推理 | 95% | KV Cache 分配更高效 | 预分配不可回收 | 使用 2MB 大页 |
| 数据库缓冲池 | 90% | InnoDB Buffer Pool 更高效 | 预分配不可回收 | 使用 2MB 大页 |
| 普通后端服务 | 5% | 无显著收益 | 浪费预分配内存 | 不使用大页 |
大页选型的关键判据：是否有大块连续内存分配需求（单次分配 > 2MB）。大模型推理的 KV Cache 单次分配可达数 GB，数据库缓冲池的 InnoDB Buffer Pool 单次分配可达数 GB——这两种场景的大页收益显著。普通后端服务（Go goroutine 栈、HTTP 请求缓冲区）的内存分配以小块为主（< 4KB），大页收益极小。
四、内核参数选型决策矩阵
| 场景特征 | 拥塞控制 | swappiness | 大页内存 | 配置组合 |
|---|---|---|---|---|
| 推理服务 + 跨机房 | BBR | 10 | 2MB (需求/2MB+10%) | 推理专用配置 |
| 推理服务 + 内网 | cubic | 10 | 2MB (需求/2MB+10%) | 内网推理配置 |
| 普通后端 + 内网 | cubic | 60 | 不使用 | 默认配置 |
| 数据库 + 内网 | cubic | 10 | 2MB (缓冲池/2MB+10%) | 数据库专用配置 |
| 批处理 + 跨机房 | BBR | 40 | 不使用 | 批处理专用配置 |
组合配置原则：每个场景有独立的 sysctl 配置文件（如/etc/sysctl.d/99-inference.conf、99-database.conf），而非一个通用的配置文件覆盖所有服务器。配置文件名与场景绑定，避免不同服务器误用错误配置。
验证流程：每次内核参数调整后，必须用 eBPF 采集数据验证效果——BBR 切换后验证吞吐是否提升（iperf3 测试），swappiness 调整后验证换页频率是否降低（/proc/vmstat 的 pswpin/pswpout 计数），大页启用后验证 TLB miss 是否减少（perf stat -e dTLB-load-misses）。
五、总结
Linux 内核参数选型对比的核心结论是场景化配置而非通用配置：
拥塞控制算法取决于网络 RTT：RTT < 0.5ms 保持 cubic（BBR 反而更慢），RTT > 5ms 启用 BBR（吞吐 2-10x 提升），中间地带实测对比后决策。
swappiness 取决于业务延迟敏感度：延迟敏感型 swappiness=10（减少换页但增加 OOM 风险），内存充裕型 swappiness=60（默认值已足够），批处理型 swappiness=40。
大页内存取决于大块连续内存需求：推理 KV Cache 和数据库缓冲池有显著收益（TLB miss 减少 90-95%），普通后端服务收益极小（5%），不应盲目启用。
落地建议：第一步提取业务场景的网络 RTT、延迟敏感度、内存分配特征；第二步在决策矩阵中匹配推荐配置；第三步用 eBPF/perf 验证配置效果；第四步将验证通过的配置按场景固化到独立 sysctl 文件；第五步建立配置审计流程，定期检查服务器是否使用了正确的场景配置。
