邹 渊,孙文景,张旭东,温 雅,曹万科,张兆龙
(1.北京理工大学机械与车辆学院,北京 100081;2.北京理工大学,电动车辆国家工程研究中心,北京 100081;3.北京新能源汽车股份有限公司,北京 100176)
随着车辆向智能化、网联化发展,车辆功能变得更加复杂,控制器之间需要更大的通信带宽来传输越来越复杂的信息,软件定义、数据驱动汽车推动了新型电子电气架构的发展[1]。新型电子电气架构逐步从基于域控制器的电子电气架构(domain based architectures)演化到基于区域-功能域控制器架构(zone-domain based architectures)[2]。
区域-功能域架构的基本思想将功能处理集中在车辆的单个或多个域控制器中,如图1 所示,该架构将车辆在几何上分成了多个区域,每个区域配备一个区域控制器(zone control unit,ZCU)负责对该区域内的传感器和执行器进行信息采集和控制,但是ZCU 并不进行复杂功能处理而是将数据上传到相应的功能域控制器(domain control unit,DCU)中,DCU和ZCU 之间通过高速通信网络互联。为了提高车辆处理复杂功能能力,区域-功能域架构将一种典型复杂功能的处理集中到一个DCU 中,并在该DCU 中进行相应软件组件的聚类,目前被业界广泛认可的功能域包括:自动驾驶域控制器(MDC)负责进行高级别自动驾驶、座舱域控制器(CDC)负责进行显示和娱乐系统,以及车控域控制器(VDC)负责进行车辆的底盘和动力控制[3]。区域-功能域架构功能升级仅需要在ZCU 中增加接口或在DCU 中增加软件组件即可完成,相比于传统的分布式架构,有效提高了架构的可扩展性。随着功能复杂性的增加,ZCU和DCU 的大规模数据交互需要架构具有更强的通信性能,一个既能保证传输低延时同时又能实现传输的确定性、安全性的通信网络成为了架构实施的基础[4]。引入时间敏感网络(time sensitive network,TSN)的以太网在目前被认为是最优潜力的解决方案[5]。TSN 定义了一个IEEE 标准化协议组,是一种确保以太网流量实时传输的机制。其主要特点是能够满足多种信息流的需求,如低延迟、低抖动和高可靠性等[6]。
图1 区域-控制域架构
基于IEEE 802.1Qbv 协议的流量调度机制是TSN 实现低延时的核心机制[7]。该协议定义了一种时间感知整形器(TAS),如图2 所示。TAS 为端口中的每个队列设置一个“门”进行控制,只用门打开的时候信息才能传输,否则必须排队等待。通过调度算法确定所有数据帧的传输顺序和传输时间,生成门控制列表(GCL)是TAS 实现TSN 确定性和低延时的关键[8]。流量调度问题是一个典型的NP-Hard 问题[9],在可接受时间内获得可行的调度方案是评估架构合理性的基础。程希文等[10]提出了一种禁忌搜索算法,在无等待调度模型下优化流量调度的最大完成时间。Wang 等[11]提出了一种蚁群算法能够较好地调度TSN中的时间触发流,在收敛速度、优化能力和跳出局部最优方面具有优势。但是以上研究并未考虑车载网络的特殊性,并未在车内网络环境下进行验证。Kim 等[12]提出了一种基于小规模车内网的启发式车载TSN 网络调度策略,仿真证明了该算法相比于严格按照优先级进行调度的算法能够有效降低延时。Patti 等[13]提出了一种基于截止时间的TSN 在线调度策略并构建了基于域控制器的现实车辆环境进行仿真。然而以上研究主要通过改进求解策略以提高调度效果减少延时,而忽略了网络架构本身对延时的影响,进一步降低延时需要考虑架构优化设计。
图2 时间感知整形器
车载网络中众多传感器、执行器和控制器的连接关系构成了车辆网络架构。网络架构对成本、网络负载分布和网络延时有着直接影响。目前针对电子电气架构的网络架构已有许多研究。关志伟等[14-15]以线束成本最低、线束质量最小和线路负载最小作为优化目标,将CAN、以太网、LIN 和LVDS 的总线长度作为变量,使用NSGA-II 算法针对传统电子电气架构进行了多目标优化。魏翼鹰等[16]对优化目标进行了扩展,以扩展率、安全性和设计成本为优化目标使用NSGA-III 进行多目标参数优化。Klee等[17]在优化架构的通信开销的同时考虑了新架构的接受度,并在实际案例研究中进行了测试,结果表明只需对系统进行微小的更改即可实现高度改进。Huang 等[18]将无线通信引入车内网络来取代某些设备之间的布线电缆,在考虑传输延迟的同时最小化布线质量和无线发射功率。然而以上工作都没有将TSN 引入到架构优化设计中。与基于CAN、FlexRay和传统以太网的架构不同,面向TSN的区域-功能域架构引入了新的优化问题。首先TSN的流量调度机制让信息流的端到端延时成为优化的重点[19],快速求解车载网络的流量调度,同时根据网络架构进一步优化延时是成为车载TSN网络架构设计的研究重点。其次区域-功能域架构的环网拓扑使得链路负载设计上从分布式架构的总线负载设计转变为骨干网络上的负载分布的设计。最后车载传感器和执行器的分布位置与功能具有很强的相关性,单纯地按照空间距离将传感器与ZCU 就近连接不一定能够获得最好的传输效果和成本,因此确定合理的连接关系和switch 端口数也是电子电气架构优化设计的关键。
基于以上问题,本文中提出了面向TSN的区域-功能域架构的以太网网络架构多目标优化设计框架。首先,抽象了车辆架构模型和信息流模型,基于该模型构建了基于ZCU 的switch 端口数均匀、骨干网负载均衡和信息流端到端延时最低的多目标优化数学模型。其次,为了有效评估信息流延时,将TSN流量调度问题抽象为周期性车间调度问题(JSP),提出适用于流量调度的MPGA 算法进行求解,该算法极大地提高了求解速度和调度效果。然后,基于改进NSGA-II 算法求解网络架构多目标优化,为提高算法的求解效率,对NSGA-II 的交叉变异概率进行基于拥挤程度和迭代次数的自适应改进。最后对试验结果进行分析,厘清了端口数、负载占用和延时对架构设计的影响,并提出了一种网络架构设计思路。
随着高级别自动驾驶的发展,负责环境感知的传感器越来越多,传输的数据量也越来越大。本文中传感器分布参考北汽集团正在研发的一款ARCFOX车型,接入以太网的传感器有3个激光雷达(Lidar)、6 个毫米波雷达(Radar)和11 个摄像头(Camera)。定义4 个区域控制器(ZCU)均匀地分布在车身4 个区域,组成一个环形拓扑。定义3 个DCU 分别是VDC、MDC和CDC。图3是传感器、ZCU和DCU分布示意图。
图3 传感器与域控制器分布示意图
本文中将架构拓扑抽象为一个有向图[20],如式(1)所示:
式中:V表示N个节点的集合;E表示物理链路的集合。定义A∈RN×N为邻接矩阵,该矩阵由0 和1 组成,Aij=1 表示i,j两个节点可以连接,Aij=0 表示i,j两个节点不可以连接。为每条边eij赋予权重uij代表链路的带宽。cij表示在一个超周期内负载占用的带宽。一种基于专家经验设计的网络拓扑模型图如图4所示。
图4 架构拓扑模型图
将ZCU 抽象为两个节点,一个节点代表具备收发功能的控制终端节点,另一个节点代表switch 功能,负责连接其余节点完成信号交换,这两个节点直接相连。将DCU 抽象为具有收发功能的终端节点,将传感器抽象为发送感知数据的终端节点。DCU的节点和传感器节点均可以与邻近矩阵中Aij=1 的一个switch节点相连。
信息流是周期性从一个节点向另一个节点发送的数据,图4 中展示了3 条流的示意。如式(2)所示使用六维元组来表示信息流[21]:
式 中:ns,k表示源节点;nd,k表示终端节点,ns,k,nd,k∈V;ck表示fk需要占用的带宽大小;pk表示发送周期;Dk表示截至期限;τk表示优先级。
对于fk的路由选择,通过两个单一节点的最短路径法获得,如式(3)所示。
式中:P表示路由路径;G表示网络拓扑有向图。
信息流端到端延时是信息流从源节点发送到终端节点接收的时间差,以太网延时主要由4 部分组成:传输延时、排队延时、传播延时和处理延时[20]。传输延时主要是发送一个信息流所需要的时间,与带宽和信息流大小有关;当多个信息流在同一时间需要通过同一个端口发送时会产生排队延时;处理延时主要取决于switch 的设计,是switch 的固有属性;传播延时主要取决于信号在线束中的传输速度和线束长度。处理延时是固定值对优化设计并没有任何的影响,因此不做考虑。车内网络中线束长度很短因此传播延时也忽略不计,所以对延时的计算重点考虑传输延时和排队延时。端到端延时如式(4)所示:
表1 中列出了网络中各类信息流参数。每个域控制器相对于其他域控制器都以10、20 和50 ms 周期发送控制信号、生命信号、状态信号和非安全相关信号等,通过这种高频率、大数据量的信息模拟车内高负载网络通信。为了区分信息的优先级,将信息流分为以下3 类:(1)安全相关控制信号流,此类信号优先级最高,要求延时极低;(2)传感器信号流,此类信号流也与安全相关,优先级中等,要求延时尽可能低;(3)安全不相关信号流,此类信号延时主要影响行驶的体验感,优先级低。
表1 信息流参数
汽车电子电气架构优化中设计变量和目标函数众多,往往在多个目标函数之间存在相关性或者相互冲突,因此需要使用高效的多目标优化算法进行求解。新一代网络架构以支持TSN的以太网作为骨干网络,具有传输数据量大、传输低延时和传输确定性高等优势,因此针对通信性能选择骨干网负载均衡和信息流端到端延时最低这两个表征通信特性的参数进行优化。ZCU 的switch 端口数既直接影响网络架构的连接关系从而对通信性能产生影响也对架构的可扩展性和成本有着直接影响,因此选择ZCU的switch 端口数作为另一个优化目标。在下文对3个优化目标的建模进行详细的说明。
(1)端口模型
ZCU 端口数量是由switch 芯片决定的,关系到网络架构的成本,端口数越多,芯片价格越高。从整车设计的角度考虑,端口数过多往往会对ZCU 造成很高的通信负载,设计复杂度变高,一旦崩溃会危及车辆安全[3]。同时端口数均衡,有利于整车总体设计时switch 的统一选型,提高ZCU 的通用性和后续架构升级的可扩展性,有效避免资源浪费,降低成本。但是考虑到总体设计,某些位置的传感器可能确实多于其他位置,因此允许有一个switch 的端口数较多,其余switch 的端口数要尽可能的平均。为了保证环网架构和每个ZCU 的有效性,保证每个ZCU 必须与至少一个传感器或DCU 连接,将最小端口数约束为4。为了避免出现端口数极端分散的情况,提高求解效率,约束最多只能有两个ZCU 可能出现连接1 个传感器或DCU 的情况,将最大端口数约束为13。最终得到switch 端口数量的适应度函数和约束如式(5)所示:
式 中:port_numberi表示第i个switch 的端口数;port_numberi′表示去掉最大端口数之后的第i个switch的端口数。
(2)负载模型
骨干网络上的负载分布均衡可以有利于减少信息流之间的影响,提高架构总体的安全性。骨干网负载分配的适应度函数被定义为
(3)延时模型
在车载通信中希望信息流的端到端延时越低越好,延时适应度的求解就是对流量调度问题的求解,具体建模和求解过程在下一章详细说明。用式(7)表示端到端延时的适应度函数。
根据以上推导,对于3 个目标函数都取最小值,输入变量为DCU和传感器相对于4个ZCU的连接关系,连接关系必须遵从邻接矩阵,因此确定多目标优化的约束函数及约束如式(8)所示:
式中α,β,γ为权重系数。
本文中对TSN 信息流的流量调度基于TAS,车载网络一经确定通常不会发生改变,基于TAS 的流量调度能够确定每个信息流的每次传输的传输时间和延时,信息流实时性和确定性极高。传统JSP 问题不考虑周期问题因此不能直接用于流量调度问题的求解,本文在传统JSP 模型基础上添加周期性约束,将流量调度问题抽象为周期性的JSP 模型,如图5 所示。将信息流抽象为需要作业的工件,将每个发送端口抽象为机器,将信息流的路由过程抽象为工序。流量调度问题需要满足JSP 问题的基本规则[22]:(1)每个switch 的端口同一时刻只能发送一帧数据,同一帧数据同一时刻只能在一个发送端口中;(2)信息流的发送过程一旦开始不得中断,数据流的抖动为0。流量调度问题也引入了一下新规则:(1)不同于JSP 问题工件必须在上一步加工时间全部完成后才可以进行下一步加工,流量调度问题的信息路由下一跳在信息流的第一帧发送完成后就可以开始;(2)周期性的信息首次发送的时间是自由的但是后续周期的发送时间需要满足的约束如式(9)所示。
图5 流量调度问题抽象的JSP模型
式中:tk,n,1表示fk的第n个周期第一跳的发送开始时间;tk,n,last表示fk的第n个周期最后一跳的发送开始时间;tk,1,1表示fk首次发送时间;tlast_arrive表示超周期内的最后一帧信息到达的时间;Hyper_Period代表信息流的超周期,是所有流发送周期的最小公倍数,一个超周期内的最后一帧信息到达的时间必须小于超周期,这样避免影响新周期在零时刻开始。
流量调度问题的约束函数为各优先级的通信流的端到端延迟最小,如式(10)所示:
式中:ω1、ω2和ω3是3种信息流延时的权重系数;FH、FM、FL分别代表上述3 种优先级的信息流的集合;dfk表示fk的端到端延时;D表示信息流的截止时间。
遗传算法(GA)是一种模拟生物逻辑进化的随机搜索技术,具有很强的全局搜索能力[23]。但是种群的初始化、交叉算子Pc和变异算子Pm对于算法能否获得全局最优的影响极大[24]。为了摆脱对初始化和交叉变异概率的依赖,本文中提出适用于流量调度的多种群遗传算法(MPGA),该算法突破单个种群的进化框架,引入多个种群进行优化搜索的同时为不同种群赋予同的交叉变异概率,使算法兼顾全局搜索和局部搜索。各个种群之间通过移民算子实现协同优化。
成千上万匹蒙古马聚集在一起,呼啸奔腾,那是一幅奔腾的美、力量的美交织在一起的奇异画面。如今,经过历史的沉淀与实践的熔铸,“蒙古马精神”已融入各族人民的血脉,成为各族群众团结奋斗、开拓进取的重要精神源泉与纽带。随着时代的发展,“蒙古马精神”的内在价值和重要性更加凸显出来。弘扬“蒙古马精神”,已经成为时代的需要。
MPGA 的总体架构如图6 所示。以NP个种群为例,这些种群收尾相连,每个种群都是单独进化的,但是在每次迭代后,将Pi+1的最差解替换为Pi的最优解,对于PNp则是将最优解传递给P1。通过最优种群的迁移和各种种群独立进化,MPGA 能够避免陷入局部最优,提高优化效果,加快了收敛速度。
图6 MPGA总体框架
本文的编码方式采用基于工序的编码方式,每个染色体是所有信息流发送顺序的一个排列,例如34321表示先传输流3的第1跳,接着传输流4的第1跳,再接着传输流3 的第2 跳,依此类推。不同于传统的JSP 问题,流量调度问题必须考虑周期问题,在编码时需要将超周期内的信息流fi的所有传输都进行考虑,在一个染色体中fi出现次数与自身周期有关,如式(11)所示:
式中:Ki是染色体中fi总的出现次数;ki是fi每次发送需要经过的switch 端口数。在解码过程中第n次出现的第i个信息流,通过n与ki相除的商和余数获得发送周期和发送节点。根据发送周期、上一跳完成的时间和发送端口的占用情况确定本次发送的开始时间。
选择操作选用混合锦标选择和最佳个体保存两种方式。交叉方式选择基于工序编码的交叉算子(POX),它能够很好地继承父代的优良特征同时保证子代的可行性[25]。变异操作采用互换变异,随机选择一个基因然后将其插入到一个随机的位置。由于大规模网络的染色体长度通常很长,因此本文选择每次变异的基因个数为染色体总长度的2%。在迭代结束后,对所有种群的最优解进行比较,选择适应度最低染色体所代表的调度策略作为本次求解的最优解。
本文中构建了基于改进NSGA-II算法求解的网络架构多目标优化框架,优化框架如图7 所示。优化输入的初值为传感器、控制器的邻接矩阵,对于邻接矩阵定义以下连接原则:(1)传感器与switch 的连接并不是以距离最近为连接依据而是兼顾周围的switch,位于车身的传感器都与相邻的两个switch 存在连接的可能,而位于车内的摄像头等传感器与4个switch 都存在连接的可能;(2)DCU 的位置是自由的,因此也与4个ZCU都存在连接的可能。
图7 网络架构多目标优化框架
根据邻接矩阵,首先通过NSGA-II 算法的编码过程获得可行的网络架构模型,生成初始种群。然后使用MPGA 算法求解每个架构的TSN 流量调度,获得各信息流延时。接着将MPGA 的求解结果用于计算NSGA-II 的延时适应度。根据负载、端口和延时的适应度对架构进行非支配排序选择,通过改进的自适应交叉变异因子对种群进行反复迭代。在NSGA-II收敛后输出Pareto前沿解的网络架构。
NSGA-II 算法是一种基于Pareto 最优解的多目标优化算法。传统的NSGA-II算法的交叉变异通常是盲目的,这可能会破坏最优解,同时使迭代结果陷入局部最优[26]。因此本文中提出具有自适应交叉变异的改进NSGA-II 算法,加强算法的搜索能力和加快收敛速度。
本算法的编码方式为染色体中第i个基因所代表的数值j代表节点i与节点j连接,其中i∈N,j∈Ns,i≠j且Aij=1。例如4321 的染色体表示传感器1 与ZCU4 相连,传感器2 与ZCU3 相连,依此类推。在种群的初始化设计中考虑端口数的约束,保证所有染色体都满足约束可以快速过滤到很多无效解,提高种群质量,加快求解速率。采用快速非支配排序算法进行排序,使用锦标赛选择算法,优先选择支配等级低的个体,当支配等级相同时,选择拥挤距离大的个体。
为了提高求解效果,加快收敛速度,将个体拥挤距离与该个体所在的支配等级的拥挤距离的平均值作对比,引入迭代因子I和拥挤因子D,实现交叉变异概率根据拥挤距离和进化次数的自适应调节。I和D分别如式(12)和式(13)所示:
式中:G表示总的迭代次数;t表示当前代数;Dj(t)表示当前解的拥挤距离。自适应调节的基本理念是在进化初期使用较大的交叉变异概率提高搜索能力,在进化后期使概率趋向于平均值。对拥挤距离较小的个体,选择较大的交叉和变异概率,提高搜索能力;对拥挤距离较大的个体,选用小的交叉和变异概率防止破坏该解。因此自适应交叉和变异概率如式(14)和式(15)所示:
式中:Pc代表交叉概率;Pm代表变异概率。改进NSGA-II 算法求解网络架构多目标优化的流程如图8所示。
图8 改进NSGA-II求解网络架构多目标优化流程
因为流量调度问题输出的延时是架构多目标参数优化的基础,所以在本章首先验证MPGA 求解的优越性。选用的仿真场景为基于专家经验设计的架构拓扑,如图9 所示。链路上的信息流如表1 所示。然后对网络架构多目标优化框架进行验证,验证场景是图 3 介绍的车辆。最后对Pareto 前沿解所代表的网络架构进行了分析比较,提出了一种网络架构设计思路。
图9 基于专家经验设计的网络架构示意图
(1)仿真参数
本部分选用的对比算法是已经在其他流量调度求解研究中使用的禁忌搜索算法(TS)[10]、蚁群优化算法(ACO)[11]和传统遗传算法(GA)[19]。本文中提出的MPGA 使用4个种群,每个种群数100,4个种群的交叉概率分别为(0.7,0.85,0.9,0.95),变异概率分别为(0.3,0.15,0.1,0.05)。
(2)仿真结果
MPGA 与对比算法的收敛结果对比如图10 所示。从图中可见,MPGA 在前20 回合适应度下降速率明显高于其他算法,是所有算法中收敛最快的。MPGA 收敛后的适应度是所有算法中最低的,相比于GA提升了16%,调度效果最好。同时MPGA 的初始适应度最高,初始种群质量最差,但是结果最优,这说明相比于其他对比算法,MPGA 摆脱初始种群限制的能力更强。
图10 MPGA与对比算法的收敛结果对比
MPGA 与对比算法的各类信息流的端到端平均延时如图11 所示。总体来看所有算法求解的优先级最高的两个控制信号延时都很低,远远小于其他信号。安全不相关的50 ms 信号延时高于周期和数据量都相同毫米波雷达和数据量更大的摄像头信息流,说明了调度策略能够满足优先级要求。激光雷达的平均延时大于同优先级的其他数据,甚至大于低优先级信息的原因是:信息流一旦开始传输,不允许被打断,传输抖动为0。激光雷达的数据量非常大,一旦优先传输会增加其他数据流的传输延时。另外在确定信息流在某一跳的传输开始时间时,会在满足最小开始时间且不影响已经调度的流的前提下,将信息流插入到switch两个信息流的发送间隔中,而激光雷达的传输时间过长导致很难被插入,因此通常会被放置在该switch的已经调度的最后一个流的结束,这也导致排队延时增大。MPGA 求解的激光雷达的平均延时是发送周期的4%,但是由于文中的策略保证了零抖动,所以认为该现象是可以接受的。相比于对比策略,MPGA 在保证激光雷达延时明显降低的同时,保证了其他信息流的延时,尤其是高优先级控制信息流的延时是最低的,调度效果明显提升。
图11 MPGA与对比策略中信号流平均延时对比
以上结果得益于移民因子定期会将种群中的较差解移除,同时引入了别的种群的较优解,使得每个种群在每次迭代中都有更大概率探索出更优解。另外每个种群不同的交叉变异参数让算法兼顾全局探索与局部探索,保证了种群的多样性,解决了容易早熟、对初始化种群依赖性较强的问题。
(1)仿真参数
Improved-NSAG-II 的最大交叉概率为0.95,最小交叉概率为0.75,最大变异概率为0.2,最小变异概率为0.1。作为对比算法的NSAG-II 的交叉变异概率是改进算法的平均值分别为0.85 和0.15。两种算法的种群数都设置为200。
(2)自适应交叉变异有效性验证
Improved-NSAG-II 和NSGA-II 的负载适应度与延时适应度对比如图12 和图13 所示。两个算法求解的两个适应度的最低值是相等的,但是改进算法在两个适应度上获得最低值的回合数均提升25%左右,充分说明改进的交叉变异概率能够更合理地进行全局和局部探索,使算法更快收敛到最优点。
图12 负载适应度对比
图13 延时适应度对比
(3)Pareto前沿解对比分析
本部分首先根据仿真结果分析负载、端口和延时之间的联系,然后对Pareto 前沿中的几个典型拓扑进行对比分析,最后总结了负载占用、端口数和延时对架构设计的影响。
Improved-NSAG-II 的Pareto 前沿解分布如图14~图16 所示。从图14 中可以看出Pareto 前沿解的端口适应度与延时适应度基本成反比。从图15 中可以看出端口数适应度越大,负载利用适应度越小。延时适应度越小代表各种信息流的总体延时越小,负载适应度越小代表负载的分布更加均匀。端口数目的适应度函数主要与最大端口数和剩余端口数的均方差有关,其中最大端口数主要影响了端口的适应度函数的整数部分,端口适应度函数越大,最大端口上连接的传感器数量越多。这导致更多的传感器与功能域控制器能够直接连在同一个switch 上,信息路由的跳数少,降低了排队延时。同时需要通过骨干网络传输的信息量也会减少,这也更有利于骨干网络的负载均匀分配。图16 中延时适应度较低的个体集中在负载利用适应度较低的区域,这是因为均匀的负载分配能够减小每条线路上的排队延时。
图14 延时与端口Pareto前沿图
图15 负载与端口Pareto前沿图
图16 延时与负载Pareto前沿图
表2 中分别列出了负载最均衡、延时最低、端口数均衡的解,端口分配的数组中分别对应4 个域控制器连接的传感器数量,Pareto 端口均衡拓扑1-3都是仅有两种不同的端口数,因此认为它们具有相同的价值。
表2 Pareto前沿解拓扑对比
相比于上文基于专家经验设计的拓扑,通过Improved-NSAG-II 求解的拓扑在延时上都具有明显的优势。延时最低拓扑和负载最均衡拓扑都出现在ZCU2 达到最大端口数约束时,但是它们端口分布过于分散。此外,负载适应度降低虽然有助降低延时适应度,但是负载适应度低并不代表着延时适应度一定低。这是因为减少路由距离可以有效减小排队延时,因此算法会将无法直接连接在同一个域控制器上的两个终端尽可能地连接在相邻的区域控制器上,对于必须进行多跳路由的信号则选择数据量小的。这导致信息集中在连接两个控制器之间的骨干网上,从而造成负载分配不均,最大负载变大。
图17 对比了这6 个拓扑的各类信息流的延时。延时最低拓扑的各个信息流的延时都是最低的,负载均衡拓扑次之。随着最大端口数的增大,端口均衡拓扑3 相比于拓扑1 和拓扑2 各个信息流的平均延时也明显降低。不同于基于专家经验设计拓扑的延时,这5 个拓扑中激光雷达的平均延时非常低,只有传输延时12 μs,这是因为这5 种拓扑都选择将激光雷达与MDC 连接到同一个switch 上,没有排队延时,同时激光雷达的信息流对其余信息流的影响也降到了最低。因此虽然专家设计拓扑的其余信息流的延时都低,但是由于激光雷达的高延时导致总体延时高于端口均衡拓扑1,这也说明了对于传输效果的优化不仅在于提升调度算法,更重要的是对网络拓扑进行优化。
图17 各类信号流平均延时对比图
根据以上试验结果,对端口数、负载占用和延时对架构设计的影响进行归纳并提出以下设计思路:(1)延时最低和负载分配最均匀的情况下通常switch 的端口数分配分散,会出现一个switch 的端口数很多,与它不直接相连的switch 的端口数很少的情况,但是这不利于ZCU 设计的成本、可拓展性和安全性,在设计时,ZCU 的switch 端口数目应当尽可能设计的一致;(2)在保证端口数分布均匀的情况下,为了降低总体延时,可以提高最大端口数,将数据量大的信息流与接收终端连接到同一个switch上,例如本文的仿真结果将激光雷达与MDC 连接到同一个ZCU 上,总体延时降低明显;(3)负载均匀通常可以降低延时,但是也存在为了降低排队延时而造成的某段网络负载变高的情况。在延时能够接受的情况下,应选择负载均衡的拓扑,这更有助于应对突发的数据流。
本文针对面向TSN 的区域-功能域电子电气架构从端口、负载和延时3 个角度构建了网络架构多目标优化框架。提出了适用于流量调度问题的多种群遗传算法求解信息流延时,并将求解的延时用于多目标优化中延时适应度的计算,相比于传统遗传算法求解效果提高16%。基于改进NSGA-II算法求解了架构拓扑多目标优化,引入自适应交叉变异概率对算法进行改进,优化效率提高了25%。最后仿真结果证明了该优化框架的有效性,总结了端口、负载和延时对架构设计的影响并提出了面向TSN的车载以太网网络架构设计思路。在未来的研究中,将进一步考虑成本、功能安全等更多的优化目标。将TSN 的冗余机制引入架构优化设计,进一步提高架构设计的可靠性和安全性。