虹科案例|下一代航空航天电子真的需要TSN吗？—以直升机为例（二）

HONGKE

下一代航空航天电子真的需要TSN吗？

以直升机为例（二）

虹科案例

 

03

基于TSN的通讯架构

我们的案例研究的是Airbus Helicopters提供的基于TSN的通信架构原型。该体系结构由两个以太网子网组成，在五个端系统上相互连接。上部主要用于核心航空电子功能，它承载了直升机安全的大多数关键功能，因此也承载了大多数关键流;这是本工作剩余部分的重点。下半部分主要与任务方面有关。该网络中的一些流对客户完成任务非常重要，但对飞机安全的影响较小。下文中的traffic flow和traffic stream是指一个发送方向一个或多个接收方发送的帧序列（即单播或组播流）。

 

 

网络拓扑       如下图所示的上层网络是由2台交换机、40条全双工链路和32个端节点组成的交换式以太网网络。数据传输速率分为两种：30条100Mbit/s链路和10条1Gbit/s链路。在拓扑结构方面，应该注意的是，并不是所有的链路都连接到交换机上，端系统之间也有直接的点对点连接。

该通信体系结构由两个在多个终端系统上相互连接的子网络组成。终端系统和交换机的名称已被脱敏处理（附上RTaW-Pegase截图）：

 

流量特性       流量由6种类型的流组成，根据其功能域进行区分。流量的特性总结如下表所示。网络中的路由是静态的，因为这是关键系统的规范。在表格中，优先级是根据流所属的功能域的时间约束和临界度分配的。这是一个合理的基线优先级分配，在下文中称为“用户优先级”。我们假设流的第一个包是在相对于终端系统的启动时间有一定传输偏移的情况下被释放的。后续报文的释放间隔正好为一个周期。所有流的偏移量都是随机生成的，精度为5ms。如果没有偏移量，所有的包有时会在同一时间被释放（例如时间为0），这是不现实的，因为通常不会为每个软件任务分配一个专用的CPU，因此包不会在同一时间被释放。

ps：在下文提到的性能评估中，流量根据表中所示的比例逐步增加。无论网络负载如何，只有TFTP流的数量保持不变。

HONGKE-TSN

 

04

TSN调度方案的效率（上）

 

我们评估不同TSN机制在网络负载增长时满足时间约束的相对能力。对于包含1000个流的特定应用程序，我们还使用不同的调度解决方案量化内存使用情况。所有实验均使用RTaW-Pegase v3.9.9软件进行。      在本文中，我们先讲过载分析和基于优先级的TSN调度方案，在下一篇part3中，我们将继续详细分析整形和抢占以及内存方面。

A. 过载分析

‍如果一个网络配置中至少有一条链路的负载大于100%，则该网络配置是过载的。这样的配置是不可接受的，因为数据包必然会丢失，因为网络设备的内存空间不是无限的。过载分析是一种粗粒度的评估，独立于TSN QoS机制，对给定网络拓扑可以支持的流量进行评估。它包括测量当流的数量增加时过载的网络配置的百分比，如下图所示。过载分析提供了网络容量的上限，因为所选的TSN调度机制可能无法成功调度所有非过载的配置。

我们在下图中观察到，超过6000流网络才会开始过载，这表明，如果按照截止时间等于周期，基于一个合适的TSN调度解决方案，网络很可能能够支持传输一个重要的负载。然而，在超过7000流后，曲线急剧增加，这意味着对网络传输的流数预期的上限。

当网络负载增加时，过载的网络配置百分比。x轴为0 ~ 9000的流量，y轴为配置过载百分比。这些点的置信区间用竖条表示。每一个点都是1000次实验的结果

 

 

 

B. 基于优先级的TSN调度方案

在本段中，我们比较了不同调度方案的相对效率，它们都完全依赖于优先级的使用：

l FIFO：所有流共享相同的优先级，因此在交换机和终端系统的输出端口上具有相同的等待队列。

l Users-Priorities：根据流功能域分配优先级，如表1所示。

l Concise-Priorities ：TFTP流被分配最低的优先级，而其余的优先级由RTaW-Pegase中可用的Concise-Priorities （CP）算法分配。CP是最优优先级分配（OPA）算法的一个变体，该算法最初是为单处理器系统[14]提出的，尽管在本研究中使用的可调度性分析表明该算法不是最优的，但在我们的实验中表现得非常好。

下图显示了在RTaW-Pegase中执行拓扑压力测试（TST）获得的数据。TST是一个设计空间探索功能，通过对人工但现实的网络配置进行重复实验，估计由一定数量的流组成的应用程序可以通过给定的TSN调度解决方案成功调度的概率。TST的工作方式是迭代地创建增加规模的配置，应用这些配置，然后通过可调度性分析和模拟评估应用程序的时间约束是否得到满足（截至时间和吞吐量）。测试的主要目的是进行灵敏度分析,逐步增加网络负载和网络测量的概率仍然能够成功地满足所有流的吞吐量和期限约束组成应用程序。

这个实验的第一个结论是“用户优先级”被FIFO超越。当负载大于2000流时，用户优先级的成功率下降到70%以下，而FIFO则为3000流。另一方面，对于7500个流量，“简明优先”的成功率仍然是71%。这表明，优先级分配的方式在满足时间限制方面是关键，使用次优分配可能比单一优先级类更糟糕。‍

由上图可知特定数量的流量被完全依赖于优先级的不同调度解决方案成功调度的概率。x轴表示从0到9000的流量，y轴表示满足所有时间约束的概率。这些点的置信区间用竖条表示。每个点是根据1000次实验计算出来的。值得注意的是，没有使用明显优先级（FIFO）的解决方案优于使用6个优先级的“用户优先级”。简洁优先级，即由算法分配的8个优先级，几乎与“非过载”网络配置的曲线叠加，这意味着在我们的案例研究中，它的表现几乎是最佳的在我们的具体案例研究中，用户优先级的成功率迅速下降，因为优先级级别3的视频流有20ms的延迟限制，这比单一优先级（FIFO）的用户优先级受到更多的干扰。实际上，在后一种情况下，只有在到达之前到达的数据包才会延迟这些视频流的数据包。第二个结论是，由于几乎所有没有超载的网络配置（例如，在8500流的负载下99%）都能被CP成功调度，所以简洁优先级（简约优先级，CP）在这里的表现近乎最佳。这意味着，对于被考虑的用例的网络拓扑和流量来说，在引入其他机制（如整形、时间触发传输或帧抢占）时，在满足时间约束方面没有任何好处。然而，这些机制会对网络中使用的内存产生影响。

Tips：此篇为全文Part2，请持续关注Part3案例部分