基于多周期信息与注意力机制的时间触发系统事件预测方法研究

《IEEE Access》：Leveraging Multi-Cycle Information to Improve Event Prediction in Time-Triggered Systems

本文针对自适应时间触发系统中动态调度切换存在的高内存开销与适应延迟问题，提出了一种基于注意力机制的松弛时间与事件预测模型（SEPM）。该研究通过利用多周期输入数据捕捉跨周期的周期性模式，显著提升了事件序列与任务松弛时间的预测精度。实验结果表明，SEPM在测试集上达到80.02%的事件覆盖率中位数，较单周期输入提升5.21%，且通过FFT分析可高效确定最优输入周期数。本研究为构建高效可靠的预测组件奠定了实践基础，对增强时间触发系统的自适应能力具有重要意义。

　　

在安全关键领域如自动驾驶和工业控制系统中，时间触发调度系统因其高度可预测性而被广泛应用。随着系统复杂度的不断提升，任务数量增多、资源竞争加剧以及故障频率升高，传统的静态调度策略已难以满足动态环境的需求。自适应时间触发系统应运而生，它能够根据环境输入和系统状态变化动态切换调度方案。然而，这种动态适应性面临两大挑战：在线生成调度会产生适应延迟，而离线预先生成多调度图（MSG）又会导致内存开销过大。

为了解决这一矛盾，研究者提出了结合离线MSG构建与事件预测的主动推测性调度方法。该方法将可能被触发事件的调度方案预加载到内存中，其余存储在磁盘上，从而平衡内存消耗与响应速度。其中，事件预测模块成为影响系统性能的关键组件。现有预测模型多基于单周期输入，虽能捕捉周期内逻辑关系，但难以利用跨周期的周期性模式，限制了预测性能的进一步提升。

为此，发表在《IEEE Access》上的这项研究提出了一种新颖的注意力机制模型——松弛时间与事件预测模型（SEPM），旨在通过多周期输入捕获更丰富的时序模式，特别是周期性关系，以显著提升预测性能。研究团队利用公开数据集AD-TTS（包含6903个有效调度周期的事件日志），设计了多周期输入实验，系统比较了SEPM与三种基线模型（Transformer、DA-LSTM、Priorest）的性能差异。

研究采用的关键技术方法主要包括：1）基于Seq2Seq架构的注意力模型设计，集成五个异构输入子数据集（事件序列、任务序列、头部数据、CPU利用率、事件属性）的嵌入与全连接处理；2）多任务学习策略（WSMT与SMT）联合优化事件序列、任务序列及21个任务的松弛时间预测；3）通过五折交叉验证确定超参数，并利用FFT分析松弛时间数据的周期性以指导输入周期数选择；4）使用覆盖率（Coverage）和莱文斯坦距离（LD）评估序列预测性能，均方误差（MSE）评估松弛时间预测精度。

多周期输入实验验证性能提升

通过将输入周期数从1逐步增加至20，研究发现SEPM（SMT）、Transformer和DA-LSTM（MSE）在周期13附近均出现显著性能提升，而Priorest模型则无法有效利用多周期输入。例如，SEPM（SMT）在周期14达到事件覆盖率峰值，较单周期输入提升5.53%。这表明多周期输入能为具备复杂序列建模能力的模型提供有价值的周期性信息。

FFT分析高效确定最优周期数

为替代计算昂贵的多周期实验，研究提出基于快速傅里叶变换（FFT）的松弛时间周期性分析方法。对“TaskCamera”和“TaskGNSSAndIMU”等任务的松弛时间数据进行FFT分析，识别出周期约为12.9和7.0的显著周期性信号，与实验确定的周期13和7高度吻合。这为实际系统中快速确定输入周期数提供了高效工具。

注意力机制与多任务学习策略分析

SEPM采用加性注意力机制，使模型能够从长输入序列中有效提取相关信息。注意力热图分析表明，预测错误主要集中在输出序列的开始和结束位置，这与时间触发系统中任务并发性较高的特性一致。事件级注意力分析进一步揭示，当模型对唯一事件（如交通相关事件）分配更多注意力时，预测性能更优。多任务学习策略比较发现，加权求和多任务（WSMT）策略在去除L₁正则化项后性能显著提升，接近求和多任务（SMT）策略，而交替训练多任务（ATMT）策略因任务损失不平衡导致训练不稳定。

最终测试集性能评估

在测试集上的最终评估表明，SEPM（SMT）以13周期输入达到中位数事件覆盖率80.02%，显著优于DA-LSTM（MSE）的77.08%、Transformer的76.45%和DA-LSTM（WMSE）的73.94%。同时，SEPM（SMT）在任务覆盖率和松弛时间预测（MSE=0.0030）上也表现最佳，且具有更低的性能波动性。统计检验（Friedman检验与Conover-Iman事后分析）确认了SEPM（SMT）相对于基线模型的显著优势。

研究结论与意义

本研究证实了多周期输入和注意力机制在时间触发系统事件预测中的重要作用。SEPM模型通过有效学习长序列中的周期性模式和逻辑依赖，显著提升了预测精度和稳定性。FFT分析方法为确定最优输入周期数提供了计算高效的替代方案。该工作为构建自适应时间触发系统中的高效预测组件奠定了实践基础，对提升复杂安全关键系统的可靠性和响应能力具有重要价值。未来研究方向可探索基于记忆增强神经架构的增量模型，以进一步优化跨周期依赖捕捉能力。