基于TAMCQF+TAS(CBS)的TSN可调度性分析方法及其在车载以太网中的应用研究

《Electronics》：TSN Schedulability Analysis with TAMCQF + CBS for Automotive Ethernet

　　

时间敏感网络(Time-Sensitive Networking, TSN)已成为车载以太网的关键通信协议，用以支持下一代车载网络的高带宽、实时性及确定性传输需求。然而，目前仍缺乏针对车载场景混合突发流量特征设计的清晰有效的TSN机制组合。为解决此问题，研究人员提出了一种适用于车载场景的组合TSN调度机制：最高优先级流量由基于类的Time-Aware Shaper(TAS, IEEE 802.1Qbv)调度，周期性突发的传感器流量由Credit-Based Shaper(CBS, IEEE 802.1Qav)整形，中优先级流量采用Multi-Cyclic Queueing and Forwarding(MCQF)。基于组件性能分析(Compositional Performance Analysis, CPA)方法，研究人员推导了Cyclic Queueing and Forwarding(CQF, IEEE 802.1Qch)流的在最坏情况下时延上界表达式，并优化了可调度性分析以降低保守误差。仿真验证理论计算边界覆盖了最大仿真时延，优化后的分析降低了保守性——环形拓扑中峰值保守误差为3.07%，车载场景中为10.59%。与严格优先级(Strict Priority, SP)及TAMCQF(TAS+Multi-CQF)相比，所提机制组合抑制了混合流量的时延抖动，缓解了高优先级突发数据引起的中优先级流量长时间阻塞，为车载车内网络提供了可靠的确定性传输保障。

论文解读：基于TAMCQF+CBS的TSN可调度性分析及其在车载以太网中的应用

一、研究背景与意义

随着汽车向自动驾驶及全域智能座舱演进，车载电气/电子架构(Electrical/Electronic Architecture, EEA)从分布式向域集中式、区域式及中央计算架构迭代，传统CAN总线无法满足海量传感器数据传输及高实时控制指令交互需求。车载以太网凭借高带宽与强扩展性成为骨干网核心载体，而TSN作为关键增强技术，通过时间同步、资源管理、流量调度整形及可靠性四大核心能力保障链路层服务质量(Quality of Service, QoS)。现有TAMCQF模型（最高优先级用TAS，优先级1–6用三组CQF队列）虽支持混合流量，但未充分考虑自动驾驶场景下高清摄像头、激光雷达等产生的大规模周期性突发流量——此类高优先级突发流在多跳处阻塞中优先级流量可导致累积时延超限。为此，研究人员提出TAMCQF+CBS组合机制并对CQF流进行可调度性分析与优化，该文发表于《Electronics》。

二、主要关键技术方法

研究人员采用基于类的TAS为最高优先级（Priority 7）预留专用时窗，次高优先级（Priority 6）周期性突发传感器流量施加Credit-Based Shaper(CBS)以平滑突发，中优先级（Priority 2–5）采用两组不同周期的Multi-Cyclic Queueing and Forwarding(MCQF)队列，最低优先级（Priority 0–1）为尽力而为(Best Effort, BE)流量。基于组件性能分析(Compositional Performance Analysis, CPA)推导CQF流单跳排队时延及端到端最坏情况时延上界公式，针对多跳场景优化分析过程以降低保守误差。通过OMNeT++搭建环形（4交换机4终端）与车载星型（6交换机14节点，原37条流+新增4条CBS摄像头流，相机负载提至10倍）拓扑仿真，pyCPA框架实现CPA计算，各场景独立运行50次取最大仿真时延与理论值比对验证。

三、研究结果

3.1. Mechanism Combination（机制组合）

研究人员定义TAMCQF+CBS端口队列映射：Priority 7→Class-based TAS gate；Priority 6→CBS（idleSlope=发送斜率空闲增长速率，sendSlope=发送时扣减速率，帧仅当credit≥0可发）；Priority 4–5→MCQF cycle=1500 μs；Priority 2–3→MCQF cycle=6000 μs；Priority 0–1→BE。Class-based TAS每周期预留>实际带宽的开放窗口。CBS将大突发流分散发送，在帧间插入间隙使中低优先级帧可切入，避免单端口处中优先级流被长时阻塞。

3.2. Schedulability Analysis（可调度性分析）

CQF流单出口端口排队时间W^CQF_i(Δt)由CQF循环排队转发固有阻塞B_CQF、TAS关门（Guard Band+TAS专属窗口）阻塞B_gate、每TAS周期最高优先级最长帧阻塞L_TAS^max、同优先级阻塞B_same、高优先级CQF流阻塞B_hp,CQF及高优先级CBS流阻塞B_hp,CBS组成，需满足到达当前奇偶时隙帧可在下一反号时隙发完的条件：W^CQF_i(Δt)?T_CQF≤T_CQF（T_CQF为CQF时间区间）。同优先级阻塞取目标流前q?1帧FIFO规则计算；高优先级CQF阻塞按?Δt/T_CQF,j?×T_CQF,j得干扰累计时长代入到达函数；高优先级CBS阻塞考虑credit约束：x·sendSlope ≤ x·idleSlope + idleSlope·(Δt?t_gate)，t_gate为关门时长。端到端最坏时延上界L^E2E_i= Σ(源节点排队W^src_i+各跳W^CQF_i+L_link) + (h+1)·T_CQF，末跳W^CQF_i按式(1)算，源节点无CQF故高优先级CQF阻塞按严格优先级计算。

3.3. CQF Schedulability Analysis Verification（CQF可调度性分析验证）

环形场景：4条CQF流仿真最大时延均小于优化前后CPA计算值。原始保守误差10.34%、14.16%、2.92%、4.71%优化后降至2.57%、3.07%、1.17%、2.11%。车载场景：8条CQF流仿真最大值均低于CPA上界，优化后最大相对保守误差10.59%，最小5.64%。证明推导公式正确且优化降低保守性。

3.4. Mechanism Combination Verification（机制组合验证）

环网对比SP、TAMCQF、TAMCQF+CBS：CBS使次高优先级Video1/Lidar1最大时延由8512 μs/11075 μs升至12812 μs/17684 μs（可接受，无显著抖动增加），但消除其对中优先级Management1/Control2的长时阻塞——SP下Control2/Management1最大时延达10211 μs/3856 μs且严重抖动，TAMCQF因部分口不满足CQF条件也无法稳定保障；TAMCQF+CBS下CQF流时延被约束于(h+1)·T_CQF周期内、抖动不超两个CQF周期。车载场景CQF流（Stream 26/27/38/40）：与突发流共享路径的Stream 38/40在TAMCQF+CBS下最大时延与抖动较SP及单独TAMCQF显著降低；无共享路径的Stream 27无差异；部分重叠的Stream 26亦有改善。表明CBS分散突发流后CQF可正常发挥周期转发特性。

四、讨论与结论翻译

研究人员提出将Credit-Based Shaper(CBS)引入TAMCQF模型形成TAMCQF+CBS组合机制应用于车载场景，以整形自动驾驶域周期性传感器突发流量，减轻中优先级流量被长时阻塞。基于组件性能分析(CPA)推导了流时延上界并优化多跳CQF流分析过程以获得更精确表达式。仿真实验验证了该可调度性分析的有效性与正确性。与严格优先级(SP)及TAMCQF相比，所提机制可控制流量最大时延、抑制时延抖动，具备更优的整体时序保障能力。由于多TSN机制组合时各机制与各类流间存在相互作用，各机制参数配置是后续关键挑战，未来研究将聚焦特定网络拓扑、流量场景及传输需求下的最优机制参数确定。