前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
社区首页 >专栏 >TSN交换机有望成为下一代工业网络通信核心设备

TSN交换机有望成为下一代工业网络通信核心设备

原创
作者头像
利又德智能感知
发布于 2023-07-21 09:50:18
发布于 2023-07-21 09:50:18
4310
举报

TSN即Time-Sensitive Networking,中文名为时间敏感网络,是从传统以太网网络中衍生出来的一种技术,是指在非确定性以太网中实现确定性最小时间延时的协议族。TSN为标准以太网增加了确定性和可靠性,可实现对以太网网络功能的扩展,进而确保数据的实时、确定、可靠传输。TSN交换机则是一种支持TSN技术的工业以太网交换机,属于以太网交换机的升级产品之一。

    TSN交换机能够实现各类型网络终端的互联互通,与传统交换机相比,其具有体量小、功耗低、延迟低、可靠性高、抖动频率低、数据传输能力强、适用端口多等优点,可在工业网络、车联网以及航空航天、铁路、军工装备的机载网络互联互通中发挥出重要作用。

    新思界产业分析人士表示,TSN交换机是基于TSN技术而生成的交换机产品,属于以太网交换机的升级产品之一。近年来,TSN交换机凭借着良好优势在汽车、工业、航天、轨道交通等领域网络通信中展现出巨大发展潜力,被认为是下一代工业网络通信的核心设备。目前全球各国企业正在积极布局TSN交换机市场,未来TSN交换机市场发展空间有望加速拓展,行业发展前景广阔。来和海翎光电的小编一起了解一下TSN的发展史、常用TSN协议说明吧!

    背景介绍

    TSN(Time-Sensitive Networking)时间敏感网络,即在非确定性的以太网中实现确定性的最小时间延时的协议族,是IEEE 802.1工作组中的TSN工作组开发的一套协议标准,定义了以太网数据传输的时间敏感机制,为标准以太网增加了确定性和可靠性,以确保数据实时、确定和可靠地传输。

  TSN的发展史

    早期的以太网采用的交换机主要使用半双工模式,传输带宽为100M,传输延时为5ms,单根线路的最大长度为100m。紧接着,在千兆以太网和全双工传输技术的快速发展中,局域网中基本普及了千兆交换机,默认情况下所有端口处于一个广播域,所有数据包的交换通过硬件的MAC地址表进行查询转发。

    随着以太网交换技术的成熟,并在城域网等更大范围的应用拓展,1980年2月,IEEE 802委员会成立,任务是制定局域网和城域网的通信标准,IEEE 802.1工作组则主要制定基于以太网的协议标准。

    1991,针对大量交换机的部署产生了冗余链路等的一系列问题,IEEE 802.1工作组发布了802.1D STP生成树协议,并于1998年发布了第二部RSTP快速生成树协议,基本解决了各厂商设备在组网时容易产生环路等问题。

    随着802.1D的制定,大规模用户组网条件已经成熟,1999年,IEEE 802.1发布802.1QVLAN协议作为802.1D的后续补充,能够将大规模的用户小区和城市区域使用虚拟网络标识的进行区分,解决了电信用户组网和城域网接入的IP限制问题。

    进入21世纪以后,随着以太网的普及,基于以太网的多媒体应用需求与日俱增,于是2006年IEEE成立了AVB工作组,制定了一系列新的802.1技术标准,对现有以太网进行功能扩充,包括带宽保持、限制延时和精确时钟同步,提供了高质量、低延时、时间同步的音视频局域网解决方案。

    随着工业4.0概念的提出和车联网时代的到来,工业和汽车对实时以太网技术的需求迅速增长,在2012年,AVB工作组更名为TSN工作组,在继承AVB已有的技术基础上,进一步针对实时通信的应用场景,制定并提出了更多可行的技术标准,籍此在未来的工业和汽车等领域继续引领以太网技术的发展。

    2. TSN系列规范

     TSN系列规范包含了非常多的技术标准,一部分来源于以往音视频、通信等领域的应用,一部分来源于芯片等技术厂商在技术实现上的探索。

    TSN协议系列规范

当前已经发布的TSN系列规范大致分为四个部分:时间同步、调度延时、可靠性、资源管理。

  时间同步

    时间同步的协议规范主要是802.1AS/802.1AS-Rev,基于数据链路层进行以交换机为关键节点的时钟同步机制的实现,主要来自于IEEE1588时间同步协议的简化版本,更适用于车载网络中实时性精度要求较高的通信传输场景。

    目前主流的应用为2011版本,主要是基于单域或多域的时钟同步机制的实现,初步满足了基于以太网作为骨干网的电子电器架构的设计需求。

802.1AS多域分布

    最新发布的为2020版本,增加了时钟冗余和时钟传输路径冗余的实现,对满足车辆功能安全的需求提供了统一的解决方案。

     802.1AS时钟实时冗余

    调度延时

    802.1Qbv是在交换机多个输出队列的严格优先级(报文中的优先级通常来自于VLAN或者IP)模式下,利用门循环列表GCL(Gate Control List)来控制每个队列的开关时间窗口,来实现时间感知整形器TAS(Time-aware Shaper)的功能;GCL通常有8~16组,可通过灵活配置来实现不同延时需求的调度规则集合,进而对应不同优先级帧的最大传输延时保证来实现传输延时确定性和带宽的稳定性。

    802.1Qbv GCL调度

    同时,802.1Qbv为了确保每个时间片的报文都能传输完成,预留了一个Gurad Band,长度最大可配置为一个标准以太网帧的MTU大小约1500字节,会增加约12.5us的延时损耗。为了不浪费这个带宽的等待时间,于是设计并引入了802.1Qbu规范。

    802.1Qbu将数据帧分为可被抢占帧(Preemptable Frame)和快速帧(Express Frame),通常在每个交换机端口以优先级来对帧进行以上分类,即高优先级的帧可以对低优先级未传输完成的帧进行抢占发送,以减少传输延迟。抢占的规则一般通过设置最小可被抢占帧长度,例如若设置为128字节,则必须等待可被抢占帧传输完128字节才能对快速帧进行抢占发送,等快速帧发送完成后,再对被抢占帧未发送完成的部分进行发送。

    802.1Qbu和802.1Qbv的同时使用,可以在保证链路延时和带宽相对确定的情况下,对高实时报文进一步降低传输延时。

    可靠性

    802.1CB主要是通过交换机硬件的报文复制功能实现发送端数据帧的在交换机指定转发端口处的复制,并通过不同的交换机传输路径发送至最终目的节点所在的交换机连接端口,然后在该交换机端口利用交换机硬件的对特定协议复制帧的重复消除,进而利用网络拓扑中的冗余路径实现在传输链路中实时的可靠性数据备份,并且不增加软件收发数据产生的额外负载;相比传统的通信错误恢复机制,能够在正常通信链路发生错误时,利用在冗余路径中的实时数据保证通信不间断,且延时仅是冗余路径中多余交换机节点的转发延时,一般在10us左右,可以非常好地满足高实时高可靠性的应用场景。

    802.1CB冗余策略

    资源管理

    资源管理的系列规范类似于网络管理之类的协议和配置格式的一些规定,适合于灵活组网、易于维护的一些应用环境,并不适用于汽车上稳定性要求高、固定资源分配的策略,所以这里就暂不详细介绍了。

常用TSN协议说明

IEEE 802.1AS-rev

确保连接在网络中各个设备节点的时钟同步,并达到微秒级甚至纳秒级的精度误差。

IEEE 802.1Qat

解决网络中音视频实时流量与普通异步数据流量之间的竞争问题。通过协商机制,在音视频流从源设备到不同交换机再到终端设备的整个路径上预留出所需的带宽资源,以提供端到端(End-to-End)的服务质量及延迟保障。

IEEE 802.1Qav

确保传统的异步以太网数据流量不会干扰到AVB的实时音视频流。为了避免普通数据流量与AVB流量之间对网络资源的竞争,AVB交换机内对时间敏感的音视频流和普通数据流进行了区别处理,将实时帧与异步帧分别进行排队,并且赋予实时帧最高的优先级。

IEEE 802.1Qbv

通过Time Aware Shaper为优先级较高的时间敏感型关键数据分配特定的时间槽,并且在规定的时间节点,网络中所有节点都必须优先确保重要数据帧的通过。

IEEE 802.1Qbu

可以中断标准以太网或巨型帧的传输,以允许高优先级帧的传输,同时不丢弃之前传输被中断的消息。

已发布的标准(Published TSN Standards)

部分继承AVB的标准(Referred to AVB standards)

将发布的标准(Ongoing TSN Projects)

原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。

如有侵权,请联系 cloudcommunity@tencent.com 删除。

原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。

如有侵权,请联系 cloudcommunity@tencent.com 删除。

评论
登录后参与评论
暂无评论
推荐阅读
编辑精选文章
换一批
推荐系统(十四)——kdd'19动态定价方法(APP-LM,APP-DES,DNN-CL)
本文以航空服务为场景,设计了一系列动态定价方法,对于其他场景具有借鉴意义。
秋枫学习笔记
2022/09/19
1.2K0
SIGIR'22「谷歌」BISER:双边无偏学习对有偏隐式反馈进行纠偏
推荐系统中通常采用隐式反馈(如点击)来构建模型,而观察到的反馈代表用户的点击日志,所以观察到的点击与真实用户意图之间时存在差异的,并且观察到的反馈通常偏向于热门商品,从而高估了热门商品的实际相关性。尽管现有研究已经开发出使用逆倾向加权 (IPW) 或因果推理的无偏学习方法,但它们只专注于消除商品的流行度偏差。本文提出了一种新颖的无偏推荐学习模型BISER,以消除推荐模型引起的商品曝光偏差。BISER 由两个关键组成部分组成:
秋枫学习笔记
2022/09/19
7780
案例 | 解密Airbnb的定价算法
对于计划出租房屋的房主,你应该将房屋的租金设定为多少呢?或者对于租房的顾客而言,应该给自己的租房支付多少呢?不管是对于一次有计划的远足,还是一次说走就走的旅行,为租房付出多少才真正合适呢? 回答这些问题并不容易。事实上,可以通过将潜在的租房列在我们网站— Airbnb 上来实现,Airbnb是一家联系旅游人士和家有空房出租的房主的服务型网站,它可以为用户提供各式各样的住宿信息。 在焦点小组,我们观察到人们在我们的网站上填写房屋信息的过程中,往往在价格选项上会显得为难。很多人会查看他们的邻居们所设置的价码,然
CDA数据分析师
2018/02/08
2.3K0
案例 | 解密Airbnb的定价算法
信息论 - 交叉熵
在信息论中,交叉熵(Cross Entropy)是表示两个概率分布p,q,其中p表示真实分布,q表示非真实分布,在相同的一组事件中,其中,用非真实分布q来表示某个事件发生所需要的平均比特数。。
为为为什么
2022/08/05
3640
011.线性回归算法推导
版权声明:本文为博主原创文章,允许转载,请标明出处。 https://blog.csdn.net/qwdafedv/article/details/82866099
qubianzhong
2018/10/10
8420
011.线性回归算法推导
WWW'22「快手」序列推荐:解耦长短期兴趣
4. 最后由于长期和短期兴趣的重要性是动态变化的,通过基于注意力的网络自适应地聚合它们进行预测。
秋枫学习笔记
2022/09/19
8710
逻辑回归
y=\sigma(f(\boldsymbol{x}))=\sigma\left(\boldsymbol{w}^{T} \boldsymbol{x}\right)=\frac{1}{1+e^{-\boldsymbol{w}^{T} \boldsymbol{x}}}
故事尾音
2019/12/18
6330
逻辑回归
简单易学的机器学习算法——Latent Dirichlet Allocation(理论篇)
LDA(Latent Dirichlet Allocation)称为潜在狄利克雷分布,是文本语义分析中比较重要的一个模型,同时,LDA模型中使用到了贝叶斯思维的一些知识,这些知识是统计机器学习的基础。为了能够对LDA原理有清晰的认识,也为了能够对贝叶斯思维有全面的了解,在这里对基本知识以及LDA的相关知识进行阐述,本系列包括两个部分:
felixzhao
2019/01/31
7040
简单易学的机器学习算法——Latent Dirichlet Allocation(理论篇)
SIGIR'22「eBay」MP2:动量对比框架缓解推荐系统中的标注偏差
现有的推荐系统模型训练通常采用point wise(如交叉熵)或pair wise损失(如BPR),但是标签的有限的表达能力可能无法适应不同程度的用户偏好,从而导致模型训练期间的冲突,作者称之为标注偏差(annotation bias)。
秋枫学习笔记
2022/09/19
5270
WWW'22「华为」CPR Loss:交叉成对排序损失对推荐系统纠偏
通常推荐系统在观察到的交互数据上优化模型,这受之前的曝光机制的影响,会存在许多偏差,如流行度偏差。本文提出了一种新的学习范式,称为交叉成对排名(CPR),在不知道曝光机制的情况下实现无偏见的推荐。对多个观察到的交互进行一次采样,并将它们的预测的组合来构成损失。
秋枫学习笔记
2022/09/19
4210
KDD'22「Salesforce」基于向量化的无偏排序学习
无偏的排序学习(ULTR)是从有偏的用户点击日志中训练一个无偏的排序模型。当前的大多数 ULTR 方法都是基于检验假设(examination hypothesis,EH),它假设点击概率可以分解为两个标量函数,一个与排序特征有关,另一个与偏差因素有关。特征、偏差因子和点击之间的相互作用在实践中很复杂,通常不能以这种独立的方式分解。
秋枫学习笔记
2022/09/19
7690
AAAI'22「腾讯」多任务推荐系统中的跨任务知识蒸馏
多任务学习被广泛应用于推荐系统,先前的工作专注于设计底部层的结构来共享输入数据的信息,但是由于它们采用特定任务的二分类标签作为训练的监督信号,因此关于如何准确排序商品的知识并未在任务之间完全共享。
秋枫学习笔记
2022/09/19
4710
因果推断与反事实预测——盒马KDD2021的一篇论文(二十三)
反事实预测应该是一个非常有意思的话题,笔者也是由一篇盒马的文章出发,对这个模块先行进行简答的学习。主要参考: KDD2021论文推荐:盒马-融合反事实预测与MDP模型的清滞销定价算法 Markdowns-in-E-Commerce-Fresh-Retail-A-Counterfactual-Prediction-and-Multi-Period-Optimization-Approach
悟乙己
2022/01/21
3.5K0
因果推断与反事实预测——盒马KDD2021的一篇论文(二十三)
图解机器学习 | 逻辑回归算法详解
教程地址:http://www.showmeai.tech/tutorials/34
ShowMeAI
2022/03/10
9900
图解机器学习 | 逻辑回归算法详解
深度学习应用篇-元学习[16]:基于模型的元学习-Learning to Learn优化策略、Meta-Learner LSTM
Learning to Learn by Gradient Descent by Gradient Descent 提出了一种全新的优化策略, 用 LSTM 替代传统优化方法学习一个针对特定任务的优化器。
汀丶人工智能
2023/10/11
9840
深度学习应用篇-元学习[16]:基于模型的元学习-Learning to Learn优化策略、Meta-Learner LSTM
Logistic Regression
**二项逻辑斯谛回归模型(binomial logistic regression model)**是一种分类模型,并且还是一种二类分类模型。 来源于 Logistic 分布 。
为为为什么
2023/10/17
3290
UADA3D 突破激光雷达难题 | 引领无监督域自适应新趋势,助力点云三维目标检测突破!
基于LiDAR的感知系统对于自动驾驶汽车[20]或移动机器人[41]的安全导航至关重要。一个关键挑战是在车辆环境中对物体进行可靠检测和分类[54]。最先进的(SOTA)三维目标检测方法在很大程度上依赖于用于训练的数据集的质量和多样性,同时也取决于这些数据集在推理过程中如何真实地反映现实世界条件。获取和标注此类数据仍然是一项重大的技术和实践挑战,既耗时又劳动密集。这在三维目标检测模型的大规模开发和部署中构成了一个主要障碍。
集智书童公众号
2024/05/10
8440
UADA3D 突破激光雷达难题 | 引领无监督域自适应新趋势,助力点云三维目标检测突破!
深度学习应用篇-元学习[15]:基于度量的元学习:SNAIL、RN、PN、MN
元学习可以被定义为一种序列到序列的问题, 在现存的方法中,元学习器的瓶颈是如何去吸收同化利用过去的经验。 注意力机制可以允许在历史中精准摘取某段具体的信息。
汀丶人工智能
2023/10/11
7960
深度学习应用篇-元学习[15]:基于度量的元学习:SNAIL、RN、PN、MN
机器学习:线性回归
如图表示一个房价预测的数据集,x轴表示房子的面积,y轴表示对应的房价,现在需要做的就是用一条直线拟合这些数据,使得给出一个新的房子面积,可以预测出它的房价。当然,可以用曲线来拟合数据使得预测更加准确,但是目前只先讨论单变量的线性回归,即用直线来拟合数据。
Here_SDUT
2022/09/19
5270
机器学习:线性回归
WSDM'22「百度」考虑行为多样性的对比元学习
本文希望通过结合多种类型的行为(访问页面,喜欢,购买等),从而发掘用户和商品之间的复杂关联。但是这类方法通常面临两个问题:
秋枫学习笔记
2022/09/19
3240
推荐阅读
相关推荐
推荐系统(十四)——kdd'19动态定价方法(APP-LM,APP-DES,DNN-CL)
更多 >
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档