汽車網絡架構的案例
汽車電子架構和CAN網絡基礎
類似通訊網絡，在企業通訊網絡中我們根據區域不同、部門不同等等將網絡劃分為不同的網段進行管理。在CAN網絡中電子架構部門會根據整車電子零部件的不同使用或代表的歸屬屬性進行劃分，不同的劃分我們叫做CAN網絡域。同理我們上文提到的車身電子三大塊，在網絡中也是同樣的劃分，PT CAN為動力CAN、CH CAN為底盤CAN、Body CAN為車身CAN。這3個域適用于所有廠商所有商用車型。另外還有娛樂系統的Info CAN，Tbox車輛通訊出口的Diag CAN診斷CAN。除此之外電子架構會根據車型實際ECU進行自定義的網絡域劃分，在新研發的新能源車型中，CAN網絡域的個數可以到達15個。電子架構組會定期發布整車CAN網絡車架圖，研發小伙伴需要定期同步，也可以從這個車架圖中找到自身零部件所在域位置，以及其他通網絡域的設備，是否有兩兩硬線互聯的情況，如有直接互聯使用何種連接（USB、純硬線），這也是本章節前我提到的CAN網絡是類星型網絡的原因。在星型網絡中通常不存在兩兩互聯的情況，星型網絡中多出兩兩直接互聯情況，要不是錯誤連接導致環路，要不就是備用冗余鏈路設計。
圖2 車輛網絡車架簡圖
a）PT CAN (PowerTrain CAN ) 動力總成CAN總線，顧名思義負責車輛動力系統，是整車所有CAN網絡信號中優先級最高，信號傳輸速率最快的一條CAN總線。
展開 網絡安全數字孿生：一種新穎的汽車軟件解決方案
摘要
隨著汽車行業轉變為數據驅動的業務，軟件在車輛的開發和維護中發揮了核心作用。隨著軟件數量的增加，相應的網絡安全風險、責任和監管也隨之增加，傳統方法變得不再適用于這類任務。相應的結果是整車廠和供應商都在努力應對汽車軟件日益增加的風險。
一種解決這一問題的新方法被提出了——為ECU軟件構建一個數字孿生副本，以持續監測其處在網絡安全風險環境下中的情況。使用這種方法，供應商可以充分了解網絡安全風險，同時既可以用于運營中的車隊，也可以用于仍處于預生產階段的車輛。
數字孿生
制造業數字化程度的提高帶來數字孿生的引入。在工業4.0環境中，孿生是物理對象或過程的實時虛擬副本。利用仿真軟件，孿生可以優化原始副本的使用方法和整體商業價值，這是通過預測未來行為并提出最佳行動方案來實現的。
例如，對真實渦輪機的模擬用于在現實世界中實際發生之前主動識別問題，這使系統所有者能夠提前預測故障并消除風險。
車輛軟件中的數字孿生
模擬汽車軟件，更具體地說是ECU固件，可能是一項艱巨的任務。汽車子系統在復雜性和架構上有很大的不同。業界使用的CPU架構、操作系統、框架和風格多種多樣。
然而，這樣的數字孿生可能會帶來許多好處。這種技術可用于測試新功能、提高性能和診斷軟件問題。更重要的是，它將允許整車廠和一級供應商嘗試全新的軟件概念或汽車網絡架構，并了解其整體影響——無論是功能、性能還是網絡安全態勢。
利用數字孿生實現持續風險評估
一種這樣的新方法被提出了，新的虛擬化和網絡安全分析技術組成了一種新的數字孿生形式——網絡安全數字孿生。這些虛擬構建與車輛組件完全相同，與在道路上和開發中的車輛所使用的相同步。
展開 人工神經網絡（ANN）（網絡架構）-4 ￥2
人工神經網絡（ANN）（網絡架構）-4
人工神經網絡（ANN）：這是一種受人腦啟發的信息處理范式。ANN通過示例學習，就像人類一樣。通過學習過程，ANN可以被配置用于特定應用，如模式識別或數據分類。學習過程主要涉及調整神經元之間的突觸連接。
ANN的類型：
ANN有多種架構，每種架構都有其優勢和劣勢。常見的架構包括：
o 前饋神經網絡（Feedforward Neural Networks）：這是最簡單的ANN架構，信息從輸入層單向流動到輸出層。各層是全連接的，即一層中的每個神經元都與下一層的所有神經元相連。
o 循環神經網絡（Recurrent Neural Networks，簡稱RNNs）：這些網絡具有“記憶”組件，信息可以在網絡中循環流動。這使得網絡能夠處理數據序列，如時間序列或語音。
o 卷積神經網絡（Convolutional Neural Networks，簡稱CNNs）：這些網絡旨在處理具有網格拓撲結構的數據，如圖像。層由卷積層組成，它們學習檢測數據中的特定特征，以及池化層，它們減少數據的空間維度。
o 自編碼器（Autoencoders）：這些神經網絡用于無監督學習。它們由編碼器組成，將輸入數據映射到低維表示，以及解碼器，將表示映射回原始數據。
o 生成對抗網絡（Generative Adversarial Networks，簡稱GANs）：這些神經網絡用于生成建模。它們由兩部分組成：一個生成器，學習生成新的數據樣本，以及一個鑒別器，學習區分真實和生成的數據。
ANN模型的三個實體：
o 互連（Interconnections）：互連定義了ANN中處理元素（神經元）如何相互連接。這些處理元素的排列和互連的幾何形狀在ANN中非常重要。
展開 算網一體：網絡架構及技術體系
中國電信發布的《云網融合2030技術白皮書》和中國聯通發布的 CUBE-Net 3.0 網絡體系中，也都把“算力網絡” 作為公司未來網絡演進的重要方向。
國內外組織已經逐步開展在算網融合方面的相關工作。在國際電信聯盟（ITU）包含有 5 項標準的算力網絡國際標準體系已初步建立，并形成統一術語——算網融合 CNC，覆蓋了 IMT-2020 及未來網絡、NGNe（Next Generation Network Evolution，下一代網絡演進）、新型計算等技術領域，涉及需求、架構、 服務保障、信令協議、管理編排等方向。在國際互聯網工程任務組（ IETF），2019 年 2 月成立了在網計算研究組 COINRG，主要面向數據中心，研究在網計算技術的需求和應用場景。
2022 年 3 月，算力感知網絡（Computing Aware Network,CAN）的工作組籌備會 BoF（Birds of a Feather）在 IETF 第 113 次會議中召開，第三代合作伙伴計劃（3rd Generation Partnership Project, 3GPP）面向 R19 也開始提出算力感知網絡（CAN）等相關立項和討論。
算網一體的發展路徑由計算和網絡兩大元素共同決定。從宏觀上講，能夠提供算力的組成單元包括計算單元、計算芯片、計算設備、計算系統；能夠提供 連接能力的組成單元可以細分為片上總線、板級總線、網絡設備、網絡系統。
從能力維度看，計算指算力，網絡指連接；從實體維度看，計算和網絡都有各自的組成部分，分別提供不同的算力和連接能力。
我們通常理解的“網”是指由多種網絡設備組成，具有連接能力的基礎設施。一般來講，片上總線、板級總線都屬于設備內部互聯方式，不在“網”的范疇之內。
展開 
MBSE產品模型架構應用：基于模型的系統工程 (MBSE) 在汽車傳動系統子系統架構中的應用
上下文圖/背景圖：
○ 代表系統與外部環境的交互
○ 交互系統被定義為“黑盒”
P-圖：
○ 擴展和細化上下文以獲得更詳細的黑匣子
○ 包括有關輸入信號、控制因素、噪聲因素、輸出和潛在故障模式的詳細信息
MBSE
○ 建模語言（SysML、UML 等）
○ 建模方法
○ 建模工具（Magicdraw、IBM Rational Rhapsody 等）
基于模型的系統工程概念：系統需求
● 需求以技術術語定義客戶和利益相關者的需求
● 在 SysML 中，系統需求陳述被定義為對象
● 每個對象都包含需求文本和唯一標識符
● 需求類型定義了需求可以關聯的特征
● 泛化通過繼承關系管理和分配需求
● 需求必須通過測試用例進行驗證
● 測試用例是檢查點，例如設計評審或物理測試
SysML中的標準類型需求用于在定義系統時提供嚴格性和清晰性
基于模型的系統工程概念：功能和邏輯架構
● 功能定義必須完成或完成哪些動作/活動才能獲得預期結果
● 操作是塊的屬性
● 塊是系統任何部分的抽象表示，如物理硬件或信號
● 功能通過與各個子系統和組件的邏輯關系相互關聯
● 邏輯架構描述了系統將如何實現
● 邏輯架構抽象地定義了基于系統所需的子系統、組件及其關系的技術解決方案
● 邏輯架構只能在明確定義系統的功能和需求后創建
● 邏輯架構沒有定義任何特定的系統實現，而是定義通用指南，以保持解決方案中立
建模方法：功能分解
● 從 P 圖中識別出傳動系統的五個基本操作
● 系統需要
○ 傳遞扭矩
展開 純電動汽車架構設計(一) ：電動車架構設計核心與前懸架選擇
圖2 大眾MQB平臺未加強前指梁，不利于小偏置碰撞
那什么是車輛架構設計呢？車輛架構是某款車型上所應用的技術組合方式，這些方式可以基于平臺設計，也可以不基于平臺設計。架構設計不同于平臺設計，平臺指的是零件物理上的相同或相似，架構指的是設計理念和思路上的相同或相似。架構設計是汽車頂層設計的一部分，在架構設計層面我們需要權衡技術、市場與消費者期望和物料、研發成本，而引入的技術也可以反哺平臺或服務后續車型。
圖3 架構設計要合理組合汽車所有關鍵部件和人體
因此平臺是穩定、普適的，而架構是靈活、專一的。特定車型的架構設計在大框架上應該存在最優解。例如前橫置前驅+麥弗遜懸架組合，以及機艙縱梁+車身縱梁、門檻梁、中央通道的傳力路徑組合，已經成為傳統燃油車型的標準架構。
3 現階段電動車的平臺架構設計的追求
中國的純電動車行業，細節設計如NVH、強度分析、臺架試驗等能力已經逐漸形成，但是對平臺架構和整體設計研究依然進展寥寥，隨著汽車電動化浪潮的推進，頂層設計能力薄弱的問題愈發凸顯。
合理的電動車平臺規劃有利于充分利用電動車的零部件特點和整車總體優勢，例如成員艙空間、車身碰撞性能、更好的整車尺寸等，此外對于零部件選型和設計也有很強指導意義。
展開 網絡芯片架構的新改變
今天，大多數網絡設計活動都在云端，其中大部分都是由AI和機器學習應用驅動的。Walia表示：“有趣的是，所有網絡公司現在都在嘗試遵循垂直整合模式，他們甚至在嘗試自己制作芯片組。無論是中國的阿里巴巴、騰訊、百度，還是美國的Facebook、谷歌，都在嘗試自己的AI芯片組。他們不想使用商業芯片。因此，至少從IP的角度來看，我們的業務指標不是芯片量。更多的是從設計開始的，當然，我們在此處看到了云計算驅動了我們大部分IP業務。”
西門子Mentor事業部IP部門總經理Farzad Zarrinfar對此表示贊同：“基本的處理器并沒有達到要求，所以我們看到主要的OEM、搜索領導者、游戲領導者和通信領導者都在開發他們自己的ASIC。顯然，這些ASIC很多取決于應用。如果它是數據中心應用，或是某種汽車應用，亦或物聯網應用，我們就會看到很多構建模塊。例如，如果你觀察一個三層千兆交換機，那么你就會發現1千兆位和10千兆位MAC（媒體訪問控制器）。有些人在芯片內部加入了ASIC、收發器、SerDes和PHY，以進一步提高整合度，并最大限度地降低成本。有些人希望基于自己的架構來保持它。他們使PHY和SerDes具有更大的幾何形狀，并且在芯片外使用它們，他們將更大的幾何結構用于SerDes。然后，在純數字部分，他們將工藝推進到10nm和7nm，甚至可以降至5nm finFET技術。”
Walia說，這種模式在過去幾年中迅速出現。最初，這些公司開發低端應用，比如攝像頭，但現在他們正在轉向高端數據中心，并完成越來越多的工作。
對于AI / ML應用而言，芯片主要是許多帶有ARM 64位處理器的SerDes。Walia表示：“這是一組ARM高端處理器，周圍是SerDes。
展開 NXP：以太網時代的車輛網絡架構和解決方案
來源 |
燃云汽車
知圈 |
進“激光雷達社群”請加微信13636581676，備注激光
弱電工程數據中心的網絡架構及其設計思路
第一種就是VRRP+MSTP的結構，如下圖所示：
相比起第一種非常傳統的MSTP+VRRP的架構，第二種“胖樹”結構，則是當前數據中心扁平化組網的常用結構。它的思路是：匯聚交換機必然堆疊，接入交換機按需堆疊，所有冗余鏈路必須捆綁，形成一個“胖樹”狀結構。它的優點就是，既保證了設備的冗余性，提升帶寬性能，也能從根本上防止二層環路。但是，要實現設備的堆疊，這個對硬件有要求，所以，這種“胖樹”狀結構的組網，成本比起第一種來說要高不少。
B.三層組網架構
對于大型數據中心，功能多樣，且要進行功能分區的場合，就會采用標準的三層架構。
在這種組網方式中，交換核心區是整個數據中心網絡的樞紐，核心設備通常部署2-4臺大容量高端框式交換機，可以是獨立部署，也可以通過堆疊技術后成組部署（但是考慮到核心和匯聚之間都是三層連接，且堆疊有一定裂開風險，所以一般核心都會采用獨立部署的方式，即核心之間只和匯聚之間有互聯，核心之間無互聯）
分區內的匯聚層和接入層通過堆疊實現二層破環。
下圖為大家展示了一個當前主流的數據中心三層組網架構圖：
剛才的拓撲圖中，各個大區域之間的防火墻采用了旁路的連接方式。防火墻采用旁路連接的目的，也是為了提升可擴展性，并且可以兼容動態路由。而這種結構，要想實現核心—匯聚—接入之間的流量進入防火墻，就需要使用VRF在匯聚交換機上隔離路由了。所以，VRF在這個地方，起到的作用是隔離路由，起到一個“化旁路為串聯”的作用。
本文的難點，也正好是匯聚交換機上使用VRF時，這個業務流的邏輯圖如何畫出。實際上，我本人在剛接到這個項目的時候，也是花了一段時間來理解這個VRF和旁路防火墻之間的關系的。
展開 弱電工程中常見的六種無線網絡組網架構講解
04 無線典型組網四：大規模無線組網架構
之前文章中有介紹過無線的三大重要組件：無線AP、無線控制器、POE交換機。
05 無線典型組網五：WDS無線橋接組網
橋接主要通過無線實現兩個網絡互聯，之前文章有給大家介紹過室外AP，傳統室外AP都可以設置為網橋模式。當然，用室外AO做網橋成本太高。一般廠商都有專門的網橋設備，用于無線橋接，價格相對更低，且橋接距離更遠。
橋接組網分為點對點、點對多點兩種，如下圖所示，針對接入點較多的場景，推薦使用點到多點組網，節省AP/網橋數量。
在生產環境中推薦使用2.4GHz頻段做為WDS橋接回傳，信號衰減小，5GHz頻段實現用戶終端接入，降低干擾，以達到最好的覆蓋效果。
06 無線典型組網六：MESH組網
無線MESH組網（Wireless Mesh Network，WMN）是指利用無線鏈路將多個AP連接起來，并最終通過一個或兩個根節點接入有限網絡的一種網狀動態自組織自配置的無線網絡。組網架構如圖所示：
MESH架構組網主要應用于倉儲環境或廠房：此類場景面積較大且不方面布線，只能采用MESH架構組網，AP設置為MESH模式，自動協商，進行組網和數據回傳，邊緣AP接入有線網絡即可，減少布線工作，同時具備鏈路冗余功能。
綜上，為大家介紹了幾種常見無線組網架構，橋接和MESH架構用的不多，大家僅做了解。
展開 談談純電動汽車高壓電氣架構
3 結論
本文首先通過分析純電動汽車高壓架構功能要求，對比目前典型純電動汽車高壓電氣架構。通過高壓架構方案設計和高壓架構系統安全設計兩方面，提出了一種全新高壓架構設計方案，通過集成化的設計方案和最優的拓撲設計結構，實現成本最優并滿足系統安全要求。研究表明，此方案滿足系統功能和安全要求，空間布置簡單且質量降低，系統成本低，可實現平臺化推廣。
汽車芯片需要怎樣的處理器架構？
與RISC架構對比，通過使用矢量DSP架構，其提供的性能要求是標準RISC內核的25倍。這種架構還可以與執行人工神經網絡 (ANN) 的能力相結合，用虛擬傳感器替換部分物理傳感器，從而降低成本。
圖3將標準RISC架構與標準FFT內核的 512b寬矢量 DSP 架構進行了比較，從性能和功耗角度來看，我們發現與 RISC 架構相比，矢量DSP架構的優勢更為顯著。
圖 3：與FFT的RISC 相比，矢量 DSP 架構的性能和功效優勢
為了滿足汽車實時應用（如雷達）的性能要求，需要在高性能處理器架構上執行與上述 FFT 內核基準相似的計算密集型算法，譬如新思科技 DesignWare? ARC? EV7x 處理器 IP，帶有緊密集成的深度神經網絡 (DNN) 引擎。
新思科技的DesignWare? ARC? EV7xFS 嵌入式視覺處理器（圖4）完全可編程，融合了軟件解決方案的靈活性和專用硬件的高性能和低功耗等特點。該處理器集成了多達四個高性能 32 位標量內核和 512 位矢量 DSP。它們是完全可編程且可配置的IP內核，采用超長指令字 (VLIW)/單指令多數據 (SIMD) 架構，并具有用于浮點和線性代數/數學計算的優化執行單元。EV7xFS 處理器針對需要功能安全性的高性能嵌入式信號處理或視覺應用進行了優化。為了快速準確地執行卷積神經網絡 (CNN) 或批量的 RNN/LSTM，EV7xFS Processor IP集成了可選的集成式深度神經網絡(DNN) 加速器。
展開 汽車SOA架構技術要點及挑戰
復雜度：目前大多數考慮的是S32G或者TDA4這樣的異構SoC，如何將CP和Linux部署上去，如何保證核間通信，信號轉服務，多VM管理，動態部署及更新等等，復雜度方面比過去單純在MCU上部署CP要復雜太多
時間性：汽車科技感越來越足，如果無法在新的HPC架構實現SOA，很有可能就會被市場淘汰，如何更快地實現SOA并且投入使用，對于后續的市場占有率還是有相當大的聯系的
功能安全：汽車安全非常重要，和在服務器上玩SOA不同，汽車如果無法保證功能安全，則是要人命的事情，用開源Linux如何保證功能安全？即使用了滿足功能安全條件的其他商用Linux，你又如何保證系統級的功能安全呢？
網絡安全：未來的汽車計算單元必然會連接互聯網，如何做到主動監測或者被動處理呢？或者，即使黑客不會謀財害命故意發出非法加速命令，但是偷取你的駕駛數據或者秘密使用車載攝像頭呢？
差異性：架構都差不多，系統做出來如何能做到生態的差異性，以保證和其他競爭對手有差異性呢？
長期支持：SOA是需要做到持續更新的，而一個車型的生命周期可能是十幾年，一套汽車軟件涉及太多組件和供應商，如何保證這樣的長期支持呢？
國內現狀（軟件平臺、基礎軟件）
CP不說了，份額基本就是Vector和EB瓜分了，ETAS也有一部分，然后國內也有使用本地方案，例如東軟，華為之類的。
AP方面，都還在起步階段，EB做的最早，也已經和大眾合作將SOA平臺應用在了ID.3(4)上，但是Vector在國內的市場做的很好，不過像Linux方面還有很多其他商用Linux供應商，競爭還是很激烈的，中間件更是，各種各樣的供應商，都號稱能實現SOA。
展開 蔚來汽車的電子電氣架構
●演進的長期
在開發層面，實現跨域融合優化，提升算力、存儲，盡可能導入Zone區域式I/O控制分布架構，通過電氣新的設計實現冗余控制，在軟件上配合SOA架構, 實現軟件和硬件分離, 運算與IO分離。
其實我的理解，蔚來在這個領域并不激進，一步步在走。
Part 2
傳統勢力的追擊
昨天英偉達公布了公司最新的汽車自動駕駛技術平臺“Drive Hyperion 9”，還官宣了Lucid Motors和比亞迪等電動車制造商將采用Hyperion的平臺架構，新的Drive Hyperion 9平臺將于2026年投入使用。目前英偉達在汽車圈客戶大致可以分為三類：
●造車新勢力
這些企業比較迅速包括蔚來（ET5、ET7）、小鵬（P5、P7、G9）、理想（X01）、威馬（M7）、FF、Lucid Group等。
●傳統車企
包括上汽智己、飛凡汽車，比亞迪、奔馳、捷豹路虎、沃爾沃、現代、奧迪、路特斯等。
●自動駕駛公司
包括通用Cruise、亞馬遜 Zoox、滴滴、沃爾沃商用車、Kodiak、圖森未來、智加科技、AutoX、小馬智行、文遠知行、元戎啟行等。
也就是說，我們能看到分布演進的模式，新勢力和傳統企業沒有差異，都在進行只是更快一些。
▲圖4.比亞迪的加入，進一步加速了智能汽車的競爭
它的架構總共包括汽車一連串的傳感器：車輛外部的14個攝像頭、9個雷達、3個激光雷達傳感器和20個超聲波傳感器，以及車輛內部的3個攝像頭和一個雷達。
展開 汽車芯片需要怎樣的處理器架構？
與RISC架構對比，通過使用矢量DSP架構，其提供的性能要求是標準RISC內核的25倍。這種架構還可以與執行人工神經網絡 (ANN) 的能力相結合，用虛擬傳感器替換部分物理傳感器，從而降低成本。
圖3將標準RISC架構與標準FFT內核的 512b寬矢量 DSP 架構進行了比較，從性能和功耗角度來看，我們發現與 RISC 架構相比，矢量DSP架構的優勢更為顯著。
圖 3：與FFT的RISC 相比，矢量 DSP 架構的性能和功效優勢
為了滿足汽車實時應用（如雷達）的性能要求，需要在高性能處理器架構上執行與上述 FFT 內核基準相似的計算密集型算法，譬如新思科技 DesignWare? ARC? EV7x 處理器 IP，帶有緊密集成的深度神經網絡 (DNN) 引擎。
新思科技的DesignWare? ARC? EV7xFS 嵌入式視覺處理器（圖4）完全可編程，融合了軟件解決方案的靈活性和專用硬件的高性能和低功耗等特點。該處理器集成了多達四個高性能 32 位標量內核和 512 位矢量 DSP。它們是完全可編程且可配置的IP內核，采用超長指令字 (VLIW)/單指令多數據 (SIMD) 架構，并具有用于浮點和線性代數/數學計算的優化執行單元。EV7xFS 處理器針對需要功能安全性的高性能嵌入式信號處理或視覺應用進行了優化。為了快速準確地執行卷積神經網絡 (CNN) 或批量的 RNN/LSTM，EV7xFS Processor IP集成了可選的集成式深度神經網絡(DNN) 加速器。
展開 