Echtzeit 2021

Berichtet wird über Arbeiten im Bereich der Echtzeitsysteme, die der Autor in verschiedenen Unternehmen und Universitäten durchgeführt hat. Nach ersten Erfahrungen mit Programmiersprachen wie ALGOL 60, FORTRAN, PL/I, ALGOL 68 und CDL als Anwender, begann er mit Forschungsarbeiten im Compilerbau, die auch zu seiner Dissertation führten. Aufgrund dieser Arbeiten und an der TU Berlin durchgeführter Lehrveranstaltungen zur Informatik-Grundausbildung erhielt er das Angebot von Prof. Koster, sich an Entwurf und Implementierung einer neuen Familie von Programmiersprachen (SLAN) zu beteiligen.

Viele Echtzeit-Schedulingalgorithmen für Multicoresysteme lassen Taskmigration zwischen verschiedenen Kernen zu. Das kann zwar die Planbarkeit verbessern, führt aber auch zu Migrationsoverhead, der statisch schwer vorhersehbar ist und potentiell hoch sein kann.

Um diesen Overhead zu reduzieren gibt es verschiedene Ansätze, unter anderem die statische Identifikation von Migrationspunkten mit vergleichsweise geringem Migrationsoverhead. Diese Punkte können von einem semipartitionierten Schedulingalgorithmus bei der Aufteilung migrierender Tasks verwendet werden, sodass diese zur Laufzeit immer am statisch gewählten Migrationspunkt migrieren.

Diese Einschränkung reduziert zwar den Migrationsoverhead, verhindert aber eine Vermeidung von Migration bei günstigen Laufzeiten. Um dieses Problem zu umgehen, werden im Folgenden Algorithmen für die dynamische Auswahl von Migrationspunkten präsentiert, die, abhängig von Laufzeitinformationen, den spätestmöglichen Migrationspunkt auswählen, sodass Taskmigration bei günstigen Laufzeiten vermieden wird.

Diese Algorithmen sind auf alle semipartitionierten Algorithmen anwendbar, die statische Migrationspunkte verwenden, ohne dabei die Planbarkeit von Tasksets zu beeinträchtigen. Auch bei Berücksichtigung des Overheads, der durch dynamische Migrationsentscheidungen verursacht wird, wird durch theoretische Analyse und Zeitmessungen gezeigt, dass für jeden Teil eines migrierenden Tasks nur ein konstanter, geringer Overhead mit eingerechnet werden muss.

Die jüngsten Fortschritte bei hardwarebasierten Beschleunigern für Machine Learning – insbesondere für Deep Learning – ermöglichen durch hohe Spezialisierung den Einsatz solcher Methoden auch auf resourcenbeschränkten Plattformen mit Anspruch auf eine deterministische Ausführung. Zu solchen gehören unter anderem eingebettete und Echtzeit-Systeme, die in der Regel hohen Anforderungen in Hinblick auf ihr Energie- und Laufzeitverhalten genügen müssen. Beim Design von Deep Neural Networks für solche Plattformen ist das Wissen über den Ressourcenbedarf für die Ausführung von Machine-Learning-Workloads damit von entscheidender Bedeutung. Diese Arbeit stellt einen Ansatz sowie eine praktische Implementierung vor mit dem Ziel, die Ausführungszeit und den Stromverbrauch von Convolutional Neural Networks und Fully Connected Neural Networks mit Hilfe von Vorhersagemodellen abschätzen zu können. Die Auswertung geschieht dabei auf einer handelsüblichen, eingebetteten Beschleunigerhardware für die Ausführung von Deep Neural Networks (hier: Google Coral Edge TPU).

Dynamic Vision Sensoren (DVS) unterscheiden sich von herkömmlichen Kameras darin, dass nur die Intensitätsänderungen einzelner Pixel wahrgenommen und als asynchrone Events übertragen werden. Es entsteht kein gesamtes Intensitätsbild. Die Technologie verspricht unter anderem eine hohe zeitliche Auflösung, geringe Latenzzeiten und Datenraten. Während derartige Sensoren derzeit viel wissenschaftliche Aufmerksamkeit genießen, gibt es nur wenige Veröffentlichungen, die ihren Erfolg in der Praxis belegen. Ein Anwendungsbereich, der bisher kaum betrachtet wurde, aber aufgrund seiner besonderen Eigenschaften besonders für den Einsatz von DVS erscheint, ist die automatische Sichtprüfung. In dieser Arbeit werden bestehende Event-basierte Algorithmen evaluiert, auf das neue Anwendungsgebiet angepasst und erprobt. Darüber hinaus wird ein algorithmischer Ansatz präsentiert, der auf Basis von Events das optimale Zeitfenster für eine Objektklassifizierung bestimmt. Zur Evaluierung der Methoden werden zwei neue Datensätze generiert, die typische Szenarien der automatischen Sichtprüfung abdecken, wie beispielsweise die Klassifizierung von texturierten Objekten auf einem Förderband und im freien Fall. Die Ergebnisse zeigen, dass die Zeitfensteroptimierung die Korrektklassifizierungsrate bestehender Algorithmen deutlich erhöht. Darüber hinaus wird aufgezeigt, dass DVS aufgrund ihrer intrinsischen Eigenschaften neue Möglichkeiten im Bereich der automatischen Sichtprüfung bieten.

Die Kryptowährung Bitcoin wird vorgestellt. Die Diskussion ihrer Eigenschaften unter Heranziehung von Originalzitaten aus ihrem definierenden Dokument führt zu dem Ergebnis, dass die Kryptowährung inhärent unsicher und nicht echtzeitfähig ist und dass die Erzeugung der Bitcoins und Durchführung von Transaktionen mit nicht vertretbarer Ressourcenverschwendung einhergeht. Deshalb ist der Bitcoin als elektronisches Zahlungssystem, insbesondere für den weltweiten Einsatz im alltäglichen Zahlungssystem, völlig ungeeignet.

In sicherheitskritischen Echtzeitsystemen ist eine der Herausforderungen die Festlegung einer zeitlichen oberen Schranke für die Ausführungszeit der Applikation. Aktuell werden hierzu statische Worst Case Execution Time (WCET)-Analysen eingesetzt, die exakte Kenntnisse über die Prozessoren besitzen, jedoch einen konfliktfreien Zugriff auf externe Ressourcen voraussetzen. Durch den Anstieg an Peripherie und der daraus resultierenden Steigerung des Datenverkehrs innerhalb einer Mikrocontroller Unit (MCU) reicht eine reine CPU-getriebene Verarbeitung des Datenverkehrs nicht mehr aus. Ein Ansatz zur Entlastung ist die Nutzung eines DMA-Controller (DMAC), mit dem Nachteil von auftretenden Ressourcenkonflikten. Um hier dennoch eine vertretbare obere Schranke der Ausführungszeit angeben zu können, müssen bei zukünftigen Analysen die Informationen paralleler Zugriffe mit in Betracht der statischen WCET-Analyse gezogen werden. Dieser Artikel stellt ein Konzept vor, welches anhand detaillierter Informationen der gesamten MCU, einschließlich CPU, DMAC und interner Verbindungsnetzwerke, eine Berechnung der WCET mit asynchroner Ein-/Ausgabe (EA) ermöglicht.

In diesem Papier wird ein Innenraum-Positions-system basierend auf der Bluetooth Low Energy Version 5.1 und der Ultrabreitband-Technologie vorgestellt. Die Fusion ist notwendig, da die einzelnen Technologien alleine keine ausreichend hohe Genauigkeit besitzen. Bei vorherigen Lösungen auf Basis von Bluetooth lag die Genauigkeit im Meterbereich. Somit war es nicht möglich, zuverlässig in der Größenordnung von Innenräumen, Positionen zu bestimmen.

In sicherheitskritischen Systemen mit einer harten Echtzeitanforderung in automobilen Anwendungen steigt der Bedarf an Rechenleistung stetig an. Um dieser zunehmenden Nachfrage gerecht zu werden, haben die Hersteller entsprechender Mikrocontroller in den letzten Jahren vorwiegend die Anzahl der Prozessorkerne erhöht. Durch dieses Vorgehen ist es möglich, die Funktionalitäten verschiedener Steuergeräte in einem zentralen Integrationssteuergerät zusammenzuführen, woraus sich Vorteile beim Energieverbrauch, dem Bedarf an Bauraum sowie bei den Herstellungskosten ergeben. Dabei ist jedoch zu beachten, dass bei der Kombination von Funktionalitäten unterschiedlicher Kritikalität die Rückwirkungsfreiheit bei Laufzeit und Speicher gegeben sein muss. Dies stellt eine Herausforderung dar, da bei konkurrierenden Zugriffen auf geteilte Ressourcen, wie Bussysteme, Speicher oder Peripherien, Wartezeiten entstehen können. Die Komplexität der Bewertung dieser Verzögerungen und der damit verbundenen Auswirkungen steigt mit der Anzahl der Prozessorkerne stetig an, weswegen die Integration weiterer Kerne für zukünftige Leistungssteigerungen nur bedingt geeignet ist. Eine Alternative stellen Hardware-Beschleuniger dar, welche häufig genutzte Operationen signifikant schneller ausführen können. Deshalb wird in diesem Artikel eine Übersicht zu den derzeit am Markt befindlichen Hardware-Beschleunigern für sicherheitskritische Echtzeitsysteme in automobilen Anwendungen gegeben. Neben dieser Übersicht warden Sicherheitsanforderungen sowie eine Klassifizierung zur besseren Gruppierung vorgeschlagen und erörtert. Abschließend werden Empfehlungen für zukünftige Hardware-Beschleuniger gegeben und deren potentielle Einsatzmöglichkeiten diskutiert.

Recent developments in the area of autonomous driving lead to an exponential growth of software complexity in the automotive industry. To cope with those increasing demands on computational power and software architectures, new developments in the area of electronic control units (ECU) emerged, like the ability to partition AUTomotive Open System ARchitecture (AUTOSAR) Classic Software with Software Clusters (SWCL) and the introduction of embedded high performance computers in the Electric-/Electronic-Architecture (E-/E-Architecture). At the same time the demand for high availability of critical functionalities rises with the degree of automatization. This paper presents a new flexible and resource-saving fail operational strategy, which increases the availability of a system by instrumenting SWCL and embedded high performance computers.

Der Kommunikationsbedarf in automobilen Systemen steigt seit Jahren signifikant an. Moderne Technologien, wie das automatisierte Fahren, die Vernetzung der Fahrzeuge untereinander, aber auch mit der umgebenden Infrastruktur, sowie die Möglichkeit der permanenten Online-Anbindung, erfordern immer höhere Datenraten mit möglichst geringer Latenz. Bedingt durch diese neuen Funktionalitäten sowie dem zunehmenden Trend zur Zentralisierung von Steuergeräten im Fahrzeug steigt der Bedarf an breitbandiger Vernetzung auch innerhalb der Automobile wesentlich an. Um dieser Anforderung gerecht zu werden, erfolgt ebenfalls in sicherheitskritischen Systemen zunehmend der Einsatz von Ethernet-basierten Kommunikationssystemen mit Übertragungsraten im Bereich von bis zu 1 Gbit/s. Um diese hohen Datenraten durch die verwendeten Multicore-Mikrocontroller bereit zu stellen, sind schnelle Anbindungen an die internen Speicher essentiell. Doch gerade in Mikrocontrollern mit mehreren Prozessorkernen können durch konkurrierenden Zugriffe auf geteilte Speicher Wartezyklen entstehen, welche die Geschwindigkeit der Ethernet-Kommunikation sowie die Einhaltung von kritischen Zeitzielen massiv beeinflussen. Aus diesem Grund werden in diesem Artikel Ansätze untersucht, welche mittels eines optimierten Speichermanagements die Übertragungsraten von echtzeitfähigen Multicore-Mikrocontrollern deutlich steigern und die Vorhersagbarkeit verbessern können. Zur Validierung der vorgestellten Ansätze erfolgt eine Evaluierung auf einem Multicore-Mikrocontroller für sicherheitskritische Anwendungen auf Basis der Infineon AURIX-Familie mit einem kommerziellen AUTOSAR-Stack.

Zeitgesteuerte Kommunikationsprotokolle bieten eine Vielzahl von Vorteilen für die Konstruktion von sicherheitskritischen Echtzeitapplikationen: der Nachrichtentransport ist zeitlich determiniert und die Realisierung von Fehlertoleranz durch die Replikation von Knoten bzw. des Netzwerks kann sehr einfach umgesetzt werden. Außerdem unterstützt die Spezifikation des statischen, über die Zeit vorhersagbaren Zugriffsverhaltens der Netzwerkschnittstelle die Composability von Netzwerkkomponenten im Zeitbereich. In dieser Arbeit zeigen wir, wie Echtzeitapplikationen in Abhängigkeit von ihren Anforderungen die Schnittstelle eines zeitgesteuerten Kommunikationssystems auf unterschiedliche Weise verwenden und von den Eigenschaften der zeitgesteuerten Kommunikation profitieren können.

Der Beitrag beschreibt einen neuen Ansatz zur Implementierung von Konferenzsystemen mit verringerten Hardware- und Netzwerkanforderungen bei gleichzeitiger Reduzierung der Echtzeitanforderungen.

Der Einsatz automatisierter Zustandsüberwachungen für technische Systeme hat in der Automobilindustrie große Bedeutung erlangt. Optimierungen des Thermomanagements und der darin inbegriffenen Temperaturüberwachung des Elektromotors sind daher zum zentralen Aufgabenfeld für Automobilhersteller und -zulieferer geworden. Um Überlastungsfolgen sowie ineffiziente Kühlprozesse vorzubeugen, haben wir Verfahren des maschinellen Lernens untersucht und Vorhersagemodelle für die Temperaturermittlung der Permanentmagnete entwickelt. Durch die Analyse verfügbarer Sensordaten haben wir eine effiziente Methode für die Repräsentation der fortlaufenden Zeitreihendaten entworfen, wobei relevante Informationen aus dem vergangenen zeitlichen Ablauf berücksichtigt wurden. Der dadurch gewonnene Merkmalsvektor ist sowohl kompakt als auch informativ. Somit entbehrt die Notwendigkeit, ein sogenanntes Deep-Model für die Temperaturschätzung einzusetzen, was zur verbesserten Echtzeitfähigkeit des Verfahrens beigetragen hat. Die Vorhersagequalität des von uns entwickelten Ansatzes wurde durch Experimente bewertet. Der Vergleich mit einem alternativen Verfahren, das auf einer linearen Regression basiert, demonstriert das höhere Potenzial des vorgeschlagenen Verfahrens mit neuronalen Netzen.

Dieses Paper beschäftigt sich mit Laufzeitoptimierung der Machine-Learning-Algorithmen „Naive Bayes“ und „K-Nearest Neighbour (KNN)“ zur Erreichung von Echtzeitbedingungen. In einem ersten Schritt werden Maßnahmen zur Vorverarbeitung und Bereinigung der Daten untersucht. Darauf aufbauend wurde eine Zeitanalyse der Algorithmen durchgeführt und die Ergebnisse miteinander verglichen. Bei diesen haben wir uns mit der Frage beschäftigt, wie das bestmögliche Resultat von rechtzeitigen Ergebnissen bei Echtzeit-Kriterien erzielt werden kann. Um diese zu beantworten, werden die Daten zunächst vorbereitet und bereinigt. Anschließend werden die gelabelten Daten mit Hilfe von den Algorithmen mit einer hohen Genauigkeit klassifiziert. Schließlich erfolgt eine Zeitanalyse und Untersuchung mehrerer Methoden zur Distanz- und Merkmalmanipulation, um eine Zeitoptimierung unter Echtzeitbedingungen zu erreichen.