來源：TSNLAB 微信公眾號
書接上回加速TSN應用的兩個路徑：流量自學習與組態協同，本文介紹流量自學習（Auto Learning TSN）的設計和實踐案例。
端網協同的TSN方案可以達到最理想的效果，為用戶按需提供100%的de確que定ding性xing保bao障zhang。同tong時shi，這zhe種zhong方fang案an也ye對dui端duan側ce設she備bei的de行xing為wei與yu規gui範fan提ti出chu了le一yi定ding的de要yao求qiu。當dang前qian已yi有you的de大da量liang端duan側ce設she備bei，需xu要yao通tong過guo軟ruan件jian的de升sheng級ji，甚shen至zhi軟ruan件jian和he硬ying件jian的de升sheng級ji，才cai能neng滿man足zu端duan網wang協xie同tongTSN方案的要求。
如(ru)果(guo)用(yong)戶(hu)對(dui)確(que)定(ding)性(xing)有(you)例(li)如(ru)毫(hao)秒(miao)或(huo)亞(ya)毫(hao)秒(miao)量(liang)級(ji)的(de)要(yao)求(qiu)，但(dan)沒(mei)有(you)嚴(yan)苛(ke)到(dao)微(wei)秒(miao)量(liang)級(ji)，亦(yi)或(huo)是(shi)用(yong)戶(hu)對(dui)端(duan)側(ce)升(sheng)級(ji)的(de)成(cheng)本(ben)比(bi)較(jiao)敏(min)感(gan)或(huo)其(qi)它(ta)原(yuan)因(yin)，那(na)麼(me)網(wang)絡(luo)自(zi)學(xue)習(xi)方(fang)案(an)，在(zai)使(shi)用(yong)現(xian)有(you)端(duan)設(she)備(bei)的(de)基(ji)礎(chu)上(shang)一(yi)樣(yang)可(ke)以(yi)實(shi)現(xian)“用戶聲明信息（需求），網絡進行資源預留（配置），用戶發送報文”的TSN方案部署流程。具體地，通過在網絡設備（交換機、路由器等）上識別不同報文所屬的流量，提取流量的源目的地址、周期和突發等特征，然後網絡設備代替用戶向CNC控製器進行用戶信息的聲明。用戶在整個流程中，不參與，不感知，但是流量卻能得到保障。
如下圖所示。該方案使用TSN交換機進行業務感知和流量特性擬合，配合CNC控製器完成網絡端到端的路徑和資源配置，包括逐跳的TSN時間門控列表或者隊列調度配置（優先級、帶寬、緩存等），極大簡化TSN使用難度和消除端側依賴，可以快速部署在工控，數采，監控等行業網絡中進行部署。
自動流量建模技術需要從真實報文序列中提取出數學模型特征（速率，突發，周期性等），並結合網絡服務模型進行網絡性能分析。具體計算處理上主要分為倆大類：工(gong)控(kong)數(shu)據(ju)采(cai)集(ji)類(lei)的(de)周(zhou)期(qi)性(xing)流(liu)量(liang)建(jian)模(mo)，和(he)視(shi)頻(pin)監(jian)控(kong)類(lei)等(deng)突(tu)發(fa)性(xing)流(liu)量(liang)建(jian)模(mo)。其(qi)中(zhong)周(zhou)期(qi)流(liu)量(liang)的(de)流(liu)量(liang)建(jian)模(mo)相(xiang)對(dui)簡(jian)單(dan)，可(ke)使(shi)用(yong)滑(hua)窗(chuang)迭(die)代(dai)計(ji)數(shu)等(deng)方(fang)法(fa)尋(xun)找(zhao)周(zhou)期(qi)等(deng)參(can)數(shu)；相比之下，突發性流量的建模複雜度更高，我們希望尋找到可保障滿足緩存限製和時延確定性的有效帶寬係數。
（一）周期流量自學習
目前，華為S5735I-H TSN交換機已經支持對於PROFINET、EtherCAT、EtherNet/IP等主流工業以太網協議的周期流量的自學習。自學習結果可以上報網絡控製器，進而完成TSN編排計算與配置。
下圖為在某汽車產線的TSN流量自學習實踐案例的拓撲（可參考TSN測試床彙總 （截止2023.12）中的視頻獲取更多信息）：
使能流學習後，TSN交換機可以學習到的結果如下（部分）：
這裏麵，PROFINET控製報文是根據MAC進行單播通信，根據學習到的MAC地址信息，交換機可以配置TSN流量入口識別；根據學習到的流量周期特征、報文大小，網絡控製器可以進行門控編排、並配置到交換機。其中，學習到的流量周期特征（圖中分別為2ms、2ms、8ms）與實際業務在自動化軟件組態中配置的周期是一致的，說明學習結果準確。
（二）突發性流量自學習
一種有效的突發類流量建模（Stat Modeling）方法，是通過輸入流量的[timestamp, burst]抓包序列和網絡緩存/時延/丟包率等SLA約束，統計得出可編排布署的TSN有效帶寬（SGR）。方法細節暫時就不在這裏介紹啦。