76 lines
4.6 KiB
Markdown
76 lines
4.6 KiB
Markdown
# 01-当前研究问题：背景、问题与挑战
|
||
|
||
## 1. 背景
|
||
|
||
当前智能系统正在持续进入控制、装备、交通、工业现场与边缘决策等任务关键场景。随着人工智能推理能力从离线分析走向在线决策，系统对人工智能运行的要求已经扩展为功能有效性、时间约束、运行稳定性与可验证性的统一达标。
|
||
|
||
外部研究与产业表达已经形成较清晰的共识：
|
||
|
||
- AI 用于 safety-critical systems 的安全保障仍在持续推进，系统层面的可控、可验证与可接受性仍是核心议题；
|
||
- QNX、Wind River 等平台方已将 deterministic、predictable、secure 的软件基础与 AI 能力并列讨论；
|
||
- Linux Foundation 对 PREEMPT_RT 的持续推进，表明低延时、低抖动和可预测执行已经成为重要基础能力。
|
||
|
||
在这样的背景下，操作系统已经成为决定 AI 推理能否进入任务关键系统的重要基础平台。尤其当 AI 推理与周期控制、执行闭环、联锁逻辑、通信管理等负载共同运行时，系统时序边界、资源争抢边界与恢复边界都会被重新放大。
|
||
|
||
## 2. 问题
|
||
|
||
本项目聚焦的当前研究问题可以表述为：
|
||
|
||
> **在五类部署形态下，当人工智能目标负载进入任务关键系统后，以大型跨平台实时操作系统为基础平台的系统，是否相较普通 Linux 与 PREEMPT_RT Linux，能够提供更强的确定性、可预测性与实时保障能力，并同时保持人工智能目标负载的功能有效性与时效性？**
|
||
|
||
这个问题包含四个明确支点：
|
||
|
||
1. 研究对象是**大型跨平台实时操作系统**这一类平台；
|
||
2. `SylixOS` 是主实验样例，`QNX`、`VxWorks`、`INTEGRITY`、`LynxOS-178` 等构成外部参照样本；
|
||
3. AI 推理在任务关键系统中被界定为**人工智能目标负载**，与关键保障负载、伴生竞争负载共同构成系统运行面；
|
||
4. 对照对象明确拆分为**普通 Linux** 与 **PREEMPT_RT Linux**，用来建立不同系统基础能力之间的可比关系。
|
||
|
||
项目围绕以下三个判断维度展开：
|
||
|
||
- AI 目标负载与关键保障负载能否在统一系统中稳定共存；
|
||
- 操作系统能否通过调度、隔离、内存管理、中断管理与恢复机制维持系统边界；
|
||
- 系统是否能够同时实现 AI 功能有效性与实时性达标。
|
||
|
||
因此，这个研究问题本质上是一个面向任务关键系统的系统研究问题，也是一个具有产业验证价值的平台比较问题。
|
||
|
||
## 3. 挑战
|
||
|
||
围绕上述问题，当前研究至少面临以下几类核心挑战。
|
||
|
||
### 3.1 五类部署形态下的统一验证挑战
|
||
|
||
`T5~T1` 五类部署形态与 `11` 个代表档位共同构成验证矩阵、证据组织框架与跨场景比较环境。这里的核心挑战，是在不同资源约束、拓扑结构和负载强度下，用统一方法解释 RTOS 的优势边界与失效边界。
|
||
|
||
### 3.2 对照体系的精细化挑战
|
||
|
||
本项目采用三级对照体系：
|
||
|
||
- `O0` 普通 Linux；
|
||
- `O1` PREEMPT_RT Linux；
|
||
- 大型跨平台 RTOS。
|
||
|
||
这一对照设计将普通 Linux 与 PREEMPT_RT Linux 分别建模，用于区分一般低延时收益与 RTOS 在确定性、隔离性和可分析性上的收益来源。
|
||
|
||
### 3.3 双目标同时达标的评价挑战
|
||
|
||
当 AI 被界定为目标负载后，评价体系同时覆盖关键保障负载保护效果，以及 AI 目标负载的有效性、时效性和长期稳定性。因此，评价指标需要同时覆盖：
|
||
|
||
- 关键保障负载：`deadline miss ratio`、`P99/P99.9 jitter`、响应时间边界；
|
||
- AI 目标负载：`TTFT`、`TPOT`、端到端响应时间、成功率、功能质量；
|
||
- 系统协同层：有效吞吐、`E/token`、热漂移、资源争抢边界、恢复能力。
|
||
|
||
### 3.4 多目标负载协调的机制挑战
|
||
|
||
在任务关键系统中，AI 目标负载、关键保障负载与伴生竞争负载共同构成统一运行面。它们在 CPU、内存、总线、中断、DMA、缓存与加速器访问上会形成持续竞争。研究的关键难点在于，RTOS 是否能够把这种竞争收敛为可分析、可控制、可恢复的系统行为边界。
|
||
|
||
## 外部参考
|
||
|
||
1. Linux Foundation, Real-Time Linux Project
|
||
<https://realtime-linux.dev-lfprojects5.linuxfoundation.org/>
|
||
2. QNX, Software Foundation for Physical AI
|
||
<https://qnx.software/en/software/technologies/physical-ai>
|
||
3. Wind River 官网与 Edge AI / mission-critical 相关公开表述
|
||
<https://www.windriver.com/>
|
||
4. Ullrich et al., *AI Safety Assurance for Automated Vehicles: A Survey on Research, Standardization, Regulation*
|
||
<https://arxiv.org/abs/2504.18328v1>
|