车载以太网之要火系列 - 第49篇郭大侠学SOME/IP:人说SOME/IP虽好,对手已在路上跑

news2026/5/18 22:34:59
写在开篇·蓉儿又挖坑上回说到郭靖学完了SOME/IP的十八般武艺——报文头、Service ID、Instance ID、Method、Event、Field、SD的Offer/Find/Subscribe三驾马车。郭靖合上笔记本信心满满“蓉儿SOME/IP我算是学透了服务发现、远程调用、事件通知全都会了”黄蓉咬了口糖葫芦“那好我问你——SOME/IP就没有缺点吗有没有它搞不定的场景”郭靖一愣“这……”“SOME/IP虽好但江湖上还有更高的山。今天就把SOME/IP的优缺点讲透让你知道——为什么行业里还在找‘更好的方案’。”一、SOME/IP的优点复习一下黄蓉在白板上写下SOME/IP的核心优势优点说明车窗例子轻量高效头部仅12字节适合车载以太网带宽有限场景车窗控制报文只有几十字节服务发现SD动态发现服务不用硬编码IP座舱自动找到车窗ECU灵活通信模式支持RR、FireForget、Event、Field升窗用RR位置变化用Event面向服务符合SOA架构接口清晰车窗服务有明确的Service ID和Method IDAUTOSAR原生支持AP和CP都原生支持SOME/IPOEM开发方便确定性设计目标是“可预测”而非“极速”适合周期性状态上报“SOME/IP是车载以太网的‘原住民’和AUTOSAR配合得天衣无缝。”二、SOME/IP的缺点痛点在哪里黄蓉继续写SOME/IP的不足缺点说明影响QoS支持弱没有内置的服务质量保证机制无法区分“刹车信号”和“娱乐信号”的优先级实时性一般基于UDP/TCP没有时间同步不适合自动驾驶等硬实时场景大数据传输效率低需要SOME/IP-TP分包有额外开销刷写固件、传输大数据块时效率不高可靠性依赖底层UDP不保证可靠TCP有握手开销需要应用层自己处理重传没有内置加密安全机制需要额外实现如SecOC需要额外开发安全模块郭靖问“QoS是啥”黄蓉“QoS Quality of Service 服务质量。简单说就是‘谁能插队谁得排队’。”她画了一个例子┌─────────────────────────────────────────────────────────────────────┐ │ 没有QoS大家都一样 │ ├─────────────────────────────────────────────────────────────────────┤ │ │ │ 刹车信号紧急—— 排队 —— [慢悠悠发送] —— 刹车延迟 │ │ 娱乐信号不紧急—— 排队 —— [正常发送] │ │ │ └─────────────────────────────────────────────────────────────────────┘ ┌─────────────────────────────────────────────────────────────────────┐ │ 有QoS刹车可以插队 │ ├─────────────────────────────────────────────────────────────────────┤ │ │ │ 刹车信号高优先级—— 插队—— [立即发送] —— 刹车及时 │ │ 娱乐信号低优先级—— 排队等待 —— [稍后发送] │ │ │ └─────────────────────────────────────────────────────────────────────┘“SOME/IP本身没有QoS机制刹车信号和娱乐信号在同一个队列里谁先谁后不确定。这在自动驾驶里是不能接受的。”三、SOME/IP适合什么场景黄蓉画了一张“SOME/IP适用场景图”场景适合吗原因车身控制车窗、空调、灯光✅ 非常适合消息小周期性不要求超低延迟远程过程调用RPC✅ 非常适合Method/Response模式天然支持状态上报Event/Field✅ 非常适合事件通知按需推送诊断UDS over IP✅ 非常适合DoIP就用SOME/IP传输UDS音视频流❌ 不太适合大数据流需要QoS和带宽管理自动驾驶超低延迟❌ 不太适合需要微秒级延迟和确定性调度固件刷写大数据⚠️ 可用但不优需要SOME/IP-TP分包效率不高四、SOME/IP的“天花板”郭靖问“那SOME/IP搞不定的场景行业里怎么办”黄蓉叹了口气“车的架构在变。”阶段架构通信需求主角过去分布式几十个ECU简单的信号和控制CAN、LIN现在域集中几个域控制器服务化、RPCSOME/IP未来中央计算区域控制器超低延迟、大数据、QoS“自动驾驶需要微秒级的延迟需要刹车信号能插队需要点云数据高效传输。这些SOME/IP给不了。”郭靖追问“那给得了的是什么”黄蓉摇摇头没有直接回答“有些场景下SOME/IP像一把趁手的****——轻快、够用、江湖上人人都会。但当你面对自动驾驶、超低延迟、海量数据时这把匕首就有些力不从心了。”她顿了顿“江湖上还藏着另一门功夫。它的名号叫DDS。”郭靖怔住“DDS”黄蓉合上笔记本站起身来“那是另一座山。山上的风景等你翻过这座坡我再讲给你听。”五、黄蓉的小本本郭靖翻开她的笔记本上面写着SOME/IP优缺点总结优点轻量高效头部仅12字节SD动态服务发现灵活通信模式RR、Event、FieldAUTOSAR原生支持缺点QoS支持弱无法区分优先级实时性一般没有时间同步大数据传输效率低安全机制需额外开发适合场景车身控制、RPC、诊断 →SOME/IP够用不够用的场景自动驾驶、超低延迟、大数据 →需要更强的协议SOME/IP是“够用”但不是“万能”。写在最后郭靖合上笔记本“SOME/IP轻量高效适合车身控制、RPC、诊断。但它QoS弱、实时性一般。自动驾驶需要超低延迟和优先级控制SOME/IP给不了。”黄蓉咬了口糖葫芦“SOME/IP虽好但江湖上还有更高的山。你知道那个山叫什么吗”郭靖摇头。黄蓉眨眨眼“下篇预告DDS——数据分发服务的江湖传说。”打完收工886。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/2623048.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

SpringBoot-17-MyBatis动态SQL标签之常用标签

文章目录 1 代码1.1 实体User.java1.2 接口UserMapper.java1.3 映射UserMapper.xml1.3.1 标签if1.3.2 标签if和where1.3.3 标签choose和when和otherwise1.4 UserController.java2 常用动态SQL标签2.1 标签set2.1.1 UserMapper.java2.1.2 UserMapper.xml2.1.3 UserController.ja…

wordpress后台更新后 前端没变化的解决方法

使用siteground主机的wordpress网站,会出现更新了网站内容和修改了php模板文件、js文件、css文件、图片文件后,网站没有变化的情况。 不熟悉siteground主机的新手,遇到这个问题,就很抓狂,明明是哪都没操作错误&#x…

网络编程(Modbus进阶)

思维导图 Modbus RTU(先学一点理论) 概念 Modbus RTU 是工业自动化领域 最广泛应用的串行通信协议,由 Modicon 公司(现施耐德电气)于 1979 年推出。它以 高效率、强健性、易实现的特点成为工业控制系统的通信标准。 包…

UE5 学习系列(二)用户操作界面及介绍

这篇博客是 UE5 学习系列博客的第二篇,在第一篇的基础上展开这篇内容。博客参考的 B 站视频资料和第一篇的链接如下: 【Note】:如果你已经完成安装等操作,可以只执行第一篇博客中 2. 新建一个空白游戏项目 章节操作,重…

IDEA运行Tomcat出现乱码问题解决汇总

最近正值期末周,有很多同学在写期末Java web作业时,运行tomcat出现乱码问题,经过多次解决与研究,我做了如下整理: 原因: IDEA本身编码与tomcat的编码与Windows编码不同导致,Windows 系统控制台…

利用最小二乘法找圆心和半径

#include <iostream> #include <vector> #include <cmath> #include <Eigen/Dense> // 需安装Eigen库用于矩阵运算 // 定义点结构 struct Point { double x, y; Point(double x_, double y_) : x(x_), y(y_) {} }; // 最小二乘法求圆心和半径 …

使用docker在3台服务器上搭建基于redis 6.x的一主两从三台均是哨兵模式

一、环境及版本说明 如果服务器已经安装了docker,则忽略此步骤,如果没有安装,则可以按照一下方式安装: 1. 在线安装(有互联网环境): 请看我这篇文章 传送阵>> 点我查看 2. 离线安装(内网环境):请看我这篇文章 传送阵>> 点我查看 说明&#xff1a;假设每台服务器已…

XML Group端口详解

在XML数据映射过程中&#xff0c;经常需要对数据进行分组聚合操作。例如&#xff0c;当处理包含多个物料明细的XML文件时&#xff0c;可能需要将相同物料号的明细归为一组&#xff0c;或对相同物料号的数量进行求和计算。传统实现方式通常需要编写脚本代码&#xff0c;增加了开…

LBE-LEX系列工业语音播放器|预警播报器|喇叭蜂鸣器的上位机配置操作说明

LBE-LEX系列工业语音播放器|预警播报器|喇叭蜂鸣器专为工业环境精心打造&#xff0c;完美适配AGV和无人叉车。同时&#xff0c;集成以太网与语音合成技术&#xff0c;为各类高级系统&#xff08;如MES、调度系统、库位管理、立库等&#xff09;提供高效便捷的语音交互体验。 L…

(LeetCode 每日一题) 3442. 奇偶频次间的最大差值 I (哈希、字符串)

题目&#xff1a;3442. 奇偶频次间的最大差值 I 思路 &#xff1a;哈希&#xff0c;时间复杂度0(n)。 用哈希表来记录每个字符串中字符的分布情况&#xff0c;哈希表这里用数组即可实现。 C版本&#xff1a; class Solution { public:int maxDifference(string s) {int a[26]…

【大模型RAG】拍照搜题技术架构速览:三层管道、两级检索、兜底大模型

摘要 拍照搜题系统采用“三层管道&#xff08;多模态 OCR → 语义检索 → 答案渲染&#xff09;、两级检索&#xff08;倒排 BM25 向量 HNSW&#xff09;并以大语言模型兜底”的整体框架&#xff1a; 多模态 OCR 层 将题目图片经过超分、去噪、倾斜校正后&#xff0c;分别用…

【Axure高保真原型】引导弹窗

今天和大家中分享引导弹窗的原型模板&#xff0c;载入页面后&#xff0c;会显示引导弹窗&#xff0c;适用于引导用户使用页面&#xff0c;点击完成后&#xff0c;会显示下一个引导弹窗&#xff0c;直至最后一个引导弹窗完成后进入首页。具体效果可以点击下方视频观看或打开下方…

接口测试中缓存处理策略

在接口测试中&#xff0c;缓存处理策略是一个关键环节&#xff0c;直接影响测试结果的准确性和可靠性。合理的缓存处理策略能够确保测试环境的一致性&#xff0c;避免因缓存数据导致的测试偏差。以下是接口测试中常见的缓存处理策略及其详细说明&#xff1a; 一、缓存处理的核…

龙虎榜——20250610

上证指数放量收阴线&#xff0c;个股多数下跌&#xff0c;盘中受消息影响大幅波动。 深证指数放量收阴线形成顶分型&#xff0c;指数短线有调整的需求&#xff0c;大概需要一两天。 2025年6月10日龙虎榜行业方向分析 1. 金融科技 代表标的&#xff1a;御银股份、雄帝科技 驱动…

观成科技:隐蔽隧道工具Ligolo-ng加密流量分析

1.工具介绍 Ligolo-ng是一款由go编写的高效隧道工具&#xff0c;该工具基于TUN接口实现其功能&#xff0c;利用反向TCP/TLS连接建立一条隐蔽的通信信道&#xff0c;支持使用Let’s Encrypt自动生成证书。Ligolo-ng的通信隐蔽性体现在其支持多种连接方式&#xff0c;适应复杂网…

铭豹扩展坞 USB转网口 突然无法识别解决方法

当 USB 转网口扩展坞在一台笔记本上无法识别,但在其他电脑上正常工作时,问题通常出在笔记本自身或其与扩展坞的兼容性上。以下是系统化的定位思路和排查步骤,帮助你快速找到故障原因: 背景: 一个M-pard(铭豹)扩展坞的网卡突然无法识别了,扩展出来的三个USB接口正常。…

未来机器人的大脑:如何用神经网络模拟器实现更智能的决策?

编辑&#xff1a;陈萍萍的公主一点人工一点智能 未来机器人的大脑&#xff1a;如何用神经网络模拟器实现更智能的决策&#xff1f;RWM通过双自回归机制有效解决了复合误差、部分可观测性和随机动力学等关键挑战&#xff0c;在不依赖领域特定归纳偏见的条件下实现了卓越的预测准…

Linux应用开发之网络套接字编程(实例篇)

服务端与客户端单连接 服务端代码 #include <sys/socket.h> #include <sys/types.h> #include <netinet/in.h> #include <stdio.h> #include <stdlib.h> #include <string.h> #include <arpa/inet.h> #include <pthread.h> …

华为云AI开发平台ModelArts

华为云ModelArts&#xff1a;重塑AI开发流程的“智能引擎”与“创新加速器”&#xff01; 在人工智能浪潮席卷全球的2025年&#xff0c;企业拥抱AI的意愿空前高涨&#xff0c;但技术门槛高、流程复杂、资源投入巨大的现实&#xff0c;却让许多创新构想止步于实验室。数据科学家…

深度学习在微纳光子学中的应用

深度学习在微纳光子学中的主要应用方向 深度学习与微纳光子学的结合主要集中在以下几个方向&#xff1a; 逆向设计 通过神经网络快速预测微纳结构的光学响应&#xff0c;替代传统耗时的数值模拟方法。例如设计超表面、光子晶体等结构。 特征提取与优化 从复杂的光学数据中自…