Co-Design of In-Vehicle Networks: A Multi-Method Approach for Optimization, Simulation, and Predictive Analysis

Abstract

A evolução das arquiteturas Elétricas/Eletrônicas (E/E, do inglês Electrical/Electronic) automotivas em direção a Veículos Definidos por Software (SDVs, do inglês Software-Defined Vehicles) e direção altamente automatizada (HAD, do inglês Highly Automated Driving) aumenta significativamente as demandas de comunicação nas Redes Veiculares (IVNs, do inglês In-Vehicle Networks). O Ethernet Automotivo, com mecanismos de Rede Sensível ao Tempo (TSN, do inglês Time-Sensitive Networking), fornece a largura de banda e o determinismo necessários. Contudo, sua configuração ótima é um problema complexo e de alta-dimensionalidade. Abordagens tradicionais, como ajuste manual ou algoritmos evolucionários baseados em simulação, enfrentam gargalos computacionais devido às simulações de rede demoradas e tempo-intensivas.

Esta tese apresenta uma metodologia híbrida de otimização para configurar parâmetros TSN em IVNs baseadas em Ethernet. Os parâmetros incluem valores de prioridade para diversas classes de tráfego e "idle slopes" de Shapers Baseados em Crédito (CBS, do inglês Credit-Based Shaper). A metodologia integra um Algoritmo Genético (GA, do inglês Genetic Algorithm) com Redes Neurais Gráficas (GNNs, do inglês Graph Neural Networks). O GA explora o espaço de configuração. Soluções candidatas são avaliadas quanto à sua aptidão (uma métrica composta de latência e largura de banda utilizada) e viabilidade através de simulações de rede. GNNs treinadas, compreendendo um regressor para previsão de aptidão e um classificador para avaliação de viabilidade, atuam como modelos substitutos rápidos no loop do GA. Esta abordagem híbrida reduz significativamente o número de simulações custosas e acelera a otimização, alcançando uma aceleração de 120x no tempo total de otimização em comparação com métodos baseados apenas em simulação.

A metodologia identifica com sucesso configurações de IVN viáveis que atendem aos requisitos de Qualidade de Serviço (QoS, do inglês Quality of Service) em tempo real. Por exemplo, uma rede não provisionada demonstrou significativas violações de latência e saturação de link, tornando-a inviável. Isso resultou em um alto valor de aptidão composto de 0.71, onde pontuações mais baixas indicam melhor desempenho, 0.0 é o ideal e 1.0 representa o pior cenário. Em contraste, as configurações otimizadas consistentemente atenderam a todos os prazos críticos e metas operacionais de carga de link, alcançando valores de aptidão compostos de 0.23 (para otimização apenas com simulação) e 0.25 (para otimização acelerada por GNNs). Essas pontuações representam uma melhoria substancial de mais de 60\% em comparação com a linha de base não provisionada, validando a capacidade da metodologia de provisionar redes de forma eficaz. Esta abordagem contribui para o desenvolvimento de plataformas automotivas ao permitir processos de design mais rápidos e eficientes.

The evolution of automotive Electrical/Electronic (E/E) architectures towards Software Defined Vehicles (SDVs) and highly automated driving (HAD) significantly increases communication demands within In-Vehicle Networks (IVNs). Automotive Ethernet, leveraging Time-Sensitive Networking (TSN) mechanisms, provides the required bandwidth and determinism. However, its optimal configuration is a complex, high-dimensional problem. Traditional approaches, such as manual tuning or simulation-driven evolutionary algorithms, face computational bottlenecks due to time-intensive network simulations.

This work presents a hybrid optimization methodology for configuring TSN parameters in Ethernet-based IVNs. Parameters include priority values for diverse traffic classes and Credit-Based Shaper (CBS) idle slopes. The methodology integrates a Genetic Algorithm (GA) with Graph Neural Networks (GNNs). The GA explores the configuration space. Candidate solutions are evaluated for fitness (a composite metric of latency and used bandwidth) and feasibility via network simulations. Trained GNNs, comprising a regressor for fitness prediction and a classifier for feasibility assessment, serve as rapid surrogate models within the GA loop. This hybrid approach significantly reduces the number of costly simulations and accelerates optimization, achieving a 120x speedup in overall optimization time compared to simulation-only methods.

The methodology successfully identifies feasible IVN configurations that meet real-time Quality of Service (QoS) requirements. For instance, an unprovisioned network demonstrated significant latency violations and link saturation, rendering it unfeasible. This resulted in a high composite fitness score of 0.71, where lower scores indicate better performance, 0.0 is ideal, and 1.0 represents the worst-case. In stark contrast, the optimized configurations consistently met all critical deadlines and operational link load targets, achieving composite fitness scores of 0.23 (for simulation-only optimization) and 0.25 (for GNN-accelerated optimization). These scores represent a substantial improvement of over 60\% compared to the unprovisioned baseline, validating the methodology's ability to provision networks effectively. This approach contributes to the development of automotive platforms by enabling faster and more efficient design processes.