AERO：物联网间歇供电设备的DAG任务调度OTA更新方案

1. 项目概述

在物联网（IoT）设备领域，OTA（Over-The-Air）更新技术是确保设备长期安全运行和功能迭代的关键手段。然而，对于依赖环境能量收集（Energy-Harvesting, EH）的间歇供电设备而言，传统OTA更新方案面临着严峻挑战。这类设备从太阳能、热能或射频信号等环境源获取能量，其供电不稳定且间歇的特性使得传统依赖设备重启的更新机制难以可靠工作。

AERO（Adaptive and Efficient Runtime-Aware OTA）创新性地提出了一种基于有向无环图（DAG）的运行时感知更新机制。与现有方案相比，AERO的核心突破在于将更新任务无缝集成到设备运行的DAG任务调度系统中，通过动态调整任务依赖关系，实现更新任务与常规任务的协同执行。这种方法不仅避免了传统方案中因重启导致的高能耗问题，还能在能量波动的环境下保证更新过程的一致性。

2. 技术背景与挑战

2.1 能量收集物联网设备的特性

能量收集物联网设备具有几个显著特征：

• 间歇供电：能量供应不稳定，设备可能在任何时刻因能量耗尽而停止工作
• 有限能量预算：每次收集的能量通常仅能支持短时间运行
• 非易失性内存依赖：频繁断电要求使用FRAM等非易失性存储器保存关键状态
• 细粒度任务分解：将工作分解为能在短暂供电期间完成的小任务

这些特性使得传统的"接收-存储-重启"OTA更新模式面临巨大挑战。每次重启不仅消耗宝贵能量，还可能导致更新过程中断，造成系统不一致甚至完全失效。

2.2 现有OTA更新方案的局限

当前OTA更新技术主要分为三类：

1. 完整镜像更新：

   • 传输并替换整个固件镜像
   • 优点：实现简单
   • 缺点：传输量大，存储需求高，重启耗能严重

2. 增量更新：

   • 仅传输修改部分的差异(delta)
   • 优点：减少传输数据量
   • 缺点：仍需重启，且差异计算可能复杂

3. 实时(Live)更新：

   • 运行时直接修改内存中的代码
   • 优点：无需重启
   • 缺点：可能导致新旧代码版本间的执行不一致

特别对于EH设备，现有方案存在几个关键问题：

• 无法保证更新过程中断电时的状态一致性
• 缺乏对更新任务与常规任务间依赖关系的管理
• 不能充分利用任务调度中的空闲时段进行渐进式更新

3. AERO架构设计

3.1 核心设计思想

AERO的创新在于将OTA更新视为一类特殊任务，纳入设备的DAG任务调度系统。其核心思想包括：

1. 更新任务DAG集成：将更新任务及其依赖关系建模为DAG的一部分
2. 运行时感知：动态检测当前执行状态，智能决定更新时机
3. 一致性保障：通过相互依赖更新组(Mutually Dependent Update Group)确保原子性
4. 能量自适应：根据可用能量动态调整更新进度

3.2 系统架构

AERO的系统架构包含以下关键组件：

1. 更新接收任务(urt)：

   • 负责接收和缓冲传入的更新数据包
   • 实现分包处理和完整性校验

2. 更新解码任务(udt)：

   • 解析更新数据包格式
   • 重构更新任务及其元数据

3. 依赖处理任务(dpt)：

   • 分析更新任务与现有任务的依赖关系
   • 识别更新影响区域(Update-Affected Block)

4. DAG更新任务(dut)：

   • 动态修改运行时的DAG结构
   • 插入更新任务并调整相关依赖

5. 统一调度器：

   • 协调常规任务和更新任务的执行顺序
   • 考虑能量预算和时序约束

3.3 数据包格式设计

AERO采用了一种轻量级的依赖驱动更新数据包格式：

+-------------------+-------------------+-------------------+ | Group字段(可选) | 操作头(3字节) | 更新内容块(N字节) | +-------------------+-------------------+-------------------+

Group字段：

• 仅在首个数据包中出现
• 位图编码，标识哪些现有任务与本次更新相关
• 支持增量处理，允许内存受限设备分段处理大更新

操作头：

• 操作码(2位)：标识更新类型（修改/添加/删除）
• DAG标志位(1位)：指示是否包含依赖关系变更
• 任务ID：标识被更新的目标任务

更新内容块：

• 当DAG标志置位时，前N位为依赖关系位图
• 剩余部分为实际的更新代码或数据

这种紧凑的格式设计充分考虑了EH设备的资源限制，同时保留了必要的依赖关系信息，为运行时一致性保障奠定了基础。

4. 关键算法实现

4.1 运行时DAG调整算法

算法1展示了AERO如何在运行时动态调整DAG以集成更新任务。其核心步骤如下：

1. 虚拟起始节点插入：

   • 向DAG添加虚拟节点s，连接所有原起始节点
   • 确保即使更新影响DAG入口，也能临时阻塞执行

2. 更新影响区域识别：

   • 根据相互依赖更新组M，计算最小更新影响块B
   • 包含M中所有任务及其连接路径上的中间节点

3. 执行流控制：

   • 备份所有进入B的边，然后临时移除这些边
   • 防止在更新完成前进入影响区域

4. 更新任务集成：

   • 对于每个更新任务ui及其关联任务ti：
     • 如果是新任务：添加ui和ti到DAG
     • 如果当前在执行B内：延迟更新直到ti完成
     • 否则：在ti前插入ui任务

该算法确保了更新期间的系统一致性，同时最大限度减少了常规任务的中断。

4.2 统一调度算法

算法2实现了更新任务与常规任务的协同调度：

1. 任务优先级队列：

   • 按截止时间(deadline)和预设优先级排序
   • 仅选择所有前驱已完成的任务入队

2. 任务分派执行：

   • 常规任务：直接执行
   • 更新任务：
     • 若含DAG变更：先添加新依赖边
     • 应用更新操作（代码/数据修改）

3. 更新完成处理：

   • 恢复之前阻塞的进入B的边
   • 清理辅助节点和临时结构
   • 保存最终DAG状态到非易失存储器

调度器采用能量感知策略，在能量充足时优先执行高优先级常规任务，在能量受限或任务间隙执行更新任务，实现系统功能与更新维护的最佳平衡。

5. 实际应用与性能评估

5.1 实验设置

研究团队在TI MSP430FR5994微控制器上实现了AERO原型，这是典型的EH物联网设备平台，具有：

• 超低功耗设计（运行电流<100μA/MHz）
• 嵌入式FRAM（非易失性内存）
• 有限的计算资源（16MHz CPU，256KB FRAM）

评估使用四种代表性工作负载：

1. 快速排序（计算密集型线性任务）
2. AES加密（并行硬件/软件路径）
3. LeNet-5神经网络（严格线性管道）
4. 心率监测（分叉-合并DAG）

5.2 更新场景设计

设计了六种更新场景，覆盖两类修改：

功能修改：

1. 修改排序算法中的比较函数
2. 将AES密钥从128位扩展到192位
3. 替换神经网络最后一层结构

参数修改：

1. 调整AES加密块大小
2. 新增传感器支持驱动
3. 更新心率算法参数和UART配置

更新大小从280字节到6KB不等，模拟从微小补丁到重大升级的各种情况。

5.3 性能对比结果

与两种基线方案（传统实时更新和间歇性更新）相比，AERO展现出显著优势：

1. 更新错误率：

   • AERO在所有场景保持0%错误
   • 实时更新在复杂场景错误率达98.3%
   • 间歇性更新虽无错误但更新延迟长

2. 完成时间：

   • AERO比间歇性更新快15-40%
   • 与实时更新相当，但在大更新时更可靠

3. 截止时间满足率：

   • AERO与间歇性更新相当
   • 在大更新场景优于实时更新7-12%

特别在能量波动剧烈的环境下，AERO通过智能的任务调度和DAG调整，既保证了系统功能的实时性，又确保了更新过程的可靠性。

6. 实现考量与优化技巧

6.1 内存管理优化

EH设备通常内存有限，AERO实现了多项优化：

1. 增量处理：

   • 大更新分解为多个小包
   • 每个包包含足够信息支持独立处理
   • 减少峰值内存使用

2. 压缩存储：

   • 依赖关系使用位图编码
   • 公共代码片段共享存储
   • 更新包应用后立即释放缓冲

3. 智能缓存：

   • 预测性预取可能需要的更新包
   • 根据能量水平动态调整缓存策略

6.2 能量管理策略

AERO集成了多种能量感知技术：

1. 能量预算分配：

   • 监控当前和预测未来能量
   • 为更新任务保留最小能量份额
   • 动态调整更新进度

2. 关键操作保护：

   • 非易失存储写操作前检查能量
   • 确保足够能量完成整个原子操作
   • 否则延迟执行并保存状态

3. 任务粒度调整：

   • 根据当前能量水平动态合并/拆分任务
   • 平衡调度开销与能量效率

6.3 调试与故障恢复

针对开发调试和现场问题排查：

1. 更新追溯：

   • 记录每个更新包的应用状态
   • 存储最后N次更新的元数据
   • 支持版本回滚

2. 一致性检查：

   • 定期验证DAG结构完整性
   • 检查任务版本兼容性
   • 自动修复简单不一致

3. 安全恢复：

   • 更新中断后自动检测不一致
   • 从最近一致点恢复执行
   • 支持管理员干预

7. 应用场景与未来发展

7.1 典型应用领域

AERO特别适合以下物联网场景：

1. 农业监测：

   • 部署在田间的太阳能传感器节点
   • 需要远程更新算法和参数
   • 环境能量波动大

2. 医疗植入设备：

   • 能量收集起搏器等植入装置
   • 关键安全更新不能中断功能
   • 极严格能量限制

3. 野生动物追踪：

   • 长期无人维护的追踪标签
   • 需要更新行为识别算法
   • 运动能量收集不稳定

4. 工业监测：

   • 振动供能的设备状态传感器
   • 定期更新诊断逻辑
   • 恶劣电磁环境

7.2 扩展与演进方向

基于AERO的核心思想，未来可向多个方向扩展：

1. 网络协同更新：

   • 多设备间协调更新时机
   • 利用邻近设备辅助更新
   • 分布式一致性保障

2. 安全增强：

   • 端到端更新包加密
   • 安全启动链延伸至运行时
   • 抗回滚攻击保护

3. 机器学习集成：

   • 预测性能量模式优化调度
   • 智能预取关键更新包
   • 自适应任务粒度调整

4. 异构计算支持：

   • 扩展至含硬件加速器的系统
   • 协调CPU与加速器间更新
   • 专用指令集更新

在实际部署AERO系统时，有几个关键经验值得分享：

首先，更新包的大小需要仔细权衡。我们的测试表明，将大更新分解为多个300-500字节的小包能在内存使用和更新效率间取得最佳平衡。过小的包会增加调度开销，而过大的包可能导致内存不足。

其次，DAG的粒度设计至关重要。任务太小会导致频繁的调度和状态保存开销，太大则难以在短暂的能量供应窗口内完成。实践中，我们建议将任务执行时间控制在典型能量持续时间的30-70%范围内。

另外，非易失存储的写操作是系统能耗的主要来源之一。我们开发了一种"懒写入"技术，将多个小写入合并为一个大写入，可减少15-20%的更新能耗。但需要注意在关键点强制刷新以确保一致性。