【直击17th AOC】合兴软件闪耀AUTOSAR国际舞台：AI-Native技术重塑电控智能化底座，闭环优化方案引领时间性能革新

6 月10 - 11日，第十七届 AUTOSAR Open Conference在上海举行。作为 AUTOSAR 官方国际盛会，本届大会以"融合开源、社区开源与商用汽车软件：挑战与解决方案"为主题，吸引了全球整车厂、芯片企业、零部件供应商及行业专家共聚一堂。上海合兴软件科技有限公司（以下简称“合兴软件“）受邀出席并作了题为《A Study on Closed Loop Optimization Method for Automotive ECU Timing Performance Based On a Local AI Model》（基于本地AI模型的汽车ECU时间性能闭环优化方法研究）的主题演讲。

而实际项目中，典型问题包括：周期任务偶发超时、Runnable 执行抖动、中断抢占、多核资源竞争（Spinlock 等待）、通信链路拥塞、端到端控制路径超预算。

它们有四个共同特点，也是工程痛点所在：偶发性强 · 复现困难 · 根因链路长 · 定位高度依赖经验。

传统手段（静态 WCET、手工埋点、Profiling、日志、OS Trace、HIL/实车）都不可或缺，但在复杂多核 AUTOSAR 系统中往往只能回答"发生了什么"，却很难回答"为什么发生""如何优化""优化后是否真有效"。

运行时序测量 → 时序行为分析 → 本地 AI 异常检测 → 根因定位与优化决策 → 优化实施 → 验证与反馈

① 测量：软件插桩，低侵入是底线

在 Task、ISR、Runnable、RTE/BSW 调用、通信收发、资源锁等关键点插入轻量探针，记录时间戳、事件类型、执行实体、Core ID、调用关系与端到端关联 ID，重建 ECU 真实运行时间线。Classic 关注 OS/RTE/BSW/COM/Spinlock 等对象；Adaptive 则扩展到进程、ara::com、SOME/IP、服务发现与生命周期。插桩本身绝不能显著改变系统实时行为。

② 本地 AI：靠近数据，快速反馈

我们强调本地 AI，而非云端大模型，原因有五：低延迟、数据安全、网络独立、工程可控、部署灵活。它可部署在 ECU 侧、台架侧、开发工具上，覆盖从开发集成到量产维护的全阶段。

模型选择不追求复杂度，而强调轻量、可解释、可验证、可部署——统计阈值、滑窗趋势、聚类、孤立森林、单类 SVM、轻量决策树/随机森林、自编码器等，按项目阶段灵活组合。

③ 从异常检测到根因定位

模型先输出异常分数，定位到具体 Task / Runnable / Core / 端到端路径，并判断异常模式：执行时间增长、中断干扰、资源竞争、通信延迟还是系统服务干扰。再结合 AUTOSAR 架构语义与调度上下文，给出候选根因排序，显著缩小分析范围。

④ 优化与验证：用数据说话

不同根因对应不同手段——优化算法、调整优先级与 Core 映射、缩短临界区、隔离非关键通信与后台服务……每一项优化都必须对应明确的时序证据、根因假设和验证指标。 验证不能只看平均性能，更要看最坏情况与边界工况；验证数据再反哺基线与知识库，让闭环越跑越准。

综上所述，这套方法能够带来的价值在于：更早发现时序风险、缩短根因定位周期、降低集成风险、支撑多核性能优化、提升 AUTOSAR 配置质量。

此外，从功能安全看，可追溯的运行时序测量与验证数据，能为最坏执行时间、端到端延迟、任务隔离、资源竞争与实时性保障提供工程证据，有助于支持 ISO 26262 相关开发验证活动。

本次合兴软件集中展示了 AI 原生电控研发的完整能力，覆盖基础软件、测试服务、研发工具链三大方向，背后由自研 AI 引擎 AURA 贯通——从开发、测试到实车数据反哺，形成闭环。