来源：TSNLAB 微信公众号

书接上回加速TSN应用的两个路径：流量自学习与组态协同，本文介绍流量自学习（Auto Learning TSN）的设计和实践案例。

端网协同的TSN方案可以达到最理想的效果，为用户按需提供100%的确定性保障。同时，这种方案也对端侧设备的行为与规范提出了一定的要求。当前已有的大量端侧设备，需要通过软件的升级，甚至软件和硬件的升级，才能满足端网协同TSN方案的要求。

如果用户对确定性有例如毫秒或亚毫秒量级的要求，但没有严苛到微秒量级，亦或是用户对端侧升级的成本比较敏感或其它原因，那么网络自学习方案，在使用现有端设备的基础上一样可以实现“用户声明信息（需求），网络进行资源预留（配置），用户发送报文”的TSN方案部署流程。具体地，通过在网络设备（交换机、路由器等）上识别不同报文所属的流量，提取流量的源目的地址、周期和突发等特征，然后网络设备代替用户向CNC控制器进行用户信息的声明。用户在整个流程中，不参与，不感知，但是流量却能得到保障。

如下图所示。该方案使用TSN交换机进行业务感知和流量特性拟合，配合CNC控制器完成网络端到端的路径和资源配置，包括逐跳的TSN时间门控列表或者队列调度配置（优先级、带宽、缓存等），极大简化TSN使用难度和消除端侧依赖，可以快速部署在工控，数采，监控等行业网络中进行部署。

自动流量建模技术需要从真实报文序列中提取出数学模型特征（速率，突发，周期性等），并结合网络服务模型进行网络性能分析。具体计算处理上主要分为俩大类：工控数据采集类的周期性流量建模，和视频监控类等突发性流量建模。其中周期流量的流量建模相对简单，可使用滑窗迭代计数等方法寻找周期等参数；相比之下，突发性流量的建模复杂度更高，我们希望寻找到可保障满足缓存限制和时延确定性的有效带宽系数。

（一）周期流量自学习

目前，华为S5735I-H TSN交换机已经支持对于PROFINET、EtherCAT、EtherNet/IP等主流工业以太网协议的周期流量的自学习。自学习结果可以上报网络控制器，进而完成TSN编排计算与配置。

下图为在某汽车产线的TSN流量自学习实践案例的拓扑（可参考TSN测试床汇总 （截止2023.12）中的视频获取更多信息）：

使能流学习后，TSN交换机可以学习到的结果如下（部分）：

这里面，PROFINET控制报文是根据MAC进行单播通信，根据学习到的MAC地址信息，交换机可以配置TSN流量入口识别；根据学习到的流量周期特征、报文大小，网络控制器可以进行门控编排、并配置到交换机。其中，学习到的流量周期特征（图中分别为2ms、2ms、8ms）与实际业务在自动化软件组态中配置的周期是一致的，说明学习结果准确。

（二）突发性流量自学习

一种有效的突发类流量建模（Stat Modeling）方法，是通过输入流量的[timestamp, burst]抓包序列和网络缓存/时延/丢包率等SLA约束，统计得出可编排布署的TSN有效带宽（SGR）。方法细节暂时就不在这里介绍啦。