Automotive Cause-Effect Chain Benchmark

这是一个汽车因果链基准数据集，包含真实世界汽车ADAS控制器的统计指纹、基于该指纹合成的500个预生成任务集实例，以及一个Python生成器，可用于重新生成数据或采样新实例。数据集用于端到端时序分析，支持多核周期性任务集和因果链建模。This is an automotive causal chain benchmark dataset, containing statistical fingerprints of real-world automotive ADAS controllers, 500 pre-generated task set instances synthesized from these fingerprints, as well as a Python generator that can be used to regenerate the dataset or sample new instances. This dataset is tailored for end-to-end temporal analysis and supports modeling of multi-core periodic task sets and causal chains.

原始信息汇总

数据集概述

数据集名称: Cause-Effect Chain Benchmark
发布机构: DTU ESE (丹麦技术大学电子系统工程系)
发布地址: https://github.com/dtu-ese/automotive-cause-effect-chain-benchmark

核心内容

该基准测试包含一个真实世界汽车ADAS控制器的统计指纹，以及基于该指纹合成的500个预生成任务集实例。附带一个轻量级Python生成器，可重新生成数据或采样全新实例。

指纹（Fingerprints）

本发布包含两个经过匿名化的指纹：

• TrustMotion：源自TrustMotion集成的ADAS控制器。源工作负载为在3CPU/9核心平台（各CPU核心数分别为3/2/4）上运行的102个周期任务；包含39条因果链，其中74%包含至少一次重复任务引用。所有伴生论文的评估、表格和图表均基于此指纹计算。
• WATERS-Bosch：WATERS启发的发动机控制器指纹（源自WATERS-2015 Bosch任务模型和WATERS-2017工业挑战链语料库）。作为对比参考，扩展了可选的WATERS扩展（韦布尔执行时间分布、角度同步激活、每任务BCET/ACET测量值）。生成器处理方式与TrustMotion相同；不附带合成数据。

数据集结构

artifact/ ├── README.md ├── LICENSE — MIT许可证 ├── fingerprints/ │ ├── SCHEMA.md — 指纹模式定义 │ ├── TrustMotion/profile.json — TrustMotion ADAS控制器指纹 │ └── WATERS-Bosch/profile.json — WATERS启发式博世发动机控制器指纹 ├── data/ │ └── TrustMotion/{100..500}pct/instance-Nx-NNNN.json (每桶100个文件) └── generator/ ├── generate.py — 纯采样生成器 ├── check.py — 实例完整性检查器 ├── validate.py — 指纹模式验证器 ├── generate_all.sh — 重新生成所有桶 └── README.md — 生成器详情

实例格式（Benchmark at a Glance）

每个实例文件 data/TrustMotion/<bucket>/instance-<scale>x-<idx>.json 包含：

• platform: CPU和核心数量。无调度策略声明，基准测试与策略无关。
• tasks: 任务数组。每个任务包含以下字段：
  • name（例如 t_0042）
  • period（周期）
  • deadline（截止时间）
  • wcet（最差执行时间）
  • bcet（最佳执行时间，0表示未测量）
  • earliest_activation（最早激活时间）
  • max_jitter（最大抖动）
  • pinned（布尔值，表示是否绑定到特定核心）
  • placement（包含 cpu_id 和 null 的 core_id）
  • 可选字段：wcet_min、acet、exec_distribution（执行时间分布）、activation（激活类型："periodic"、"angle-sync"或"sporadic"）
  • 所有时间值为整数微秒
• chains: 因果链数组。每条链包含：
  • name（名称，如 Chain0）
  • semantic（语义，固定为 reaction-delay）
  • budget（端到端延迟预算，整数微秒）
  • priority（重要度权重，[0, 1]范围内的浮点数）
  • asil（可选ISO 26262安全等级，"B"、"C"或null）
  • tasks（有序的任务名称列表，任务可在链内重复）

缩放机制

桶 100pct 每个实例包含100个任务，500pct 包含500个任务。平台规模随任务数量线性缩放：缩放级别 $S_k$ 将源三CPU计算拓扑复制 $k$ 次（共 $3k$ 个CPU / $9k$ 个核心）。默认因果链长度也按比例缩放；可通过生成器参数 --length-scaling source 选择保持原始长度。

生成与验证

重新生成数据（在 generator/ 目录下执行）：

bash ./generate_all.sh # 重新生成TrustMotion（默认） ./generate_all.sh -u WATERS-Bosch # 从WATERS-Bosch采样实例 ./generate_all.sh -u TrustMotion -n 30 # 更小数据集 ./generate_all.sh -s 100 # 不同种子基值

验证指纹与实例：

bash python3 generator/validate.py fingerprints/*/profile.json # 验证所有指纹模式 python3 generator/check.py data/TrustMotion/ # 检查所有合成实例

• validate.py 执行 fingerprints/SCHEMA.md 中声明的不可变条件。
• check.py 执行四个必要可行性条件（每核心 $Sigma u le 1$、总 $Sigma u le$ 总核心数、链任务引用完整性、链预算 $ge$ WCET总和下限）。
• 成功退出码为 0，失败为 1。

许可证

本工件（代码、指纹和合成数据）采用MIT许可证发布。

搜集汇总

数据集介绍

构建方式

该数据集源自对真实世界汽车ADAS控制器的深入剖析，通过提取其统计特征指纹构建而成。具体而言，研究团队以TrustMotion集成的ADAS控制器为蓝本，从中获取了包含102个周期任务、39条因果链的工作负载特征，并基于此指纹合成了500个预生成的任务集实例。数据集中的任务集规模可线性扩展，从100个任务到500个任务不等，对应的计算平台拓扑结构亦随之线性复制，确保了数据在不同规模下的统计一致性。此外，数据集还包含了WATERS-Bosch发动机控制器的指纹作为对比参照，并提供了Python生成器，允许用户根据原始指纹重新生成数据或采样全新的实例。

特点

该数据集的突出特点在于其高度贴近工业实践的统计真实性，每个任务实例均详尽记录了周期、截止时间、最差/最佳执行时间等关键参数，并遵循WATERS公约进行表示。因果链部分不仅包含了端到端延迟预算和优先级权重，还引入了ISO 26262 ASIL安全等级标签，使得数据集能够支撑安全关键系统的实时性分析。尤为重要的是，该基准测试策略不可知，不预设任何调度策略，允许研究者自由采用表驱动、固定优先级、EDF或逻辑执行时间等多种范式进行评估。任务间的核心分配由评估者自行决策，而生成器则确保存在可行的分配方案，极大提升了灵活性与适用性。

使用方法

使用该数据集时，研究者可直接从预生成的实例文件入手，这些JSON格式的文件自描述地包含了平台、任务与因果链的完整信息。对于需要定制化规模的场景，可通过运行generator目录下的generate_all.sh脚本，配合-u参数选择指纹源、-n参数控制实例数量、-s参数设定随机种子，从而生成全新的任务集实例。数据集的验证工具链同样完备，validate.py用于校验指纹文件的模式完整性，check.py则检查实例的必要可行性条件，确保数据的有效性。所有脚本均基于纯Python实现，无需外部依赖，极大降低了使用门槛，便于研究者快速开展调度综合或端到端延迟分析等研究工作。

背景与挑战

背景概述

随着高级驾驶辅助系统（ADAS）日益成为现代汽车的核心功能，其内部实时控制任务的时序可预测性对行车安全至关重要。2026年，由Silviu Craciunas、Matthias Becker和Paul Pop等学者在RTSOPS 2026上发布的Automotive Cause-Effect Chain Benchmark，从真实的TrustMotion一体化ADAS控制器中提炼出统计指纹，并据此生成了500个预配置的任务集实例。该基准刻画了包含102个周期任务、39条因果链的三CPU九核异构平台，其中74%的因果链含有重复任务引用，揭示了行业级ADAS控制器中复杂的端到端数据流结构。此基准为实时系统社区提供了一个标准化、可复现的评估平台，推动了面向汽车领域的端到端延迟分析和调度策略研究。

当前挑战

该基准所应对的核心领域挑战在于：汽车因果链的端到端延迟分析需同时满足多个约束——依赖链内重复节点的数据传播、异构多核平台上任务与核心的适配、以及工业级非周期性激活模式（如角度同步）。构建过程中面临的主要挑战包括：1）从商业ADAS控制器中提取匿名的统计指纹，同时保留足量的结构特性（如74%的重复任务引用率）以确保基准真实反映工业实践；2）设计可伸缩的任务生成器，在增大平台规模（3k CPU/9k核心）时保持因果链长度与端到端功能复杂度的线性增长，而非简单增加独立链数量；3）建立无外部依赖的原则性验证工具（如可行性条件检查器），确保每个生成实例在最佳分配下均满足核心总利用率不超过1的硬实时约束。

常用场景

经典使用场景

在实时嵌入式系统研究领域，端到端延迟分析一直是核心挑战之一，尤其是随着自动驾驶控制器等复杂安全关键系统的兴起，因果链（Cause-Effect Chains）的时序验证变得尤为迫切。该数据集提供了一个源自真实工业级ADAS控制器的统计指纹，并基于此生成了500个多核周期性任务集实例，每个实例均包含平台拓扑、任务参数以及带有语义标签（如反应延迟）的因果链。研究者可借此基准对固定优先级、EDF、逻辑执行时间等不同调度策略进行系统性的端到端延迟分析，或用于调度综合算法的验证与比较。通过调整缩放因子（如100%至500%），还能模拟从轻量级到超大规模的不同系统负载，从而全面评估算法在工业相关场景下的可扩展性与鲁棒性。

解决学术问题

该数据集填补了实时系统领域长期存在的一项空白——缺乏公开、可复现且源自真实汽车控制器的因果链基准。以往学术工作多依赖于随机生成的合成任务集或过于简化的假设模型，导致算法评估结果难以在工业实践中复现。此基准通过提供完整的统计指纹、可重排的生成器以及预先生成的实例，使研究者能够严格比较不同端到端延迟分析方法（如响应时间分析、组合分析、基于事件的模拟等）的精度与效率。更重要的是，指纹中包含了74%含有重复任务引用的复杂链结构，这直接挑战了传统分析工具对“链内任务重复”这一常见工业现象的处理能力，从而推动了更通用分析理论的发展。该数据集的发布已在RTSOPS 2026上引起广泛关注，为后续学术研究树立了新的评估标准。

衍生相关工作

自发布以来，该基准已衍生出多项代表性研究。在调度分析与设计空间探索方面，学者们基于其因果链拓扑提出了新的可调度性测试条件，例如针对重复任务引用场景的改进型响应时间分析；在优化层面，研究者利用数据集的多目标特征（延迟预算、优先级权重、ASIL等级）开发了基于混合整数线性规划的链同步调度器，以最小化端到端延迟同时满足安全约束。此外，生成器本身的可扩展性被用于构建更大规模的测试场景（如10倍缩放），以验证启发式分配算法在千级任务集上的性能。值得一提的是，该数据集的统计指纹结构已被扩展至WATERS工业挑战赛的博世引擎控制器模型，形成了跨领域（ADAS vs. 动力总成）的对比基准，进一步拓展了其在航空电子、机器人等实时系统领域的应用潜力。