摘要：随着现代车载嵌入式系统应用的不断集成与电子控制单元（ECU）数量的增长，系统实时性保障面临更大挑战。同时，汽车与外部环境交互频繁，具有灵活数据速率的控制器局域网（CAN FD）虽提升了传输性能，但仍缺乏内置安全机制，易受伪装等攻击威胁。而添加安全机制往往会占用实时性资源，危害车辆安全，因此必须在保证系统实时性的同时提升安全性。为此，本文提出了一种基于强化学习的任务映射和调度算法（Reinforcement Learning-based Task Mapping and Scheduling Algorithm，RLMS），将任务映射建模为马尔科夫决策过程，结合资源感知机制以ECU利用率为约束优化方案，在满足实时性约束的前提下减少CAN FD总线消息数量，并为消息提供4字节MAC的基础安全保护。为进一步提升系统安全性，设计安全增强机制（Security Enhancement with Balanced Rounds，SEBR），利用系统空闲时间逐轮扩展消息的MAC字节。最终，通过真实案例和模拟实验验证了所提方法的有效性。
文章目录
0 引言
1 系统模型
1.1 CAN-FD网络模型
1.2 应用模型
1.3 安全模型
2 基于强化学习的任务映射和调度算法（RLMS）
2.1 目标函数
2.2 算法整体架构
2.3 基于Q-learning的任务映射
2.3.1 马尔可夫决策过程（MDP）建模
2.3.2 任务映射
2.3.3 动态映射优化
2.4 任务调度
3 安全增强机制（SEBR）
3.1 增强目标
3.2 安全增强等级
3.3 安全增强算法
4 实验评估
4.1 真实案例实验
4.2 仿真实验
5 结束语
