本申请涉及车辆领域，更具体地涉及一种autosar上的通信架构、通信方法、设备、介质。
背景技术：
1、汽车开放系统架构(automotive open system architecture，autosar)是由全球各大汽车厂商、零部件供应商、汽车电子软件公司联合建立的一套标准协议。目前绝大多数厂商都是基于autosar架构进行软件开发，在autosar经典平台(classic platform，cp)的使用场景中使用的基于ip的可扩展面向服务的中间件(scalable service-orientedmiddleware over ip，some/ip)，而以数据为中心的数据分发服务(data distributionservice，dds)相比some/ip，无论是在传输质量控制，还是在服务发现/订阅等方面都具有不可比拟的优势。其中dds支持丰富的服务质量(quality of service，qos)策略，以数据为中心，保障了数据进行实时、高效、灵活地分发，以满足各种分布式实时通信应用需求。但开发人员通常很难在一开始就选择和应用正确的qos属性以应对不断变化的通讯环境。
2、在相关技术中，有的方案只实现了将dds的基本功能实现在cp的软件架构的复杂设备驱动(complex device driver，cdd)内或者将dds集成在cp软件架构中的基础软件层(basic software，bsw)内。在动态的和不可预知环境中，通信系统的工作负载和资源随着执行上下文的不同而在时间上会发生显著的变化，在利用qos策略为开发人员提供高度可配置中间件服务及控制应用程序通信质量时，会给通信系统带来挑战，给通信服务质量带来不确定性。
技术实现思路
1、考虑到上述问题而提出了本申请。本申请提供了一种autosar上的通信架构、通信方法、设备、介质，能够保证在不同应用环境中的通信服务质量，为车辆中的相关应用服务提供通信保障。
2、根据本申请第一方面，提供了一种autosar上实现基于机器学习的dds的通信架构，所述通信架构包括：qos策略决策模块、基础服务模块、数据分发服务架构、汽车开放系统架构；
3、所述qos策略决策模块构建于所述数据分发服务架构内，所述qos策略决策模块用于基于机器学习生成qos策略；
4、所述基础服务模块和所述数据分发服务架构部署于所述汽车开放系统架构中的复杂设备驱动层内，所述基础服务模块用于进行数据分发服务管理。
5、在本申请一实施例中，qos策略决策模块包括决策树模型单元，所述决策树模型单元用于基于训练好的决策树模型生成qos策略。
6、在本申请一实施例中，所述决策树模型单元中的内部节点为dds的qos策略配置项，所述qos策略配置项包括：可靠性、持久性、存在性、延迟预算、所有权、表示、用户数据、标题数据、分组数据、最后期限、实体工厂、分区、资源限制、持久性服务、目标顺序、历史。
7、在本申请一实施例中，所述决策树模型单元的叶节点属性包括可靠性、效率和延迟。
8、在本申请一实施例中，所述决策树模型单元基于基尼系数确定最优策略组合。
9、在本申请一实施例中，所述基础服务模块包括发现管理单元和数据管理单元；
10、所述发现管理单元，用于管理消息发布者与订阅者之间的自动发现过程；
11、所述数据管理单元，用于在一个或多个消息发布者与一个或多个消息订阅者均完成配对时，对所述消息发布者和/或所述消息订阅者中的数据进行管理。
12、在本申请一实施例中，所述汽车开放系统架构还包括rte组件和至少一个swc组件；
13、所述rte组件，用于将swc信号与数据分发服务架构提供的数据分发服务集成对接；
14、所述swc组件，用于按照用户需求提供相应的应用功能。
15、根据本申请第二方面，提供了一种autosar上实现基于机器学习的dds的通信方法，所述通信方法包括：
16、获取目标swc信号，根据所述目标swc信号确定与所述目标swc信号对应的目标消息发布者；
17、所述目标消息发布者采用基于机器学习生成的qos策略将所述swc信号发送至目标消息订阅者。
18、在本申请一实施例中，所述qos策略的生成步骤包括：
19、所述目标消息发布者发布头部增加tag标签的待发布数据；
20、读取所述待发布数据头部的tag标签；
21、将所述tag标签输入到预先建立的决策树模型，生成qos策略。
22、在本申请一实施例中，所述决策树模型的建立方法包括：
23、读取已有的qos配置数据集；
24、根据所述qos配置数据集构造初始决策树，其中，将数据分发服务架构中可自动配置属性作为算法特征；
25、通过基尼系数选择最优的策略组合，对所述初始决策树进行剪枝生成qos策略的决策树模型。
26、在本申请一实施例中，所述通信方法还包括：
27、发布端基于所述qos策略生成qos配置文件；
28、所述发布端将所述qos配置文件存入配置文件库。
29、根据本申请第三方面，提供了一种电子设备，所述电子设备包括存储器和处理器，所述存储器上存储有计算机程序，所述计算机程序在被所述处理器运行时，使得安装有所述处理器的装置执行上述的autosar上实现基于机器学习的dds的通信方法。
30、根据本申请第四方面，提供了一种非易失性存储介质，所述非易失性存储介质上存储有计算机程序，所述计算机程序运行在计算机上，所述计算机程序在运行时使得所述计算机执行上述的autosar上实现基于机器学习的dds的通信方法。
31、根据本申请第五方面，提供了一种车辆，包括如上第三方面所述的电子设备或如上第四方面所述的存储介质。
32、本申请的autosar上实现基于机器学习的dds的通信架构，将qos策略决策模型集成到dds中间件内部，进一步将其集成到autosar架构的cdd内，使得通信过程中qos的自动合理选择，节省了人工选择和配置的时间，在一定程度上减少了错误配置的可能性。
1.一种autosar上实现基于机器学习的dds的通信架构，其特征在于，所述通信架构包括：qos策略决策模块、基础服务模块、数据分发服务架构、汽车开放系统架构；
2.如权利要求1所述的autosar上实现基于机器学习的dds的通信架构，其特征在于，qos策略决策模块包括决策树模型单元，所述决策树模型单元用于基于训练好的决策树模型生成qos策略。
3.如权利要求2所述的autosar上实现基于机器学习的dds的通信架构，其特征在于，所述决策树模型单元中的内部节点为dds的qos策略配置项，所述qos策略配置项包括：可靠性、持久性、存在性、延迟预算、所有权、表示、用户数据、标题数据、分组数据、最后期限、实体工厂、分区、资源限制、持久性服务、目标顺序、历史。
4.如权利要求2或3所述的autosar上实现基于机器学习的dds的通信架构，其特征在于，所述决策树模型单元的叶节点属性包括可靠性、效率和延迟。
5.如权利要求2-4中任一项所述的autosar上实现基于机器学习的dds的通信架构，其特征在于，所述决策树模型单元基于基尼系数确定最优策略组合。
6.如权利要求1-5中任一项所述的autosar上实现基于机器学习的dds的通信架构，其特征在于，所述基础服务模块包括发现管理单元和数据管理单元；
7.如权利要求1-5中任一项中所述的autosar上实现基于机器学习的dds的通信架构，其特征在于，所述汽车开放系统架构还包括rte组件和至少一个swc组件；
8.一种autosar上实现基于机器学习的dds的通信方法，其特征在于，所述通信方法包括：
9.如权利要求8中所述的autosar上实现基于机器学习的dds的通信方法，其特征在于，所述qos策略的生成步骤包括：
10.如权利要求8或9所述的autosar上实现基于机器学习的dds的通信方法，其特征在于，所述决策树模型的建立方法包括：
11.如权利要求8-10中任一项所述的autosar上实现基于机器学习的dds的通信方法，其特征在于，所述通信方法还包括：
12.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，所述存储器上存储有计算机程序，所述计算机程序在被所述处理器运行时，使得安装有所述处理器的装置执行如权利要求8-11中任一项所述的autosar上实现基于机器学习的dds的通信方法。
13.一种非易失性存储介质，其特征在于，所述非易失性存储介质上存储有计算机程序，所述计算机程序运行在计算机上，所述计算机程序在运行时使得所述计算机执行如权利要求8-11中任一项所述的autosar上实现基于机器学习的dds的通信方法。
14.一种车辆，其特征在于，包括权利要求12所述的电子设备或权利要求13所述的存储介质。
