TinyUSB项目中NCM模式在RTOS环境下工作异常问题分析
问题背景
在嵌入式开发中,TinyUSB作为一个轻量级的USB协议栈,为开发者提供了便捷的USB设备实现方案。近期有开发者在使用TinyUSB的NCM(Network Control Model)模式时遇到了工作异常的问题,具体表现为在Windows 11系统下无法正常识别设备并建立网络连接。
环境配置
问题出现在以下环境中:
- 操作系统:Windows 11
- 开发板:MIMXRT11XX系列
- 固件版本:基于TinyUSB仓库a068b81674e8b47d6fb78ab6a06abb7decc2e644提交
- 参考示例:device/net_lwip_webserver
问题现象
开发者在使用NCM模式时遇到了以下具体问题:
- Windows 11系统能够检测到名为"TinyUSB Network Interface"的驱动
- 设备显示为"未启动"状态,错误代码0xC00000E5
- 无法ping通开发板,也无法访问网页服务
- 切换到ECM_RNDIS模式后,所有功能正常
技术分析
1. RTOS集成问题
开发者在项目中同时使用了lwIP和TinyUSB,并且都运行在RTOS环境下。这带来了几个关键的技术挑战:
- 在linkoutput_fn函数中,开发者用vTaskDelay(1)替代了tud_task()
- 在service_traffic处理中,使用tcpip_input替代了ethernet_input
- 当返回值不是ERR_OK时,没有执行pbuf_free操作
这些修改虽然使ECM模式正常工作,但在NCM模式下却出现了问题。
2. NCM缓冲区配置
经过多次测试,开发者发现NCM模式的正常工作与以下配置参数密切相关:
- CFG_TUD_NCM_IN_MAX_DATAGRAMS_PER_NTB
- CFG_TUD_NCM_OUT_MAX_DATAGRAMS_PER_NTB
当将这些值设置为1时,NCM模式可以正常工作。这表明在RTOS环境下,NCM模式对数据报的处理可能存在并发问题。
3. 数据接收流程
深入分析发现,在tud_network_xmit_cb回调中,每次只处理一个数据报,然后通过tud_network_recv_cb为这个数据报分配内存。这种设计在RTOS环境下可能导致性能问题和处理延迟。
解决方案
1. 参数优化配置
针对NCM模式在RTOS下的工作,建议采用以下配置:
#define CFG_TUD_NCM_IN_MAX_DATAGRAMS_PER_NTB 1
#define CFG_TUD_NCM_OUT_MAX_DATAGRAMS_PER_NTB 1
#define CFG_TUD_NCM_OUT_NTB_N 2
#define CFG_TUD_NCM_IN_NTB_N 2
这种配置减少了并发处理的数据报数量,降低了RTOS环境下的处理复杂度。
2. RTOS适配方案
对于需要在RTOS环境下使用NCM模式的开发者,可以考虑以下几种方案:
- 非RTOS模式:如果不必须使用RTOS,可以考虑关闭TinyUSB的RTOS支持
- 直接输入模式:修改service_traffic()实现,直接在tud_network_recv_cb()中将数据输入到lwIP
- 批量处理模式:重写tud_network_recv_renew(),实现批量处理数据报
3. 使用网络粘合层代码
参考项目中提供的网络粘合层代码(net_glue.c),这种实现方式专门为RTOS环境设计,能够更好地处理NCM模式下的数据流。
性能优化建议
对于已经能够工作但存在延迟的情况,可以考虑:
- 适当增加缓冲区数量,但不宜过多
- 优化RTOS任务优先级,确保网络任务有足够的执行时间
- 检查内存分配策略,避免频繁的内存分配/释放操作
结论
TinyUSB的NCM模式在RTOS环境下确实存在一些特殊挑战,特别是与数据报处理和缓冲区管理相关的方面。通过合理的参数配置和适当的代码调整,可以解决大部分兼容性问题。对于性能要求较高的应用,建议参考专门为RTOS优化的网络粘合层实现方案。
开发者应当根据具体应用场景选择最适合的解决方案,并在实现过程中注意RTOS环境下资源竞争和任务调度带来的影响。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00