14.7.2 OTA 架构、灰度与回滚
所属:全栈开发面试题库 / 14 物联网与嵌入式软件 / 14.7 端云协同与 OTA 与边缘
本节要解决的问题
OTA 失败一次,百万设备就变砖。本节解决四个核心问题:一是 A/B 双分区怎么做到"下载失败不影响运行中固件";二是分片下载与断点续传怎么在弱网下不把 Flash 写花;三是灰度发布怎么用失败率熔断自动止损,而不是等用户投诉;四是回滚由谁触发、依据什么判定,是 bootloader 定时跳回还是应用自报健康。内容侧重设备端状态机与分区表,不展开云端集群调度。
学习目标
学完本节,你应当能够:
- 画出 A/B 双分区布局,并说明升级过程中哪个 Bank 在运行、哪个在下载、哪个在备用。
- 设计分片下载协议字段(偏移、长度、哈希、序号),说明断点续传怎么恢复。
- 写出灰度分批策略(1%→10%→50%→100%)与失败率熔断阈值。
- 给出回滚的触发条件与判定逻辑(bootcount、健康检查、看门狗)。
先修与前置
- 先读 14.2.1 复位启动流程与 Bootloader,理解分区表与跳转。
- 安全侧先读 14.6.4 固件加密与防回滚,本节讲流程,不展开签名细节。
知识地图
云端 OTA 平台 设备端
固件仓库 (签名+哈希)
│
├─ 灰度策略: 1%→10%→50%→100%
├─ 失败率熔断: >5% 暂停
│
↓ MQTT 推送升级通知
设备: IDLE → DOWNLOADING → 校验 → BOOTING_NEW → CONFIRMED
│
├─ 下载: HTTPS/CoAP 分片 (offset,len,seq)
├─ 校验: SHA-256 + 签名验证
├─ 写入: B 分区 (A 正在运行)
├─ 重启: bootloader 跳 B, bootcount=1
├─ 健康: 应用自检 3 次成功 → 标记 B 为有效
└─ 失败: bootcount 超限 → bootloader 跳回 A (回滚)
核心术语
- A/B 分区(双 Bank):Flash 上两个独立的固件分区,运行一个、下载另一个,升级失败可回退。
- bootcount:bootloader 记录新固件启动尝试次数,超过阈值则判定启动失败并回滚。
- 分区表(Partition Table):Flash 上的元数据区,记录各分区地址、大小、类型、哈希。
- 分片下载:把固件切成固定大小块(如 64KB),逐块下载,支持断点续传。
- 灰度发布(Gray Release):按比例/批次逐步推送升级,观察失败率后扩大。
- 熔断(Circuit Breaker):失败率超过阈值时自动暂停升级,避免事故扩大。
- 差分包(Delta):基于旧固件生成的差异补丁,体积小但生成与应用复杂。
- 健康检查(Health Check):新固件启动后自检(传感器、通信、业务),通过则标记为有效。
覆盖范围
- OTA 状态机:IDLE→下载→校验→切换→确认
- A/B 双分区布局与 bootloader 跳转
- 分片协议字段与断点续传
- 镜像签名与哈希校验
- 灰度分批策略与失败率熔断
- 回滚触发:bootcount、健康检查、看门狗
- 差分包与全量包取舍
- 弱网限速与错峰升级
高频题速览
| 编号 | 题目 | 难度 | 频率 |
|---|---|---|---|
| 14.7.2-001 | OTA 的完整流程分哪几个阶段? | 基础 | ★★★★★ |
| 14.7.2-002 | A/B 双分区怎么实现回滚? | 基础 | ★★★★★ |
| 14.7.2-003 | 分片下载协议要设计哪些字段? | 进阶 | ★★★★ |
| 14.7.2-004 | 固件校验怎么做?只校验哈希够吗? | 基础 | ★★★★ |
| 14.7.2-005 | 灰度发布怎么分批?失败率怎么熔断? | 进阶 | ★★★★★ |
| 14.7.2-006 | 回滚由谁触发?bootcount 怎么工作? | 进阶 | ★★★★ |
| 14.7.2-007 | 差分包和全量包怎么选? | 高级 | ★★★ |
| 14.7.2-008 | 弱网下 OTA 怎么限速与错峰? | 进阶 | ★★★ |
| 14.7.2-009 | OTA 状态机的超时怎么设? | 高级 | ★★★ |
| 14.7.2-010 | 升级中断电了会怎样? | 高级 | ★★★★ |
14.7.2-001 OTA 的完整流程分哪几个阶段?
一句话结论
OTA 分五个阶段:升级通知(云端推)→ 下载(写备用分区)→ 校验(哈希+签名)→ 切换(bootloader 跳新分区)→ 确认(健康检查通过后标记新分区有效);任何阶段失败都不影响正在运行的固件。
概念解释
- 升级通知:云端通过 MQTT/影子 desired 推送"有新版本",含版本号、下载地址、哈希。
- 下载阶段:设备从 CDN 拉取固件,写入备用分区,不碰运行分区。
- 校验阶段:整包 SHA-256 与签名验证,失败则丢弃备用分区内容。
- 切换阶段:重启,bootloader 读分区表,选择新分区启动,bootcount 加 1。
- 确认阶段:新固件运行后自检,通过则通知 bootloader 标记为有效(清零 bootcount)。
原理流程
- 云端推升级通知:版本号、下载 URL、镜像哈希、签名。
- 设备检查电量、存储空间、网络,决定是否接受。
- 分片下载到备用分区,每片校验 CRC,支持断点续传。
- 整包下载完成后做 SHA-256 校验与签名验签。
- 设置分区表为"从备用分区启动",重启。
- bootloader 跳新分区,应用做健康检查,通过后标记"有效"。
代码或图示
OTA 状态机:
IDLE ──收到通知──→ DOWNLOADING ──完成──→ VERIFYING
│
失败 ────┴──→ 清理备用分区 → IDLE
│ 成功
↓
BOOTING_NEW (bootcount=1)
│
健康检查通过 → CONFIRMED (bootcount=0)
健康检查失败 → 重启, bootcount++
bootcount > 3 → bootloader 跳回旧分区
常见误区
- 误区:下载完成就直接切;正解:必须先校验整包哈希与签名,否则下载到一半的垃圾数据会被当成新固件。
- 误区:确认阶段可有可无;正解:没有确认,新固件启动失败一次就会被回滚,等于升级失败。
- 误区:OTA 不能中断;正解:设计良好的 OTA 可以在任何阶段断电,重启后从断点继续。
追问
- 为什么不在运行分区上直接升级?答:因为写入过程中断电会让运行中的固件损坏,设备变砖。机制上 A/B 分区把"运行"与"写入"隔离,写入备用分区时运行分区不受影响。边界在于:Flash 容量要够两个固件,小容量 MCU 上可能用 A/B 加 recovery 三区。延伸:这就是 14.2.1 讲的 Bootloader 职责。
- 设备怎么决定要不要升级?答:检查电量(如 >30%)、存储空间(备用分区空闲)、网络(Wi-Fi/插电状态)、业务状态(非关键任务中)。机制上这些条件不满足时设备应拒绝通知,云端记录。边界在于:紧急安全补丁可能需要强制升级,忽略电量条件。延伸:这就是灰度策略里的"强制升级"标签。
- OTA 期间用户在用设备怎么办?答:OTA 通常在后台进行,下载不影响业务;切换阶段才需要重启。机制上下载与业务运行并行,切换前通知用户"将在 10 秒后重启"。边界在于:实时控制类设备(如电机控制器)不能随便重启,要等业务空闲窗口。延伸:工业 OTA 通常在维护窗口执行。
14.7.2-002 A/B 双分区怎么实现回滚?
一句话结论
Flash 划分成两个等大固件分区(A/B),bootloader 每次启动读分区表决定从哪个 Bank 启动;新固件下载到非运行 Bank,重启后从新 Bank 启动,bootcount 加 1;若新固件健康检查失败或反复重启,bootcount 超过阈值,bootloader 自动跳回旧 Bank。
概念解释
- 分区表:记录 A/B 分区的地址、大小、状态(valid/pending/invalid)。
- bootcount:存在 Flash 或 OTP,记录"新固件已尝试启动次数"。
- pending 状态:刚下载完的新分区标记为 pending,启动后成功确认才变 valid。
- 回滚:bootloader 发现 pending 分区 bootcount 超限,自动切到另一个 valid 分区。
- 运行分区:当前正在执行的 Bank,另一个 Bank 是备用。
原理流程
- 分区布局:A 分区(运行中)、B 分区(备用)、分区表区、参数区。
- 新固件下载到 B,校验通过后把 B 标记为 pending,设置"下次启动从 B 开始"。
- 重启,bootloader 读分区表,发现 B 是 pending,从 B 启动,bootcount=1。
- B 的应用启动后做健康检查,通过则写分区表:B 变 valid,bootcount=0。
- 若 B 启动失败(如看门狗复位、HardFault),重启时 bootcount=2,再试。
- bootcount > 3(阈值),bootloader 放弃 B,从 A 启动(A 仍是 valid),并记录"回滚事件"。
代码或图示
Flash 布局 (示例, 1MB Flash):
0x08000000 Bootloader (32KB)
0x08008000 分区表 (2KB, 含 bootcount, active_bank)
0x08008800 A 分区 (480KB) ← 当前运行
0x08080000 B 分区 (480KB) ← 备用, 下载新固件到这里
0x080F8000 参数区 (8KB)
bootloader 启动逻辑:
read partition_table
if B.pending and B.bootcount <= 3:
jump to B
B.bootcount++
else:
if B.bootcount > 3: mark B invalid, record rollback
jump to A (A 是 valid)
应用确认逻辑:
health_check() == OK:
partition_table.B.valid = true
partition_table.B.bootcount = 0
partition_table.active = B
常见误区
- 误区:bootcount 存在 RAM;正解:RAM 掉电就丢,bootcount 必须存在 Flash 或 OTP,否则断电后回滚逻辑失效。
- 误区:回滚是应用层做的;正解:回滚决策在 bootloader,因为应用可能已经跑不起来,只有 bootloader 能兜底。
- 误区:A/B 分区大小必须相等;正解:通常相等,便于镜像互换,但也可以不等(如 recovery 分区小)。
追问
- bootcount 写 Flash 会不会磨损?答:会,但每次升级只写几次(成功 1 次,失败 3 次),相对 Flash 10 万次擦写寿命可忽略。机制上 bootcount 存在独立的小扇区,每次升级周期才写。边界在于:如果设备反复升级失败,bootcount 频繁写会磨损该扇区。延伸:成熟方案把 bootcount 存在 OTP 或专用寄存器,减少磨损。
- 怎么防止"旧固件被证明有 bug,又回滚回去"?答:用版本号防回滚,新固件版本号必须大于旧版本,bootloader 拒绝启动更旧的版本。机制上版本号存在 OTP 或不可写区域,单调递增。边界在于:紧急回滚时需要"强制回滚"通道(如工厂模式、云端命令)。延伸:这是 14.6.4 防回滚的主题。
- A/B 分区在小容量 MCU 上可行吗?答:紧张,1MB Flash 减去 bootloader 与参数,两个固件各 480KB,对小功能设备够用;但如果固件本身 600KB,双分区就要 1.2MB,小 MCU 装不下。机制上小容量设备可以用"单分区 + 备份"方案:运行分区升级前先备份关键数据,失败后从备份恢复。边界在于:单分区方案在写入过程中断电仍有风险,可靠性不如 A/B。延伸:这就是为什么低成本 MCU 常牺牲 OTA 可靠性换成本。
14.7.2-003 分片下载协议要设计哪些字段?
一句话结论
分片协议至少要有:固件 ID、分片序号、偏移量、数据长度、分片 CRC、整包哈希、总片数;设备按序号请求分片,每片校验 CRC,全部完成后再校验整包哈希,断点续传时记录已接收的最大连续序号。
概念解释
- 分片序号(seq):从 0 开始,标识第几片。
- 偏移量(offset):该片在固件中的字节偏移,用于写入 Flash 定位。
- 分片 CRC:单片数据的校验,防止单片传输出错。
- 整包哈希:所有片下载完后计算,与云端发布的哈希比对。
- 断点续传:设备记录已写入的最大偏移,重连后从下一片开始。
原理流程
- 云端发布固件时生成:固件 ID、总大小、分片大小(如 64KB)、整包 SHA-256。
- 设备请求第 N 片:带 offset=(N-1)×64KB。
- 云端返回:seq、offset、len、data(64KB)、crc16。
- 设备校验 crc16,正确则写入 Flash,记录已接收偏移。
- 失败:重发该片,或跳到下一片,最后补缺失片。
- 全部完成:计算整包 SHA-256,与发布的哈希比对。
代码或图示
分片请求/响应字段:
请求:
fw_id: "v2.3.1"
seq: 12
offset: 786432 (12 × 64KB)
响应:
fw_id: "v2.3.1"
seq: 12
offset: 786432
len: 65536
crc16: 0xA3F2
data: <64KB 二进制>
断点续传:
设备本地记录: last_good_offset = 786432 (前 12 片完整)
重连后: 请求从 seq=12 开始
异常恢复: 扫描 Flash 备用分区, 校验已写片的 CRC, 找到第一个坏片, 从那里重传
常见误区
- 误区:只校验整包哈希;正解:整包哈希只能发现"有错误",不能定位哪片错,重传成本高;单片 CRC 才能逐片校验。
- 误区:分片大小越大越好;正解:太大(如 1MB)单片失败重传成本高;太小(如 1KB)协议开销占比大;经验 32–128KB。
- 误区:下载顺序无所谓;正解:顺序下载便于断点续传记录,乱序需要位图管理哪些片已收到。
追问
- 怎么防止"中间人替换分片"?答:每片用整包哈希校验,但更安全的是整包签名验签。机制上单片 CRC 只能防传输错误,不能防恶意替换。边界在于:签名验签在整包完成后做,单片传输中不做签名(太贵)。延伸:这是 14.6.4 固件加密的主题。
- 弱网下经常丢片怎么办?答:用"滑动窗口 + 选择性重传",而不是停等协议。机制上设备一次请求多片,收到后确认哪些片坏了,只重传坏片。边界在于:窗口太大会占用 RAM(设备 RAM 小),通常窗口 4–8 片。延伸:这就是为什么 OTA 协议参考了 TCP 滑动窗口思想。
- 怎么知道所有片都收齐了?答:记录已接收片的位图,请求缺失片;或顺序下载直到 offset == total_size。机制上顺序下载简单,乱序需要位图。边界在于:顺序下载时一片丢了就卡住,必须等重传。延伸:成熟实现是顺序下载 + 末尾补缺失片。
14.7.2-004 固件校验怎么做?只校验哈希够吗?
一句话结论
不够,校验分三层:单片 CRC(防传输错误)+ 整包 SHA-256(防下载损坏)+ 签名验签(防恶意替换);三层缺一不可,哈希只防意外损坏,不防攻击。
概念解释
- CRC:循环冗余校验,快速检测单片数据传输错误。
- SHA-256:整包哈希,检测下载过程中的位错误与拼接错误。
- 签名验签:用厂商公钥验证固件签名,只有厂商私钥签的固件才能运行。
- 防回滚:版本号单调递增,bootloader 拒绝启动更旧版本。
- 校验时机:单片 CRC 即时做,整包哈希与签名在全部下载完成后做。
原理流程
- 下载每片:算 CRC16,与响应中的 CRC 比对,错误则重传。
- 全部下载完:计算整包 SHA-256,与升级通知中的哈希比对。
- 签名验签:用内置公钥验证固件签名,确认是厂商发布的。
- 版本号检查:新固件版本号必须大于当前版本(防回滚)。
- 全部通过:标记备用分区 pending,准备切换。
代码或图示
三层校验:
层 1: 单片 CRC16 (每片即时校验, 失败重传)
层 2: 整包 SHA-256 (下载完成后比对, 防下载损坏)
层 3: RSA/ECDSA 签名验签 (防恶意替换, 防伪造固件)
校验失败处理:
层 1 失败: 重传该片 (最多 3 次)
层 2 失败: 丢弃整个备用分区, 通知云端"下载损坏"
层 3 失败: 拒绝切换, 记录安全事件, 可能触发告警
常见误区
- 误区:CRC 就能保证完整;正解:CRC 检错能力有限(约 16 位),整包必须用密码学哈希。
- 误区:哈希就是签名;正解:哈希是单向的,任何人都能算;签名是用私钥加密哈希,只有厂商能签。
- 误区:校验在运行时做;正解:必须在切换前做,运行中再发现问题就晚了。
追问
- 签名验签在 MCU 上慢吗?答:RSA-2048 验签在 Cortex-M4 上约几十毫秒,可接受;ECDSA 更快。机制上验签只需要一次公钥运算,不需要私钥运算(私钥运算才慢)。边界在于:极小 MCU 可能不支持硬件加密,软件实现 RSA 可能几百毫秒。延伸:这就是为什么低功耗 MCU 常用 ECDSA 或 Ed25519。
- 公钥存在哪里?答:存在 bootloader 代码区或 OTP,不可写。机制上公钥是"信任根"的一部分,必须固化在设备里。边界在于:公钥需要轮换时,要用"主公钥 + 次公钥"机制,bootloader 支持多公钥。延伸:这是 14.6.1 安全启动的主题。
- 校验过程中掉电怎么办?答:没关系,因为校验是在 RAM 里算的,备用分区只是写入,还没切换;重启后重新下载或续传。机制上校验不修改 Flash 状态,只做比对。边界在于:如果校验通过后、切换前掉电,重启后 bootloader 发现备用分区 pending 但 bootcount=0,会尝试启动一次。延伸:这就是为什么 bootcount 阈值要设计好。
14.7.2-005 灰度发布怎么分批?失败率怎么熔断?
一句话结论
灰度按批次推进:1%(内测)→ 10%(小范围)→ 50%(扩大)→ 100%(全量),每批观察 24–48 小时;失败率 = 升级失败设备数 / 已推送设备数,超过阈值(如 5%)自动暂停并告警,人工确认后再决定继续或回滚。
概念解释
- 灰度批次:按设备 SN/地域/型号分组,逐步扩大推送范围。
- 失败率:推送后未成功确认的设备占比,含下载失败、校验失败、回滚。
- 熔断:失败率超阈值自动暂停推送,避免事故扩大。
- 观察窗口:每批之间等待足够时间(24–48 小时),收集失败数据。
- 强制升级:紧急安全补丁可跳过灰度,直接全量推送。
原理流程
- 第一批次:选 1% 内部设备(测试组),推送新版本。
- 观察 24 小时:统计成功率、回滚率、用户反馈。
- 成功率 > 95%:扩大到 10%(特定地域或型号)。
- 继续观察:失败率 < 3% → 50%;失败率 > 5% → 熔断暂停。
- 熔断后:人工分析失败原因(固件 bug?网络问题?设备型号不兼容?)。
- 修复后重新灰度,或直接回滚(通知设备切回旧版本)。
代码或图示
灰度推进:
批次 1: 1% (内测, 24h)
批次 2: 10% (地域 A, 24h)
批次 3: 50% (除高危型号外, 48h)
批次 4: 100% (全量)
熔断规则:
失败率 > 5%: 暂停推送, 告警
失败率 > 10%: 自动触发回滚 (通知所有已升级设备切回旧版)
回滚率 > 3%: 暂停, 人工分析
指标看板:
已推送: 10000
成功: 9200 (92%)
回滚: 300 (3%)
下载失败: 500 (5%)
校验失败: 0
常见误区
- 误区:灰度就是随便选一批设备;正解:灰度要按"可观测性"分组,内测组要有日志回传能力,便于定位问题。
- 误区:失败率只看下载失败;正解:还要看回滚率(新固件启动后回滚)、业务异常率(升级后传感器数据异常)。
- 误区:熔断后直接继续;正解:熔断是暂停,必须人工分析原因,修复后重新灰度。
追问
- 怎么选灰度第一批次的设备?答:选"测试组 + 工程师自有设备 + 可观测性强的设备"。机制上这些设备有完整日志回传,出问题能快速定位。边界在于:不能选用户关键设备(如医疗、工业控制),升级失败影响大。延伸:成熟团队会维护一个"内测设备池",专门用于灰度。
- 失败率怎么实时统计?答:设备升级后必须回传"升级结果"事件(成功/失败/回滚),云端聚合统计。机制上每台设备升级完成后发一次 MQTT 消息。边界在于:弱网设备可能延迟回传,失败率统计有滞后。延伸:统计窗口要考虑回传延迟(如升级后 2 小时内回传的数据才算)。
- 紧急安全补丁怎么灰度?答:跳过灰度,直接全量推送,但要加强监控。机制上紧急补丁(如修漏洞)的收益大于风险,必须尽快覆盖。边界在于:紧急补丁也要做"强制升级"判定,设备必须满足电量/网络条件。延伸:这就是为什么 OTA 平台要支持"强制升级"标签。
14.7.2-006 回滚由谁触发?bootcount 怎么工作?
一句话结论
回滚由 bootloader 触发,不是应用:bootloader 记录新固件启动次数(bootcount),若新固件健康检查未通过或反复复位,bootcount 超过阈值(通常 3 次),bootloader 自动切回旧分区;应用层也可以主动请求回滚(如检测到关键传感器异常)。
概念解释
- bootcount:存在 Flash 或 OTP,记录"新固件已尝试启动次数"。
- 健康检查:新固件启动后自检(传感器、通信、业务),通过则清零 bootcount。
- 复位原因:bootloader 区分"正常启动"与"看门狗/复位",反复复位说明新固件有问题。
- 主动回滚:应用检测到严重问题(如传感器全部读数异常),主动写分区表切回旧版。
- 回滚记录:bootloader 记录回滚事件,供云端诊断。
原理流程
- 新固件启动:bootcount 从 0 开始,每次重启 +1。
- 应用启动后做健康检查:传感器通信正常、业务初始化成功。
- 健康检查通过:写分区表,bootcount=0,新分区标记 valid。
- 健康检查失败:不写 bootcount=0,设备重启,bootcount=1。
- 重复 3 次:bootcount=3,bootloader 判定新固件有问题,切回旧分区。
- 主动回滚:应用检测到关键异常,主动设置分区表切回旧版,重启。
代码或图示
bootloader 逻辑 (伪代码):
if partition_table.B.pending:
if partition_table.B.bootcount >= 3:
# 新固件启动失败 3 次, 回滚
partition_table.B.valid = false
partition_table.active = A
record_event("rollback: B failed")
jump to A
else:
partition_table.B.bootcount++
jump to B
应用确认逻辑:
health_check() == OK:
partition_table.B.valid = true
partition_table.B.bootcount = 0
partition_table.active = B
health_check() == FAIL:
# 不写 bootcount, 让它继续增长
# 或主动触发回滚:
partition_table.active = A
NVIC_SystemReset()
常见误区
- 误区:回滚是应用层的事;正解:应用可能已经跑不起来(HardFault、看门狗),只有 bootloader 能兜底。
- 误区:bootcount 阈值越大越好;正解:阈值太小(如 1 次)会误判(偶发复位);太大(如 10 次)会让设备长时间停在坏固件上。
- 误区:健康检查就是"能启动";正解:健康检查要覆盖关键业务(传感器、通信、执行器),不能只看 main 函数跑起来。
追问
- 怎么区分"偶发复位"与"固件 bug"?答:bootloader 检查复位原因(看门狗、软件复位、上电复位)。机制上看门狗复位说明应用卡住,软件复位说明应用主动重启。边界在于:偶发电源波动也会导致复位,误判为固件问题。延伸:成熟方案结合"复位原因 + bootcount + 业务日志"综合判定。
- 应用主动回滚怎么设计?答:应用检测到关键异常(如温度读数全是 NaN、通信完全不通),主动写分区表切回旧版。机制上应用必须有"自愈"逻辑,不能等 bootloader 兜底。边界在于:主动回滚要谨慎,避免误判(如传感器临时故障被当成固件 bug)。延伸:这就是为什么健康检查要分级(警告 vs 致命)。
- 回滚后怎么通知云端?答:bootloader 记录回滚事件,下次启动后应用回传给云端。机制上回滚事件存在 Flash 或 OTP,应用启动后读取并上报。边界在于:回滚后设备可能还是旧固件,旧固件不认识"回滚事件"格式。延伸:这就是为什么事件格式要兼容旧版本。
14.7.2-007 差分包和全量包怎么选?
一句话结论
差分包(delta)体积小(通常是全量包的 10%–30%),适合弱网与大固件场景,但生成与应用复杂、成功率低;全量包简单可靠,适合小固件或网络好的场景;百万设备 OTA 常用"全量包为主,差分包为辅"。
概念解释
- 全量包:完整的固件镜像,设备直接写入备用分区。
- 差分包:基于旧固件与新固件生成的差异补丁,设备用旧固件 + 补丁重建新固件。
- 差分算法:bsdiff、xdelta、Courgette 等,基于上下文匹配。
- 差分应用:设备需要读旧固件 + 差分包,重建新固件,对 RAM/Flash 要求高。
- 差分成功率:差分包生成时基于特定旧版本,设备版本不一致时无法用。
原理流程
- 评估固件大小:< 500KB 用全量包,> 1MB 考虑差分包。
- 评估网络:弱网(NB-IoT/LoRa)优先差分包。
- 差分生成:云端对每个"旧版本→新版本"组合生成差分包。
- 设备应用:读旧固件 → 加载差分包 → 重建新固件 → 校验。
- 失败回退:差分失败(旧版本不匹配)则下载全量包。
- 版本管理:差分包按"从哪个版本升级"分类,设备版本必须匹配。
代码或图示
差分 vs 全量:
全量包: v2.3.1.bin (1.2MB)
差分包: v2.3.0_to_v2.3.1.patch (180KB, 约 15%)
适用场景:
固件 < 500KB → 全量包 (简单可靠)
固件 > 1MB 且网络弱 → 差分包 (省流量)
设备版本杂 → 全量包 (差分要对每个旧版本生成补丁)
紧急升级 → 全量包 (差分成功率低, 浪费时间)
差分应用流程:
读旧固件 (A 分区) → 加载差分包 (B 分区) → 重建新固件 (B 分区)
重建失败 → 丢弃 B, 下载全量包
常见误区
- 误区:差分一定比全量好;正解:差分生成成本高(云端要为每个版本组合生成),应用也复杂,小固件场景不划算。
- 误区:差分对任何旧版本都能用;正解:差分基于特定旧版本,设备版本不一致时无法应用。
- 误区:差分省流量;正解:差分失败后回退到全量包,反而浪费流量。
追问
- 差分在 MCU 上怎么实现?答:需要读旧固件 + 写新固件,对 RAM 要求高(差分算法需要缓冲)。机制上 bsdiff 等算法在 MCU 上实现复杂,常用专门的差分库。边界在于:小 RAM 设备(< 64KB)可能跑不动差分应用。延伸:这就是为什么很多 MCU OTA 只支持全量包。
- 差分生成怎么管理?答:云端为每个"旧版本→新版本"组合生成差分包,存储在固件仓库。机制上版本多时差分组合爆炸(v1→v2、v1→v3、v2→v3…)。边界在于:设备版本分散时,差分组合太多,管理成本高。延伸:成熟方案是"差分包只对最近 2 个旧版本生成,更早的版本强制全量升级"。
- 差分成功率怎么保证?答:差分应用前先校验旧固件版本与哈希,匹配才应用。机制上旧固件版本不对直接拒绝差分,下载全量包。边界在于:设备旧固件被修改(如盗版)时,差分一定失败。延伸:这就是为什么差分包要配合版本号检查。
14.7.2-008 弱网下 OTA 怎么限速与错峰?
一句话结论
弱网下 OTA 要做三件事:限速(下载速率限制在带宽的 30%–50%,不影响业务通信)、错峰(避开业务高峰时段,在凌晨/低峰期下载)、断点续传(随时中断,下次继续)。
概念解释
- 限速:控制下载速率,避免占满带宽导致业务报文(传感器上报、控制命令)超时。
- 错峰:在设备低业务时段下载(如凌晨 2–5 点),不影响白天业务。
- 断点续传:下载过程可中断,记录已下载偏移,下次继续。
- 电量约束:电池设备只在充电时或电量充足时下载。
- 网络切换:Wi-Fi 优先,蜂窝网络慎重(流量成本)。
原理流程
- 设备检查条件:电量 > 30%、Wi-Fi 连接(或用户允许蜂窝)、当前是低峰时段。
- 开始下载:限速在带宽 30%,预留 70% 给业务。
- 业务报文优先级:业务 PUBLISH 优先,下载分片低优先级。
- 中断条件:电量低、网络切换、业务繁忙 → 暂停下载,记录偏移。
- 恢复条件:条件满足 → 从上次偏移继续下载。
- 错峰策略:默认凌晨 2–5 点下载,白天只在 Wi-Fi 且空闲时补下载。
代码或图示
下载调度策略:
触发条件:
电量 > 30%
(Wi-Fi 连接 或 用户允许蜂窝)
当前时间在 02:00-05:00 或 业务空闲
限速:
下载速率 = min(带宽 × 30%, 预设上限)
业务报文优先: 下载分片低优先级队列
中断:
电量 < 20% → 暂停, 记录 offset
网络断开 → 暂停, 记录 offset
业务繁忙 (队列堆积) → 暂停, 记录 offset
恢复:
条件满足 → 从 offset 继续
常见误区
- 误区:OTA 越快越好;正解:弱网下快下载会挤垮业务报文,导致传感器上报超时,用户感知差。
- 误区:随时都能下载;正解:电池设备要考虑电量,不能在低电量时下载。
- 误区:错峰就是半夜下载;正解:错峰要结合业务时段(如零售设备在凌晨,工业设备在周末)。
追问
- 怎么知道业务报文被挤了?答:监控业务 PUBLISH 的成功率与延迟。机制上如果下载期间业务报文超时率上升,说明限速不够。边界在于:弱网下业务报文本身就容易超时,要区分"下载导致"与"网络本身差"。延伸:成熟方案在下载期间监控业务指标,自动调整限速。
- 电池设备 OTA 可行吗?答:勉强可行,但要在充电时或电量充足时下载。机制上 OTA 下载耗电大(射频 + Flash 写),电池设备升级一次可能耗 5%–10% 电量。边界在于:纽扣电池设备(如温湿度传感器)通常不做 OTA,或只在用户主动触发时升级。延伸:这就是为什么 14.8.1 低功耗终端要权衡 OTA 可行性。
- 怎么处理"永远凑不齐下载条件"的设备?答:云端记录设备状态,对长期未升级的设备做"强制升级"(忽略电量/网络条件,但仍要限速)。机制上长期不升级的设备有安全风险,必须覆盖。边界在于:强制升级可能导致设备电量耗尽,要权衡。延伸:成熟方案是"强制升级 + 最低电量阈值"。
14.7.2-009 OTA 状态机的超时怎么设?
一句话结论
OTA 各阶段超时要分级:下载超时按带宽与固件大小估算(如 1MB 固件在 100kbps 下约 80 秒,超时设 300 秒);校验超时固定(如 30 秒);切换与确认超时按启动时间估算(如 60 秒);超时后进入失败处理,不影响运行固件。
概念解释
- 下载超时:从开始下载到全部完成的最长时间,按带宽估算。
- 校验超时:整包哈希与签名验签的最长时间。
- 切换超时:重启到新固件启动的最长时间。
- 确认超时:新固件健康检查的最长时间。
- 超时处理:超时后清理备用分区,通知云端,回到 IDLE。
原理流程
- 下载超时:估算 = 固件大小 / 最低带宽 × 3(留 3 倍余量)。
- 校验超时:SHA-256 与签名验签通常 < 5 秒,设 30 秒足够。
- 切换超时:bootloader 启动 + 应用初始化通常 < 10 秒,设 60 秒。
- 确认超时:健康检查通常 < 30 秒,设 120 秒。
- 超时处理:标记阶段失败,记录原因,清理备用分区,回到 IDLE。
- 重试策略:超时后不立即重试,按指数退避(14.7.1 讲的重连策略)。
代码或图示
各阶段超时:
DOWNLOADING: 300s (1MB 固件, 100kbps 带宽, 3 倍余量)
VERIFYING: 30s
BOOTING_NEW: 60s
CONFIRMED: 120s (健康检查)
超时处理:
超时 → 记录原因 (download_timeout / verify_timeout / boot_timeout)
→ 清理备用分区 (擦除)
→ 通知云端 "升级失败, 原因: xxx"
→ 回到 IDLE, 等待下次通知 (指数退避)
常见误区
- 误区:超时设得越大越好;正解:超时太大设备会长时间停在某个阶段,占用资源;太小会误判正常慢下载。
- 误区:所有阶段超时一样;正解:下载阶段最耗时(按带宽算),校验与切换阶段固定短超时。
- 误区:超时后立即重试;正解:超时说明网络或设备有问题,立即重试会重复失败。
追问
- 怎么估算下载超时?答:按最坏带宽估算,不按理想带宽。机制上弱网带宽可能只有 10kbps,1MB 固件要 800 秒,超时要留 3 倍余量。边界在于:带宽波动大,超时要足够宽松。延伸:成熟方案在下载期间动态调整超时(已下载 80% 时延长剩余时间)。
- 确认超时怎么设计?答:健康检查要分步做(传感器 → 通信 → 业务),每步有自己的超时。机制上不能一刀切设 120 秒,要按步骤分解。边界在于:健康检查本身可能依赖网络(如连云端验证),网络慢时确认超时要延长。延伸:这就是为什么确认阶段要"先本地检查,再云端验证"。
- 超时后设备状态是什么?答:回到 IDLE,运行的还是旧固件,备用分区已清理。机制上超时不影响运行中固件,设备继续正常工作。边界在于:如果超时发生在切换阶段(已经重启),设备可能在新固件与旧固件之间反复。延伸:这就是 bootcount 回滚机制的兜底。
14.7.2-010 升级中断电了会怎样?
一句话结论
断电发生在不同阶段后果不同:下载/校验阶段断电不影响(运行分区完好,重启后续传);切换阶段断电(bootloader 正在跳转)可能卡在 bootloader,靠 bootcount 兜底;确认阶段断电(新固件已运行但未确认)重启后 bootcount+1,3 次后回滚。
概念解释
- 下载阶段断电:备用分区写了一半,运行分区完好,重启后续传。
- 校验阶段断电:备用分区完整但未校验,重启后重新校验或重新下载。
- 切换阶段断电:bootloader 跳转到新分区过程中断电,可能卡在启动中。
- 确认阶段断电:新固件已运行但未标记 valid,重启后 bootcount+1。
- 兜底机制:bootcount 超限回滚到旧分区。
原理流程
- 下载阶段断电:重启后 bootloader 发现备用分区未校验(或校验失败),不跳转,运行旧固件;下次通知后续传。
- 校验阶段断电:重启后重新校验备用分区,失败则擦除备用分区。
- 切换阶段断电:bootloader 设置了"从 B 启动",重启后从 B 启动,bootcount=1;如果 B 跑不起来,bootcount 继续增长。
- 确认阶段断电:B 已运行但未写 bootcount=0,重启后 bootcount=2。
- 3 次后:bootloader 判定 B 有问题,切回 A(旧固件)。
- 极端情况:bootloader 本身损坏(如分区表写坏),设备变砖,只能通过 SWD/JTAG 重新烧录。
代码或图示
断电场景分析:
阶段 1: 下载中
→ 备用分区写了一半
→ 重启后: 运行旧固件, 备用分区待清理/续传
→ 后果: 无影响
阶段 2: 校验中
→ 备用分区完整, 但未校验
→ 重启后: 重新校验, 失败则擦除
→ 后果: 无影响
阶段 3: 切换中 (已设置分区表, 重启)
→ 重启后从 B 启动, bootcount=1
→ 若 B 正常: 继续确认流程
→ 若 B 跑不起来: bootcount++, 3 次后回滚
→ 后果: 可能短暂不可用, 但最终回滚
阶段 4: 确认中 (B 运行, 未写 bootcount=0)
→ 重启后 bootcount=2
→ 同上, 3 次后回滚
常见误区
- 误区:任何阶段断电都会变砖;正解:A/B 分区设计就是为了应对断电,只有 bootloader 本身损坏才变砖。
- 误区:断电后设备一定回滚;正解:断电后 bootcount 增长,3 次后才回滚,期间设备可能反复重启。
- 误区:切换阶段断电最危险;正解:切换阶段断电其实是正常的(bootloader 跳转),只要 bootcount 机制正常就能回滚。
追问
- 怎么防止 bootloader 本身变砖?答:bootloader 放在独立的只读分区,不参与 OTA;或用"双 bootloader"方案。机制上 bootloader 是信任根,不能被 OTA 修改。边界在于:bootloader 本身有 bug 时无法修复,只能硬件召回。延伸:这就是为什么 bootloader 要极度保守,功能最小化。
- 断电后设备重启策略是什么?答:bootloader 先检查分区表状态,决定从哪个分区启动。机制上 bootloader 不依赖应用,只要 Flash 完好就能启动。边界在于:分区表本身损坏时 bootloader 无法决策,进入 recovery 模式(只能通过 SWD 烧录)。延伸:成熟方案在 Flash 上放两份分区表,互为备份。
- 怎么验证断电恢复?答:在测试中故意在各阶段断电(拔电源),验证设备能恢复正常。机制上这是 OTA 测试的必做项。边界在于:测试要覆盖所有阶段(下载中、校验中、切换中、确认中),不能只测 happy path。延伸:这就是为什么 OTA 要做"故障注入测试"。
动手练习
练习 1:画出 A/B 分区的 Flash 布局与启动流程
- 任务:为 1MB Flash 的 MCU 设计 A/B 分区布局,标注 bootloader、分区表、A/B 分区、参数区的地址与大小。
- 验收标准:
- 能画出完整的升级时序(下载到 B → 校验 → 切换 → 确认)。
- 能说明断电后各阶段的恢复行为。
- 能给出 bootcount 阈值与回滚逻辑。
练习 2:设计一个灰度发布方案
- 任务:为 10 万台设备设计 OTA 灰度方案,包含批次、失败率阈值、熔断规则。
- 验收标准:
- 给出 4 个批次的比例与观察窗口。
- 给出失败率计算方式与熔断阈值。
- 说明熔断后如何恢复(人工分析、修复、重新灰度)。
自检清单
- [ ] 能否画出 OTA 五阶段状态机,并说明每阶段的失败处理?
- [ ] 能否设计 A/B 分区布局与 bootcount 回滚逻辑?
- [ ] 能否给出分片协议的关键字段与断点续传机制?
- [ ] 能否区分 CRC、SHA-256、签名验签三层校验的作用?
- [ ] 能否设计灰度批次与失败率熔断规则?
- [ ] 能否说明回滚由谁触发、依据什么判定?
- [ ] 能否判断差分包与全量包的适用场景?
- [ ] 能否给出弱网下 OTA 限速与错峰策略?
延伸阅读
- MCUboot 规范:A/B 分区、bootloader、签名验签的开源实现。
- MQTT OTA 主题设计(AWS IoT OTA / Azure IoT Device Update)。
- bsdiff / Courgette 差分算法文档。
- Semantic Versioning 与固件版本号管理。
- Zephyr / FreeRTOS 的 OTA 子系统文档(如 MCUmgr、Amazon FreeRTOS OTA)。
待整理清单
- [ ] 补充 MCUboot 与自研 bootloader 的实现差异
- [ ] 补充差分包在 MCU 上的实测体积与成功率
- [ ] 补充百万级 OTA 的 CDN 分发与限速实测数据