Skip to content

小内存固件的五种结构性选择:从静态分配到 OTA 分片 ​

学习目标

  • 能判断一块 RAM 该静态分配还是动态分配,并说清"堆碎片"为什么比"内存不够"更难查。
  • 能区分环形缓冲区的字节流语义与消息项语义,选错会让整包数据被悄悄截断。
  • 会按休眠周期、心跳周期、下行时延三个约束选协议,而不是按"哪个流行"选。
  • 能给 OTA 设计分片与回滚标记,并解释设备重启后为什么回到了旧固件。

1. 一台 320 KB RAM 的设备上,最贵的不是算力 ​

2025 年底,一个土壤墒情项目在换料后出了问题。

旧板子是 ESP32-WROOM,新板子换了更便宜的模组,RAM 从 520 KB 掉到 320 KB。功能一个没减,OTA 照常每周一次。

上线两周,现场反馈"设备每 5 天左右自己重启一次"。日志里没有 panic,只有一行 Guru Meditation 之前的一句堆分配失败。

这不是内存不够。空闲堆始终在 90 KB 以上。问题是那块空闲堆被切成了 200 多个不连续碎片,最大的连续块只剩 3 KB,而 OTA 写一页需要 4 KB。

这一章讲的五件事,都是为了让换料、降配、加功能的时候少踩这种坑。其中"下行命令要等多久"那一项,跟云端怎么定义期望态直接相关,另见 设备影子与物模型。

2. 五件事的位置:从 RAM 到空中的那条链 ​

顺序不能反。

先定内存策略,才谈得上缓冲;先定缓冲深度,才知道协议能不能扛住重传;先定休眠窗口,才知道心跳能不能按时发出去。OTA 排在末位——它同时挤压前三项留下的余量。

3. 静态分配:不是怀旧,是把最坏情况写进链接脚本 ​

动态分配在 MCU 上的问题不在于慢,在于不可预测。malloc 在最坏情况下会失败,而失败点往往出现在你已经没机会处理的时刻——比如正在写 flash。

我的规则很简单:启动后确定生命周期的东西全部静态;只有"数量不定、大小不定、时必须可失败"的才走池化。

c
// 预期的静态布局:编译期就能算出来的最坏占用
static uint8_t  s_rx_buf[2][512];          // 两个 MQTT 报文缓冲,双缓冲接收
static sensor_sample_t s_hist[64];         // 采样环形历史,1 小时 @ 1 分钟
static uint8_t  s_tx_frame[256];           // 上行帧,永不重入
static StaticSemaphore_t s_lock_buf;       // 信号量的存储也在静态区
static SemaphoreHandle_t s_lock;           // 句柄在 app_main 里创建,此后不变

void app_main(void) {
    s_lock = xSemaphoreCreateMutexStatic(&s_lock_buf);
    ESP_LOGI(TAG, "static footprint: rx=%u hist=%u frame=%u",
             (unsigned)sizeof s_rx_buf, (unsigned)sizeof s_hist,
             (unsigned)sizeof s_tx_frame);
}

预期输出(ESP-IDF 6.x,ESP32 目标;版本线见 ESP-IDF releases):

text
I (312) app: static footprint: rx=1024 hist=1536 frame=256

这几个数字要真的对一遍。sensor_sample_t 如果是 24 字节,64 条就是 1536 字节,不是 1536 位。算错一次,链接出来 .bss 超了,报错信息只会说 region dram0_0_seg overflowed,不会告诉你是哪块缓冲区。

堆碎片的真正来源

ESP-IDF 里最容易被忽略的碎片源是 TLS 握手。mbedTLS 每次握手会申请若干块几 KB 的缓冲,握手完成后释放。如果设备每 30 秒重连一次 MQTT,一天就是 2,880 次握手,堆的形状会被这些"申请-释放-申请更大"的序列反复揉。heap_caps_get_largest_free_block() 而不是 heap_caps_get_free_size() 才是你该盯的指标。

一个反例:有人在中断里调用 malloc。不是"性能不好",是直接不合法——malloc 不是中断安全的,在某些 RTOS 配置下会死锁。中断里只能往环形缓冲区投递,别的都留到任务里做。

4. 环形缓冲区:字节流和消息项是两种东西 ​

这一节最容易翻车。两种缓冲区名字一样,语义完全不同。

类型语义写入单位读满时的行为典型用途
字节环形缓冲连续字节流任意长度覆盖最旧字节或拒绝写UART 收数据、日志暂存
消息项环形缓冲离散消息一条完整消息拒绝整条,不截断传感器采样、命令队列

FreeRTOS 的 stream buffer 是前一种,ESP-IDF 的 RingBuffer(xRingbufferCreate)两种都支持。选错的表现是:一条 200 字节的采样包,在缓冲区只剩 120 字节时被写进去一半,读出来解析成垃圾。

c
// 消息项语义:要么整条进,要么整条不进
static void sample_task(void *arg) {
    sensor_sample_t s;
    while (1) {
        read_sensor(&s);
        // 超时 0 表示"满了就丢",不阻塞采集循环
        if (xRingbufferSend(s_rb, &s, sizeof s, 0) != pdTRUE) {
            s_drop_count++;
            if ((s_drop_count & 0x0F) == 0) {
                ESP_LOGW(TAG, "rb full, dropped=%u", (unsigned)s_drop_count);
            }
        }
        vTaskDelay(pdMS_TO_TICKS(60000));
    }
}

预期输出(1 小时、缓冲区 8 条、消费任务被阻塞的情况下):

text
W (3600123) sample: rb full, dropped=16
W (7200455) sample: rb full, dropped=32

计数按 16 的倍数打印,是为了不在日志里淹死自己。这个细节很小,但现场排查时你会感谢自己。

有一个明确的判断:不建议在 MCU 上做"满了覆盖最旧"的环形缓冲,除非它纯粹用于调试日志。业务数据被覆盖意味着你会在完全无感知的情况下丢点,而丢点对时序分析是致命的。拒绝写入并计数,至少你知道丢了多少。

5. 协议:MQTT 不是默认答案 ​

MQTT 在 MCU 上的真实成本经常被低估。不是报文头那 2 字节,是它要求的一整套东西:长连接、keepalive、QoS 状态机、TLS 会话、断线重连的退避。

MQTT 3.1.1 规定:服务端在 1.5 倍 keepalive 时间内没收到任何控制报文,就要断开连接。也就是说 keepalive 设 60 秒,设备最迟 90 秒不发东西就会被踢。这对一个"每天上报 4 次"的农业传感器来说,意味着 99.9% 的唤醒是为了维持连接,而不是为了传数据。

维度MQTTCoAPLwM2M
传输层TCP(或 MQTT over TLS)UDPUDP + DTLS
连接模型长连接 + keepalive无连接,请求/响应注册 + 生命周期续约
典型唤醒开销握手 + 订阅恢复一次往返注册更新
下行可达性订阅期间可达需 Observe 或设备轮询注册有效期内可达
适合的场景常供电、需频繁双向休眠为主、数据小需要设备管理与 FOTA

LwM2M 这块有个坑必须提前说。Eclipse Wakaama 的 README 写得毫不含糊:唯一官方发布版是 2018 年的 1.0,受 CVE-2019-9004 与 CVE-2021-41040 影响,官方已不再支持 1.0,要用药最新的 main 分支提交。

这条对选型影响很大。你想要的是"稳定的发布版",实际拿到的是"只能跟主干"。我的做法是锁一个 commit hash 到自己的 vendor 目录,而不是让构建脚本去拉分支——分支会动,commit 不会。

bash
# 锁定提交,不用分支,不依赖发行包
git submodule add https://github.com/eclipse-wakaama/wakaama.git third_party/wakaama
cd third_party/wakaama && git checkout <pinned-sha>   # 换成你验证过的那一个
git -C ../.. submodule status

预期输出:

text
 8f2c0d1... third_party/wakaama (heads/main)

前面的空格表示工作区干净且与记录的 SHA 一致。如果前缀变成 +,说明子模块被改过,构建前先查清楚是谁改的。

LwM2M 的心跳其实就是注册生命周期(lifetime)。设备注册时声明 lifetime,比如 3600 秒,服务端到期未收到 Update 就认为设备离线。这比 MQTT keepalive 省得多:一次 Update 就是一次小报文,而 MQTT 的 keepalive 是持续的、不能省的心跳。代价是下行时延——你想下发命令,得等设备下一次 Update 或设备主动 Observe。

6. 休眠与心跳:三个周期必须能整除 ​

三个周期是:采样周期 T_sample、上报周期 T_report、注册有效期 lifetime。约束是 lifetime > T_report × 2,留一次丢包重试的余量。

最常见的配置错误是 lifetime 等于 T_report。这样每次上报前设备已经"离线"了几秒,平台的下行队列在设备刚上线时正好判定无可达路径,命令全部落进"等待补发"。看板上表现为"设备一直在线,但命令成功率 60%"。

另一个细节:唤醒后先发数据还是先续约?我选先续约。因为续约报文最小,成功率高;数据帧大,可能失败需要重传。先续约能保证即使数据重传失败,设备在下个周期仍然"在线",而不是被判离线后再补一堆告警。

关于 ESP-IDF 的电源管理,esp_pm_configure() 那套自动调频对 Wi-Fi 场景有效,但对"整机深睡"没有帮助——那是 esp_deep_sleep_start() 的地盘。两者不要混着调,容易得出错误结论。

7. OTA:分片、校验、以及那个让设备回到旧固件的标记 ​

ESP-IDF 的 OTA 依赖两个 app 分区轮换:当前运行的分区、以及一个待写入的分区。写完后设置启动分区,重启进入新固件。

有三个点必须自己验证,前两个是配置问题,第三个是时序问题。

第一,分区表要够大。 OTA 写入的目标分区必须能容纳完整的新固件。partitions.csv 里 ota_0 / ota_1 各一份,每份不小于 app 实际大小。换料降 RAM 时常常顺手缩分区,然后 OTA 写到 97% 报错,前面写的全废。

第二,回滚标记。 开启 CONFIG_BOOTLOADER_APP_ROLLBACK_ENABLE 后,新固件第一次启动处于待验证状态(pending verify)。它必须在自检通过后主动调 esp_ota_mark_app_valid_cancel_rollback(),否则下次重启会回滚。这个"下次重启"是关键——不是立刻回滚,是等你重启。所以现象是"新固件跑了两天看着挺好,一断电重启又变回旧版"。

第三,分片要用流式校验,不能等全下完再算。 flash 写一页通常 4 KB,分片大小取 4 KB 的整数倍最省事。

c
// 分片写入的最小骨架:校验边写边算,失败即弃
static esp_ota_handle_t s_ota;
static const esp_partition_t *s_target;

esp_err_t ota_begin(void) {
    s_target = esp_ota_get_next_update_partition(NULL);
    return esp_ota_begin(s_target, OTA_WITH_SEQUENTIAL_WRITES, &s_ota);
}

esp_err_t ota_chunk(const uint8_t *data, size_t len) {
    return esp_ota_write(s_ota, data, len);   // 内部按 4KB 页对齐写入
}

esp_err_t ota_finish_and_boot(void) {
    esp_err_t err = esp_ota_end(s_ota);
    if (err != ESP_OK) return err;            // 镜像校验失败在这里才暴露
    err = esp_ota_set_boot_partition(s_target);
    if (err == ESP_OK) esp_restart();
    return err;
}

预期输出(一次成功的 1.2 MB 固件升级,串口日志节选):

text
I (12034) ota: begin, target=ota_1 size=0x140000
I (12038) ota: wrote 4096/1258291 (0%)
I (98421) ota: wrote 1257472/1258291 (99%)
I (98655) ota: image verified, boot partition set to ota_1
I (98660) ota: mark valid -> cancel rollback

那行 mark valid 必须真的执行。少了它,设备在下次重启时会被 bootloader 送回旧分区——而日志里不会有一句"回滚",只有一串看起来正常的启动信息。

有一个判断我给得很明确:不建议在 MCU 上做差分(delta)OTA,除非你的固件体积是主要成本。差分升级要求设备端能重建完整镜像,需要额外的 flash 空间、额外的算法代码,以及一份"基线版本必须完全匹配"的强假设。一旦现场有 7 个固件版本在跑,你就得准备 7 套差分包或一套链式升级逻辑。全量升级在这个尺度上更省钱——省的是你的排障时间。

8. 固件侧绕不开的八个词 ​

下面八个词,前四个决定你怎么写代码,后四个决定你怎么跟平台对账。

术语英文一句话解释
静态分配static allocation编译期确定地址与大小,运行期不申请不释放
内存池memory pool预分配等长块,分配失败可预测
最大连续块largest free block堆中能一次性分配出去的最大字节数
消息项缓冲item ring buffer以整条消息为单位存取,不拆分
注册生命周期lifetimeLwM2M 中设备声明的可达有效期
待验证状态pending verify新固件首次启动后、标记有效前的状态
回滚rollbackbootloader 把启动分区切回旧固件的动作
差分升级delta OTA只传新旧镜像差异部分的升级方式

9. 照抄文档会踩空的三处 ​

很多人以为空闲堆足够大就不会分配失败,实际决定成败的是最大连续块,因为 flash 页写入和 TLS 握手都是"要一块连续的"。

很多人以为环形缓冲区默认会截断写入,实际取决于类型:消息项缓冲区要么整条进要么不进,字节缓冲区才会写一半。

很多人以为 OTA 失败会报错,实际最常见的失败形态是"静默回滚"——没有错误码,只有版本号悄悄变回去。

最后留两道题。

第一道,一台设备每 15 分钟上报一次、RAM 320 KB、需要接收下行命令且延迟要求 60 秒内。用 MQTT 保长连接,还是 LwM2M 缩短 lifetime?各自的电流预算怎么估?

第二道,你的 OTA 分片大小是 1024 字节,flash 页是 4096 字节。这会发生什么?为什么"能升级成功"和"升级慢了三倍"都不算正确答案?

这两道题背后是同一个分界:前五项选择里,只有 OTA 是会随时间变坏的——分区、回滚标记、分片对齐一旦定错,后期每加一个功能都在还债。内存与缓冲错了,改一版固件就能收;OTA 的错,往往要等第一次现场断电重启才暴露。

有一处我没法给答案:上面所有数字都来自 ESP-IDF 6.x 加 ESP32 这一组合。换到 RISC-V 内核或别的 RTOS,链接脚本的段名、堆管理器的碎片行为、xRingbufferCreate 的实现都可能不同,那三条判断要自己重测一遍再下结论。