在机器人控制、航空航天、软件定义无线电等嵌入式实时系统中，硬实时（hard real-time）要求是最为严苛的约束之一。它意味着系统必须在确定的时间窗口内完成指定任务，任何超时都可能导致灾难性后果。这类系统通常使用 C、C++ 或 Rust 等静态语言编写，并运行在实时操作系统（RTOS）或裸机环境上。然而，Python 作为一门动态、高级语言，以其卓越的开发效率和丰富的生态系统吸引着开发者。能否让 Python 在保持其开发便利性的同时，满足硬实时的确定性要求？
近年来，一种名为 “copy-and-patch” 的编译器技术为这一难题提供了新的思路。本文将深入剖析 copy-and-patch 的核心原理，并以 Copapy 项目为例，探讨如何通过该技术为 Python 实现硬实时保证，涵盖从确定性编译、内存管理到中断延迟控制的完整工程路径。
copy-and-patch：极速编译与高质量代码的平衡术
copy-and-patch 本质上是一种 “模板化” 的代码生成技术。其核心思想可以概括为 “复制 + 修补”：编译器预先准备一个 “模板库”（stencil library），库中的每个模板都是一小段经过高度优化的机器代码片段，这些片段由传统的 AOT 编译器（如 GCC、Clang）生成。当需要编译某个高级语言操作（例如整数加法、函数调用）时，编译器从库中选择合适的模板，将其二进制字节直接复制到目标代码缓冲区中，然后根据当前上下文，修补模板中预留的 “孔洞”（hole）—— 这些孔洞通常对应着跳转目标地址、立即数或寄存器编号。
这种设计带来了两大优势。首先，编译速度极快。因为大部分工作只是内存复制（memcpy）和少量整数的写入，其开销远低于传统的指令选择、寄存器分配和代码优化流程。有研究表明，copy-and-patch 的编译时间甚至可以短于构建抽象语法树（AST）本身。其次，生成代码质量高。由于模板来自成熟的优化编译器，最终生成的机器码质量接近手写汇编或直接由 AOT 编译器输出的代码，避免了传统解释器或简单 JIT 的性能损失。
正是这些特性，使得 copy-and-patch 在需要快速启动且对性能有要求的场景中备受青睐，例如 WebAssembly 的基线编译器、元编程框架以及领域特定语言（DSL）的实现。
Python 的硬实时之殇与 Copapy 的破局
Python 的硬实时之路布满荆棘。其根本矛盾在于语言的动态特性 —— 垃圾回收（GC）、动态类型、反射、运行时代码生成等 —— 都会引入不可预测的延迟。标准的 CPython 解释器甚至无法提供软实时保证，更不用说硬实时了。因此，传统的思路是将 Python 限制在系统的非实时部分，实时核心仍由 C/C++ 实现。
Copapy 项目提出了一个更为激进的方案：将 Python 作为实时计算的前端描述语言，通过 copy-and-patch 技术将其编译为确定性的、可在 RTOS 或裸机上执行的本机代码。Copapy 自称是一个 “基于追踪的 copy-and-patch 编译器”，其目标是在嵌入式实时计算领域，提供类似 PyTorch、JAX 在 AI 领域般的开发体验 —— 既保持 Python 的灵活性与易用性，又能生成高性能、确定性的机器码。
Copapy 的工作流程体现了对确定性的极致追求：
- 追踪与建图：运行用户 Python 代码，但并非直接执行计算，而是 “追踪” 其操作，构建一个包含所有变量和操作的有向无环图（DAG）。该阶段支持函数、闭包和条件分支，但分支条件必须在追踪时可知，以确保图的确定性。
- 优化与线性化：对 DAG 进行优化，例如消除乘以 1、加 0 等无效操作，合并常量，并利用稀疏性简化计算。随后将图线性化为一个确定的操作序列。
- 模板映射与修补：将每个操作映射到一个或多个预编译的模板上。编译器生成包含二进制代码（由模板拼接而成）、常量数据和 “修补指令” 的包。修补指令指明了如何将模板中的符号地址替换为实际的内存地址。
- 交付与执行：将编译产物交给一个用 C 编写的轻量级 “运行器”（runner）。运行器负责在目标环境（RTOS 线程或裸机）中分配内存、填入代码与数据、应用修补指令，最终跳转执行。
值得注意的是，Copapy 生成的二进制代码不进行任何系统调用，也不依赖 libc 等外部库。这种自包含特性是其确定性的基石，也使得部署异常简单 —— 只需将二进制块加载到目标内存即可。
实现硬实时保证的工程细节
将 copy-and-patch 技术应用于 Python 并实现硬实时，远不止于一个编译器前端。它需要全栈的协同设计，涵盖编译、内存、调度和硬件等多个层面。
1. 确定性编译流程
硬实时要求从源代码到可执行映像的整个过程必须是确定性的。这意味着相同的输入（源代码和配置）必须产生完全相同的输出（二进制代码）。Copapy 通过以下方式保证：
- 静态图构建：基于追踪的 DAG 生成是确定性的，避免了运行时输入依赖的不确定性。
- 确定性算法：图优化和线性化算法本身是确定性的，不使用随机数或依赖未指定的排序。
- 固定模板库：模板库在编译 Copapy 自身时已确定，不会在用户编译时发生变化。
2. 内存管理策略
动态内存分配是实时系统的大敌。Copapy 采用了完全静态的内存模型：
- 寄存器虚拟化：使用两个虚拟寄存器承载中间结果，在大多数架构上可映射到物理寄存器，避免内存访问。
- 静态堆：无法存入寄存器的数据被放置在编译时预先确定大小的静态堆区域中，地址在编译时即已知。
- 无动态分配：程序运行期间不进行
malloc或new操作，所有内存需求在编译时即可计算并预留。
这种设计使得程序的最坏情况执行时间（WCET）分析成为可能，因为内存访问的延迟是固定且可预测的。
3. 中断延迟控制
即使代码本身是确定性的，硬件中断仍可能破坏实时性。Copapy 提供了两种部署模式来应对：
- 实时线程模式：运行器作为一个高优先级的实时线程，运行在打了 PREEMPT_RT 补丁的 Linux 内核上。此模式下，Python 环境（非实时）与实时计算内核共享 CPU 和内存，但通过严格的优先级隔离。
- 独立 MCU 模式：为追求更高的确定性，可将运行器部署在一个独立的微控制器（MCU）上，该 MCU 运行裸机程序或轻量级 RTOS。Python 主机通过通信总线（如 SPI、UART）向 MCU 发送计算任务和获取结果。这种模式彻底隔离了非实时环境的影响。
4. 与 RTOS 的集成
Copapy 的运行器设计极为精简，便于移植到各种 RTOS（如 FreeRTOS、Zephyr）或裸机环境。运行器仅需提供内存分配、代码加载和跳转执行的基本能力。由于修补指令已被处理为架构无关的格式，运行器无需理解复杂的 ELF 重定位细节，进一步降低了移植难度。
可落地参数与监控清单
对于希望在实际项目中应用此类技术的工程师，以下参数与监控点可供参考：
编译时参数：
- 编译时间上限：针对目标函数，测量并设定 copy-and-patch 阶段的耗时上限（通常应 < 1ms）。
- 代码大小预算：根据模板库和程序复杂度，预估生成的二进制代码大小，确保其不超过目标设备的可用内存（如 FLASH）。
- 静态堆大小：根据 DAG 分析，精确计算并预留静态堆内存，通常为所有临时变量和常量数据的总和。
运行时监控点：
- WCET 验证：在目标硬件上，通过最坏情况输入刺激，测量并验证从任务触发到结果返回的总时间是否满足截止期限。
- 中断响应延迟：在实时线程或 MCU 上，测量从外部中断信号发出到对应中断服务例程（ISR）第一条指令执行的时间。
- 内存布局固定性：验证每次编译后，关键变量和代码块的地址是否保持不变，这是确定性的重要体现。
系统集成检查：
- 通信抖动：在独立 MCU 模式下，测量主机与 MCU 间通信总线的延迟抖动，确保其不会成为瓶颈。
- 优先级反转防护：在 RTOS 中，检查是否使用了优先级继承或天花板协议，防止高优先级任务被低优先级任务阻塞。
结论
copy-and-patch 编译器技术为 Python 闯入硬实时领域打开了一扇门。它巧妙地将 Python 的开发效率与接近本机代码的性能、确定性结合在一起。Copapy 等项目展示了这条路径的可行性，但其成功依赖于从语言子集约束、确定性编译到底层 RTOS 集成的全栈精心设计。
目前，这类技术仍处于发展和验证阶段，在硬件 I/O 支持、更广泛的架构兼容性等方面尚有完善空间。然而，其核心思想 —— 通过预编译模板和确定性修补来平衡速度、性能与确定性 —— 为软硬件协同设计、实时智能计算等前沿领域提供了富有想象力的工具。对于嵌入式开发者而言，在评估 C/Rust 等传统选择之外，现在或许可以多问一句：这个功能，能否用确定性的 Python 来实现？
资料来源：
- Copy-and-patch - Wikipedia
- Nonannet/copapy: Tracing based copy-and-patch compiler for Python