CN113704126A - 验证方法及其装置、计算机存储介质以及处理器 - Google Patents
验证方法及其装置、计算机存储介质以及处理器 Download PDFInfo
- Publication number
- CN113704126A CN113704126A CN202111027785.8A CN202111027785A CN113704126A CN 113704126 A CN113704126 A CN 113704126A CN 202111027785 A CN202111027785 A CN 202111027785A CN 113704126 A CN113704126 A CN 113704126A
- Authority
- CN
- China
- Prior art keywords
- parameters
- parameter
- verification
- predetermined function
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012795 verification Methods 0.000 title claims abstract description 120
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000012360 testing method Methods 0.000 claims abstract description 91
- 230000005284 excitation Effects 0.000 claims abstract description 44
- 230000006870 function Effects 0.000 claims description 90
- 238000004422 calculation algorithm Methods 0.000 claims description 35
- 238000013145 classification model Methods 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 25
- 230000015654 memory Effects 0.000 claims description 20
- 238000004806 packaging method and process Methods 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000010200 validation analysis Methods 0.000 claims 4
- 239000002699 waste material Substances 0.000 abstract description 7
- 238000012545 processing Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000013461 design Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000013522 software testing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3668—Software testing
- G06F11/3672—Test management
- G06F11/3688—Test management for test execution, e.g. scheduling of test suites
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3668—Software testing
- G06F11/3696—Methods or tools to render software testable
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种验证方法及其装置、计算机存储介质以及处理器。其中，该方法包括：利用预定函数对目标参数进行分类处理，得到分类后的目标参数；获取分类后的目标参数中的负类参数，并基于负类参数生成测试激励参数，其中，负类参数为使测试用例失败的参数；利用测试激励参数对待验证模块进行验证。本发明解决了针对相关技术中现有芯片验证领域存在浪费人力资源、验证效率低、进而推迟产品上市时间的技术问题。
Description
技术领域
本发明涉及电子设计封装测试领域，具体而言，涉及一种验证方法及其装置、计算机存储介质以及处理器。
背景技术
为了规范验证平台的搭建，在电子设计自动化(Electronic Design Automation，简称EDA)厂商和用户之间建立一个统一的原则，Accellera提出了通用验证方法学(Universal Verification Methodology，简称UVM)标准，并得到了Mentor、Cadence和Synopsys三大厂商的支持。UVM是一个以System Verilog类库为主体的验证平台开发框架，验证工程师可以利用其可重构组件构建具有标准层次结构和接口的功能验证环境。
图1是现有技术中传统的UVM验证平台结构的示意图，如图1所示，在现有验证方法以及验证架构中，如果对待验证模块(Design Under Test，简称DUT)有迭代更新或者改动，那么验证人员所开发的测试用例(case)需要根据随机函数重新生成含有新参数的激励灌输到对待验证模块DUT中。所输入参数产生的激励仍然随机，无法在短时间内精确验证到设计中的薄弱环节，而且所做工作与之前高度重复。该验证方法以及架构不仅会浪费不必要的人力资源，而且验证效率低，推迟产品上市时间，更有非常大的几率漏掉以前已经发现的漏洞。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种验证方法及其装置、计算机存储介质以及处理器，以至少解决针对相关技术中现有芯片验证领域存在浪费人力资源、验证效率低、进而推迟产品上市时间的技术问题。
根据本发明实施例的一个方面，提供了一种验证方法，其特征在于，包括：利用预定函数对目标参数进行分类处理，得到分类后的目标参数；获取所述分类后的目标参数中的负类参数，并基于所述负类参数生成测试激励参数，其中，所述负类参数为使测试用例失败的参数；利用所述测试激励参数对待验证模块进行验证。
可选地，在利用预定函数对目标参数进行分类处理，得到分类后的目标参数之前，所述方法还包括：调用随机函数基于所述测试用例中预先定义的参数生成所述目标参数。
可选地，调用随机函数基于测试用例中预先定义的所有参数生成所述目标参数，包括：获取所述测试用例中预先定义的至少部分参数；将所述至少部分参数约束到预定范围，得到初始参数；调用所述随机函数基于所述初始参数生成所述目标参数。
可选地，在利用预定函数对目标参数进行分类处理，得到分类后的目标参数之前，所述方法还包括：调用验证平台中验证环境所需的所述预定函数。
可选地，在调用验证平台中验证环境所需的预定函数之前，还包括：获取所述预定函数；其中，获取所述预定函数，包括：从第一数据库和第二数据库中获取样本数据，其中，所述第一数据库中存储有使测试用例验证失败的负类激励值，所述第二数据库中存储有使测试用例验证成功的正类激励值，所述样本数据中的一部分作为训练数据；利用所述训练数据对初始网络模型进行训练，得到预定分类模型；提取所述预定分类模型中算法的固定参数；对所述固定参数以及所述算法进行封装，得到所述预定函数。
可选地，提取所述预定分类模型中算法的固定参数，包括：利用所述样本数据中的另外一部分作为测试数据，对所述预定分类模型进行验证，得到验证结果；在所述验证结果表示所述预定分类模型的分类准确率达到预定阈值时，提取所述预定分类模型中算法的固定参数。
可选地，对所述固定参数以及所述算法进行封装，得到所述预定函数，包括：将所述固定参数和所述算法转换为C语言函数；将所述C语言函数封装为SV语言格式，得到所述预定函数。
可选地，利用所述预定函数对所述目标参数进行分类处理，得到分类后的目标参数，包括：将所述目标参数转换为与所述测试用例对应的参数矩阵；利用所述预定函数对所述参数矩阵进行分类处理，得到分类后的目标参数。
可选地，所述验证平台为通用验证方法学UVM验证平台。
根据本发明实施例的另外一个方面，还提供了一种验证装置，包括：分类模块，用于利用预定函数对目标参数进行分类处理，得到分类后的目标参数；第一获取模块，用于获取所述分类后的目标参数中的负类参数，并基于所述负类参数生成测试激励参数，其中，所述负类参数为使测试用例失败的参数；第一验证模块，用于利用所述测试激励参数对待验证模块进行验证。
可选地，所述装置还包括：调用模块，用于在利用预定函数对目标参数进行分类处理，得到分类后的目标参数之前，调用随机函数基于所述测试用例中预先定义的参数生成所述目标参数。
可选地，所述调用模块，包括：第一获取单元，用于获取所述测试用例中预先定义的至少部分参数；约束单元，用于将所述至少部分参数约束到预定范围，得到初始参数；调用单元，用于调用所述随机函数基于所述初始参数生成所述目标参数。
可选地，所述装置还包括：第二验证模块，用于在利用预定函数对目标参数进行分类处理，得到分类后的目标参数之前，调用验证平台中验证环境所需的所述预定函数。
可选地，所述装置还包括：第二获取模块，用于在调用验证平台中验证环境所需的预定函数之前，获取所述预定函数；其中，所述第二获取模块，包括：第二获取单元，用于从第一数据库和第二数据库中获取样本数据，其中，所述第一数据库中存储有使测试用例验证失败的负类激励值，所述第二数据库中存储有使测试用例验证成功的正类激励值，所述样本数据中的一部分作为训练数据；训练单元，用于利用所述训练数据对初始网络模型进行训练，得到预定分类模型；提取单元，用于提取所述预定分类模型中算法的固定参数；封装单元，用于对所述固定参数以及所述算法进行封装，得到所述预定函数。
可选地，所述提取单元，包括：验证子单元，用于利用所述样本数据中的另外一部分作为测试数据，对所述预定分类模型进行验证，得到验证结果；提取子单元，用于在所述验证结果表示所述预定分类模型的分类准确率达到预定阈值时，提取所述预定分类模型中算法的固定参数。
可选地，所述封装单元，包括：转换子单元，用于将所述固定参数和所述算法转换为C语言函数；封装子单元，用于将所述C语言函数封装为SV语言格式，得到所述预定函数。
可选地，所述分类模块，包括：转换单元，用于将所述目标参数转换为与所述测试用例对应的参数矩阵；分类单元，用于利用所述预定函数对所述参数矩阵进行分类处理，得到分类后的目标参数。
可选地，所述验证平台为通用验证装置学UVM验证平台。
根据本发明实施例的另外一个方面，还提供了一种电子设备，包括：存储器和处理器，其中，所述存储器存储有程序指令，所述处理器从所述存储器调取所述程序指令以执行如上述中任一项所述的验证方法。
根据本发明实施例的另外一个方面，还提供了一种计算机可读存储介质，存储有程序文件，所述程序文件能够被执行以实现如上述中任一项所述的验证方法。
在本发明实施例中，利用预定函数对目标参数进行分类处理，得到分类后的目标参数；获取分类后的目标参数中的负类参数，并基于负类参数生成测试激励参数，其中，负类参数为使测试用例失败的参数；利用测试激励参数对待验证模块进行验证。通过本发明实施例提供的验证方法，达到了对测试用例中的目标参数进行分类，并利用分类得到的负类参数生成测试激励参数以对待验证模块进行验证的目的，从而实现了有效提高芯片验证效率的技术效果，进而解决了针对相关技术中现有芯片验证领域存在浪费人力资源、验证效率低、进而推迟产品上市时间的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是现有技术中传统的UVM验证平台结构的示意图；
图2是根据本发明实施例的验证方法的流程图；
图3是根据本发明实施例的一种基于神经网络和UVM验证方法学的通用验证方法的流程图；
图4是根据本发明实施例的验证装置的示意图；
图5是根据本发明实施例的电子设备的示意图；
图6是根据本发明实施例的计算机可读存储介质的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明实施例，提供了一种验证方法的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图2是根据本发明实施例的验证方法的流程图，如图2所示，该方法包括如下步骤：
步骤S202，利用预定函数对目标参数进行分类处理，得到分类后的目标参数。
步骤S204，获取分类后的目标参数中的负类参数，并基于负类参数生成测试激励参数，其中，负类参数为使测试用例失败的参数。
步骤S206，利用测试激励参数对待验证模块进行验证。
由上可知，在本发明实施例中，首先可以利用预定函数对目标参数进行分类处理，得到分类后的目标参数；接着可以获取分类后的目标参数中的负类参数，并基于负类参数生成测试激励参数，其中，负类参数为使测试用例失败的参数；最后利用测试激励参数对待验证模块进行验证。通过本发明实施例提供的验证方法，达到了对测试用例中的目标参数进行分类，并利用分类得到的负类参数生成测试激励参数以对待验证模块进行验证的目的，从而实现了有效提高芯片验证效率的技术效果，进而解决了针对相关技术中现有芯片验证领域存在浪费人力资源、验证效率低、进而推迟产品上市时间的技术问题。
作为一种可选的实施例，在利用预定函数对目标参数进行分类处理，得到分类后的目标参数之前，该验证方法还包括：调用随机函数基于测试用例中预先定义的参数生成目标参数。
作为一种可选的实施例，上述步骤中，调用随机函数基于测试用例中预先定义的所有参数生成目标参数，包括：获取测试用例中预先定义的至少部分参数；将至少部分参数约束到预定范围，得到初始参数；调用随机函数基于初始参数生成目标参数。
需要说明的是，上述可选实施例中，将参数约束到预定范围是一种边界约束问题，其作用是提高实验参数可控性，防止出现干扰测试的赘余参数越过边界约束，其解决办法包括但不限于：重置方案来修改跨界参数；设置惩罚函数使实验参数远离受限区域。
在上述可选的实施例中，上述调用随机函数也就是在原有的测试用例(case)中定义的所有参数，在约束到合理范围之后调用随机参数，生成大量参数队列，生成参数矩阵，这样可以丰富参数序列的多样性。
作为一种可选的实施例，在上述步骤S202中，在利用预定函数对目标参数进行分类处理，得到分类后的目标参数之前，该验证方法还包括：调用验证平台中验证环境所需的预定函数。
可选的，上述验证环境为验证平台基于待验证模块预先配置的验证环境。
作为一种可选的实施例，在调用验证平台中验证环境所需的预定函数之前，该验证方法还包括：获取预定函数；其中，获取预定函数，包括：从第一数据库和第二数据库中获取样本数据，其中，第一数据库中存储有使测试用例验证失败的负类激励值，第二数据库中存储有使测试用例验证成功的正类激励值，样本数据中的一部分作为训练数据；利用训练数据对初始网络模型进行训练，得到预定分类模型；提取预定分类模型中算法的固定参数；对固定参数以及算法进行封装，得到预定函数。
在该实施例中，上述训练网络视参数复杂程度不同则选用不同的神经网络模型进行训练，一般采用BP神经网络算法、支持向量机算法或者卷积神经网络算法，可以节省测试平台的运行算力以及测试人员的工作时间。
需要说明的是，上述需要训练的初始网络模型并不限于上述几种，也可以为其他类型的。
在该实施例中，上述正类激励值是使测试用例成功的随机激励值，负类激励值是使测试用例失败的随机激励值，这样分类的好处是可以将负类(也就是使测试用例失败的)激励值灌输到待测试设计中去，这样处理可以精确验证易出现的系统漏洞。
作为一种可选的实施例，提取预定分类模型中算法的固定参数，包括：利用样本数据中的另外一部分作为测试数据，对预定分类模型进行验证，得到验证结果；在验证结果表示预定分类模型的分类准确率达到预定阈值时，提取预定分类模型中算法的固定参数。
在上述可选的实施例中，会根据训练最终的正确率决定是否停止训练，其中出于效率和算力节省的考虑一般正确率达到95％即可，这样不仅节约了算力，还使测试效率实现了最大化。
作为一种可选的实施例，对固定参数以及算法进行封装，得到预定函数，包括：将固定参数和算法转换为C语言函数；将C语言函数封装为SV语言格式，得到预定函数。
需要说明的是，上述可选的实施例中SV(System Verilog)语言格式为VUM验证平台相较于VHDL验证平台的改进点，其特点是可以支持约束随机激励，因此在UVM验证平台中ADC和GPIO可以带约束随机，这样使平台验证测试的准确性更高。
作为一种可选的实施例，在上述步骤S202中，利用预定函数对目标参数进行分类处理，得到分类后的目标参数，包括：将目标参数转换为与测试用例对应的参数矩阵；利用预定函数对参数矩阵进行分类处理，得到分类后的目标参数。
在上述可选的实施例中，将参数转化为矩阵的方式，可以更加体现变量之间的关系，而且参数矩阵在参数估计、推断等方面结构化更强，从而有益于提升工程师对芯片测试的可控性。
作为一种可选的实施例，验证平台为通用验证方法学UVM验证平台。
其中，UVM(Universal Verification Methodology，UVM)验证平台相较于其他验证平台具有鲁棒性强，适应性强的优势，当使用有次序的测试用例序列输入验证平台时，UVM的代码覆盖率是79％，当使用随机化的测试用例参数序列输入验证平台时，代码覆盖率可以提升至85％，其中，代码覆盖率是软件测试中描述程序中源代码被测试的比例，当代码覆盖率越高，越容易找到对待验证模块中的缺陷。
下面结合附图对本发明一个优选的实施例进行说明。
图3是根据本发明实施例的一种基于神经网络和UVM验证方法学的通用验证方法的流程图，如图3所示，具体按照以下步骤实施：
步骤一：在初始项目中进行验证的过程中收集相关验证失败测试用例(case)和验证成功测试用例(case)中的随机激励值，收集完成之后建立正样本和负样本数据库，分别存储并打上(正负)标签。
步骤二：采用BP神经网络算法或者支持向量机算法或者卷积神经网络算法(视参数复杂情况而定)，对收集的正负样本进行训练，将样本分为正类(使测试用例成功参数)和负类(使测试用例失败参数)。
步骤三：根据训练最终的正确率决定是否停止训练(一般达到百分之95即可)，停止训练之后，提取相关算法的参数，然后将算法与固定参数其转化成C语言函数，为了方便后期在验证环境中使用，还要将其封装为System Verilog函数。
步骤四：在相关设计产品迭代的验证中，将原有验证框架进行改进，其中主要是在case中进行算法的添加。
步骤五：在原有测试用例(case)中定义的所有参数，在约束到合理范围之后调用随机函数，生成大量参数队列，整合之后在测试用例(case)中生成参数矩阵。
步骤六：在测试用例(case)中调用步骤三封装成的System Verilog函数对步骤五中的参数矩阵进行分类。经过分类算法之后，参数会分为正类和负类，将分类出的所有负类参数生成测试激励，灌输到对待验证模块中去，这样不仅可以复用之前的验证结果，而且可以精确验证易出现的漏洞点。
综上，本发明的目的在于提供了一种基于神经网络和UVM方法学的通用验证方法及架构，解决了在产品迭代中现有芯片验证相关技术中存在浪费人力资源、验证效率低、推迟产品上市时间、更有较大几率漏掉以前已经发现的漏洞的问题，并且使用了SystemVerilog语言作为封装函数，其相对于其他验证平台的优点在于支持约束随即激励，增加了功能验证的鲁棒性。
实施例2
根据本发明实施例的另外一个方面，还提供了一种验证装置，图4是根据本发明实施例的验证装置的示意图，如图4所示，该验证装置包括：分类模块41、第一获取模块43以及第一验证模块45。下面对该验证装置进行说明。
分类模块41，用于利用预定函数对目标参数进行分类处理，得到分类后的目标参数。
第一获取模块43，用于获取分类后的目标参数中的负类参数，并基于负类参数生成测试激励参数，其中，负类参数为使测试用例失败的参数。
第一验证模块45，用于利用测试激励参数对待验证模块进行验证。
此处需要说明的是，上述分类模块41、第一获取模块43以及第一验证模块45对应于实施例1中的步骤S202至S206，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为装置的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
由上可知，在本发明实施例中，可以首先借助分类模块41利用预定函数对目标参数进行分类处理，得到分类后的目标参数；接着利用第一获取模块43获取分类后的目标参数中的负类参数，并基于负类参数生成测试激励参数，其中，负类参数为使测试用例失败的参数；最后借助第一验证模块45利用测试激励参数对待验证模块进行验证。通过本发明实施例提供的验证装置，达到了对测试用例中的目标参数进行分类，并利用分类得到的负类参数生成测试激励参数以对待验证模块进行验证的目的，从而实现了有效提高芯片验证效率的技术效果，进而解决了针对相关技术中现有芯片验证领域存在浪费人力资源、验证效率低、进而推迟产品上市时间的技术问题。
可选地，该验证装置还包括：调用模块，用于在利用预定函数对目标参数进行分类处理，得到分类后的目标参数之前，调用随机函数基于测试用例中预先定义的参数生成目标参数。
可选地，调用模块，包括：第一获取单元，用于获取测试用例中预先定义的至少部分参数；约束单元，用于将至少部分参数约束到预定范围，得到初始参数；调用单元，用于调用随机函数基于初始参数生成目标参数。
可选地，该验证装置还包括：第二验证模块，用于在利用预定函数对目标参数进行分类处理，得到分类后的目标参数之前，调用验证平台中验证环境所需的预定函数。
可选地，该验证装置还可以包括：第二获取模块，用于在调用验证平台中验证环境所需的预定函数之前获取预定函数；其中，所述第二获取模块，包括：第二获取单元，用于从第一数据库和第二数据库中获取样本数据，其中，第一数据库中存储有使测试用例验证失败的负类激励值，第二数据库中存储有使测试用例验证成功的正类激励值，样本数据中的一部分作为训练数据；训练单元，用于利用训练数据对初始网络模型进行训练，得到预定分类模型；提取单元，用于提取预定分类模型中算法的固定参数；封装单元，用于对固定参数以及算法进行封装，得到预定函数。
可选地，提取单元，包括：验证子单元，用于利用样本数据中的另外一部分作为测试数据，对预定分类模型进行验证，得到验证结果；提取子单元，用于在验证结果表示预定分类模型的分类准确率达到预定阈值时，提取预定分类模型中算法的固定参数。
可选地，封装单元，包括：转换子单元，用于将固定参数和算法转换为C语言函数；封装子单元，用于将C语言函数封装为SV语言格式，得到预定函数。
可选地，分类模块，包括：转换单元，用于将目标参数转换为与测试用例对应的参数矩阵；分类单元，用于利用预定函数对参数矩阵进行分类处理，得到分类后的目标参数。
可选地，验证平台为通用验证装置学UVM验证平台。
实施例3
根据本发明实施例的另外一个方面，还提供了一种电子设备，图5是根据本发明实施例的电子设备的示意图，如图5所示，电子设备包括相互连接的存储器501和处理器502。
存储器501用于存储实现上述任意一项的设备的方法的程序指令。
处理器502用于执行存储器501存储的程序指令。
其中，处理器502还可以称为CPU(Central Processing Unit，中央处理单元)。处理器502可能是一种集成电路芯片，具有信号的处理能力。处理器502还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器501可以为内存条、TF卡等，可以存储设备的电子设备中全部信息，包括输入的原始数据、计算机程序、中间运行结果和最终运行结果都保存在存储器中。它根据控制器指定的位置存入和取出信息。有了存储器，电子设备才有记忆功能，才能保证正常工作。电子设备的存储器按用途可分为主存储器(内存)和辅助存储器(外存),也有分为外部存储器和内部存储器的分类方法。外存通常是磁性介质或光盘等，能长期保存信息。内存指主板上的存储部件，用来存放当前正在执行的数据和程序，但仅用于暂时存放程序和数据，关闭电源或断电，数据会丢失。
实施例4
根据本发明实施例的另外一个方面，还提供了一种计算机可读存储介质，本申请的计算机可读存储介质存储有能够实现上述所有方法的程序文件603(如图6所示)，其中，该程序文件603可以以软件产品的形式存储在上述存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本申请各个实施方式方法的全部或部分步骤。而前述的存储装置包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质，或者是计算机、服务器、手机、平板等终端设备。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (12)
1.一种验证方法，其特征在于，包括：
利用预定函数对目标参数进行分类处理，得到分类后的目标参数；
获取所述分类后的目标参数中的负类参数，并基于所述负类参数生成测试激励参数，其中，所述负类参数为使测试用例失败的参数；
利用所述测试激励参数对待验证模块进行验证。
2.根据权利要求1所述的验证方法，其特征在于，在利用预定函数对目标参数进行分类处理，得到分类后的目标参数之前，所述方法还包括：
调用随机函数基于所述测试用例中预先定义的参数生成所述目标参数。
3.根据权利要求2所述的验证方法，其特征在于，调用随机函数基于测试用例中预先定义的所有参数生成所述目标参数，包括：
获取所述测试用例中预先定义的至少部分参数；
将所述至少部分参数约束到预定范围，得到初始参数；
调用所述随机函数基于所述初始参数生成所述目标参数。
4.根据权利要求1所述的验证方法，其特征在于，在利用预定函数对目标参数进行分类处理，得到分类后的目标参数之前，所述方法还包括：
调用验证平台中验证环境所需的所述预定函数。
5.根据权利要求4所述的验证方法，其特征在于，在调用验证平台中验证环境所需的预定函数之前，还包括：获取所述预定函数；
其中，获取所述预定函数，包括：
从第一数据库和第二数据库中获取样本数据，其中，所述第一数据库中存储有使测试用例验证失败的负类激励值，所述第二数据库中存储有使测试用例验证成功的正类激励值，所述样本数据中的一部分作为训练数据；
利用所述训练数据对初始网络模型进行训练，得到预定分类模型；
提取所述预定分类模型中算法的固定参数；
对所述固定参数以及所述算法进行封装，得到所述预定函数。
6.根据权利要求5所述的验证方法，其特征在于，提取所述预定分类模型中算法的固定参数，包括：
利用所述样本数据中的另外一部分作为测试数据，对所述预定分类模型进行验证，得到验证结果；
在所述验证结果表示所述预定分类模型的分类准确率达到预定阈值时，提取所述预定分类模型中算法的固定参数。
7.根据权利要求5所述的验证方法，其特征在于，对所述固定参数以及所述算法进行封装，得到所述预定函数，包括：
将所述固定参数和所述算法转换为C语言函数；
将所述C语言函数封装为SV语言格式，得到所述预定函数。
8.根据权利要求1所述的验证方法，其特征在于，利用所述预定函数对所述目标参数进行分类处理，得到分类后的目标参数，包括：
将所述目标参数转换为与所述测试用例对应的参数矩阵；
利用所述预定函数对所述参数矩阵进行分类处理，得到分类后的目标参数。
9.根据权利要求1至8中任一项所述的验证方法，其特征在于，所述验证平台为通用验证方法学UVM验证平台。
10.一种验证装置，其特征在于，包括：
分类模块，用于利用预定函数对目标参数进行分类处理，得到分类后的目标参数；
第一获取模块，用于获取所述分类后的目标参数中的负类参数，并基于所述负类参数生成测试激励参数，其中，所述负类参数为使测试用例失败的参数；
第一验证模块，用于利用所述测试激励参数对待验证模块进行验证。
11.一种电子设备，其特征在于，包括：存储器和处理器，其中，所述存储器存储有程序指令，所述处理器从所述存储器调取所述程序指令以执行如权利要求1至9中任一项所述的验证方法。
12.一种计算机可读存储介质，其特征在于，存储有程序文件，所述程序文件能够被执行以实现如权利要求1至9中任一项所述的验证方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111027785.8A CN113704126A (zh) | 2021-09-02 | 2021-09-02 | 验证方法及其装置、计算机存储介质以及处理器 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111027785.8A CN113704126A (zh) | 2021-09-02 | 2021-09-02 | 验证方法及其装置、计算机存储介质以及处理器 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113704126A true CN113704126A (zh) | 2021-11-26 |
Family
ID=78658938
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111027785.8A Pending CN113704126A (zh) | 2021-09-02 | 2021-09-02 | 验证方法及其装置、计算机存储介质以及处理器 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113704126A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115345098A (zh) * | 2022-08-18 | 2022-11-15 | 杭州爱芯元智科技有限公司 | Soc验证方法、装置、电子设备及存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130031520A1 (en) * | 2011-07-27 | 2013-01-31 | Kabushiki Kaisha Toshiba | Functional verification system for semiconductor integrated circuit, and functional verification method for semiconductor integrated circuit |
| CN103823747A (zh) * | 2012-11-16 | 2014-05-28 | 上海华虹集成电路有限责任公司 | 自动回归测试的方法 |
| US20160314228A1 (en) * | 2015-04-27 | 2016-10-27 | Zipalog, Inc. | System and method for passive verification |
| US20170161403A1 (en) * | 2015-12-04 | 2017-06-08 | Mentor Graphics Corporation | Assertion statement check and debug |
| CN111064449A (zh) * | 2019-12-11 | 2020-04-24 | 电子科技大学 | 一种基于uvm平台的数字降采样滤波器的验证平台及方法 |
| CN111610428A (zh) * | 2020-04-26 | 2020-09-01 | 哈尔滨工业大学 | 一种基于响应混叠性度量小波包分解算法的参数优化方法 |
| CN111832235A (zh) * | 2019-04-15 | 2020-10-27 | 畅想科技有限公司 | 对实现在一个或多个输入变量中为多项式的函数的集成电路的硬件设计的验证 |
| CN111983429A (zh) * | 2020-08-19 | 2020-11-24 | Oppo广东移动通信有限公司 | 芯片验证系统、芯片验证方法、终端及存储介质 |
-
2021
- 2021-09-02 CN CN202111027785.8A patent/CN113704126A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130031520A1 (en) * | 2011-07-27 | 2013-01-31 | Kabushiki Kaisha Toshiba | Functional verification system for semiconductor integrated circuit, and functional verification method for semiconductor integrated circuit |
| CN103823747A (zh) * | 2012-11-16 | 2014-05-28 | 上海华虹集成电路有限责任公司 | 自动回归测试的方法 |
| US20160314228A1 (en) * | 2015-04-27 | 2016-10-27 | Zipalog, Inc. | System and method for passive verification |
| US20170161403A1 (en) * | 2015-12-04 | 2017-06-08 | Mentor Graphics Corporation | Assertion statement check and debug |
| CN111832235A (zh) * | 2019-04-15 | 2020-10-27 | 畅想科技有限公司 | 对实现在一个或多个输入变量中为多项式的函数的集成电路的硬件设计的验证 |
| CN111064449A (zh) * | 2019-12-11 | 2020-04-24 | 电子科技大学 | 一种基于uvm平台的数字降采样滤波器的验证平台及方法 |
| CN111610428A (zh) * | 2020-04-26 | 2020-09-01 | 哈尔滨工业大学 | 一种基于响应混叠性度量小波包分解算法的参数优化方法 |
| CN111983429A (zh) * | 2020-08-19 | 2020-11-24 | Oppo广东移动通信有限公司 | 芯片验证系统、芯片验证方法、终端及存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| ZHANG, H: "An Optimal Water Resource Allocation Mechanism Based on Ex-Post Verification and Reward in Huangbai River", 《WATER》, vol. 13, no. 11, 19 June 2021 (2021-06-19) * |
| 卢诗华: "基于深度自编码器的数字化输电线路地形特征提取方法研究", 《电测与仪表》, vol. 58, no. 7, 31 July 2021 (2021-07-31) * |
| 艾阳阳;罗莉;杨庆娜;张恒浩;夏婷婷;: "一种基于贝叶斯网络的随机测试方法在Cache一致性验证中的设计与实现", 计算机工程与科学, no. 08, 15 August 2017 (2017-08-15) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115345098A (zh) * | 2022-08-18 | 2022-11-15 | 杭州爱芯元智科技有限公司 | Soc验证方法、装置、电子设备及存储介质 |
| CN115345098B (zh) * | 2022-08-18 | 2023-08-25 | 杭州爱芯元智科技有限公司 | Soc验证方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106940428B (zh) | 芯片验证方法、装置及系统 | |
| CN112560401B (zh) | Verilog文件转换方法、装置、存储介质及设备 | |
| CN101789034B (zh) | 用于构造规范表示的方法和装置 | |
| CN111064449A (zh) | 一种基于uvm平台的数字降采样滤波器的验证平台及方法 | |
| CN111639470B (zh) | 一种处理器协同芯片的仿真测试方法、系统及相关组件 | |
| CN109299530A (zh) | 一种仿真测试案例生成方法、系统、存储介质和终端 | |
| US20110225559A1 (en) | Logic verifying apparatus, logic verifying method, and medium | |
| CN115470748A (zh) | 一种芯片仿真加速方法、装置、电子设备及存储介质 | |
| CN111708712A (zh) | 用户行为测试用例的生成方法、流量回放方法及电子设备 | |
| CN112733478B (zh) | 用于对设计进行形式验证的装置 | |
| CN113704126A (zh) | 验证方法及其装置、计算机存储介质以及处理器 | |
| CN117350208A (zh) | 时序逻辑元件性能检查方法及设备 | |
| CN111400716A (zh) | 一种基于操作系统的安全机制验证方法 | |
| CN113032202B (zh) | 芯片验证方法、系统、装置、计算机设备及存储介质 | |
| CN112597718B (zh) | 集成电路设计的验证方法、验证装置以及存储介质 | |
| CN108108558B (zh) | 一种基于覆盖次数统计评价随机验证质量的方法及系统 | |
| CN102298112B (zh) | 一种可编程逻辑器件的测试方法及系统 | |
| CN111124790B (zh) | 一种可重用仿真接口模型的生成系统 | |
| CN112860587A (zh) | Ui自动测试方法和装置 | |
| CN112731117A (zh) | 芯片的自动验证方法和系统，及存储介质 | |
| CN116701208A (zh) | 一种芯片中内核模块的验证方法、系统、芯片和设备 | |
| CN116401171A (zh) | 一种测试例库生成方法、系统、设备及介质 | |
| CN103294837A (zh) | 一种集成电路的验证调试方法及系统 | |
| CN114861594B (zh) | 芯片的低功耗验证方法、装置、设备及存储介质 | |
| CN113760751B (zh) | 生成测试用例的方法、电子设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |