CN117648895B - 失效分析方法及装置、计算机可读存储介质、终端 - Google Patents

Abstract

一种失效分析方法及装置、计算机可读存储介质、终端，所述方法包括：确定DFT诊断数据；根据所述DFT诊断数据，确定各个目标组合的分数，其中，所述目标组合包含各种疑似失效的类型和位置的组合；基于各个硬件节点的各个目标组合的分数，采用路径推理模型确定每个目标组合的分布概率；根据所述分布概率，确定第一失效分析结果。本发明可以使用户快速定位到失效位置进行分析，有效提高失效分析的效率和准确性。

Description

失效分析方法及装置、计算机可读存储介质、终端

技术领域

本发明涉及测试技术领域，尤其涉及一种失效分析方法及装置、计算机可读存储介质、终端。

背景技术

半导体的可测性设计（Design For Test，DFT）诊断，就是把自动测试设备（Automatic Test Equipment，ATE）测试产生的日志（log）文件中包含的电性表现信息，通过DFT诊断工具转化为疑似失效的失效位置、疑似失效的类型等信息，并输出这些信息为诊断结果文件。

针对诊断结果进行失效分析的过程，可视为对诊断结果文件进行解析、汇总、分析，还原到晶圆图或版图上，并找到系统性问题。

然而，由于芯片设计复杂性日益提高，芯片中动辄包含上亿个晶体管，DFT诊断往往难以准确定位到某一个或几个疑似失效的位置，而是列举出数十个，上百个疑似失效的位置，导致用户进行失效分析的成功率和准确性下降。

亟需一种失效分析方法，能够提高失效分析的成功率和准确性。

发明内容

本发明解决的技术问题是提供一种失效分析方法及装置、计算机可读存储介质、终端，可以使用户快速定位到失效位置进行分析，有效提高失效分析的效率和准确性。

为解决上述技术问题，本发明实施例提供一种失效分析方法，包括：确定DFT诊断数据，所述DFT诊断数据包含疑似失效的硬件节点的疑似失效的路径，每个路径的疑似失效的位置组的组信息，每个组信息包括该位置组包含的疑似失效的位置和类型；根据所述DFT诊断数据，确定各个目标组合的分数，其中，所述目标组合包含各种疑似失效的类型和位置的组合；基于各个硬件节点的各个目标组合的分数，采用路径推理模型确定每个目标组合的分布概率；根据所述分布概率，确定第一失效分析结果。

可选的，所述DFT诊断数据中的每个组信息还包含该位置组的诊断分数；根据所述DFT诊断数据，确定各个目标组合的分数，包括：根据各个位置组的诊断分数，确定各个目标组合的分数。

可选的，所述根据各个位置组的诊断分数，确定各个目标组合的分数，包括：根据各个位置组的诊断分数，对各个位置赋值；在每个硬件节点中，对相同类型的位置的赋值进行加和，以得到各个目标组合的分数。

可选的，所述DFT诊断数据还包含各个路径的诊断分数；根据各个位置组的诊断分数，对各个位置赋值，包括：确定各个路径在所属的硬件节点下的第一诊断分数占比；确定各个位置组在所属的路径下的第二诊断分数占比；对于每个位置组，采用所述第二诊断分数占比、所属的路径的第一诊断分数占比、第一预设数值的乘积，对该位置组中的每个位置进行赋值。

可选的，根据所述DFT诊断数据，确定各个目标组合的分数，包括：在每个硬件节点中，采用每个目标组合出现的次数作为该目标组合的分数。

可选的，所述位置选自：疑似层、疑似单元。

可选的，所述方法还包括：确定各个目标组合在所属的硬件节点的分数占比；所述根据所述分布概率，确定第一失效分析结果，包括：根据各个目标组合在所属的硬件节点的分数占比与所述分布概率的乘积，以所述乘积作为第一失效分析结果。

可选的，所述方法还包括：对每个硬件节点中包含的各个目标组合的所述乘积进行归一化处理，得到归一化分值；分别计算各个目标组合的归一化分值在各个硬件节点中的和值；根据所述和值，确定第二失效分析结果。

可选的，对每个硬件节点中包含的各个目标组合的所述乘积进行归一化处理，包括：对每个硬件节点，计算各个目标组合的乘积的和值，记为节点内和值；计算每个目标组合的乘积与所述节点内和值的商值，作为该目标组合的归一化分值。

可选的，所述路径推理模型采用贝叶斯推论；所述采用路径推理模型确定每个目标组合的分布概率，包括：采用贝叶斯推论进行多轮推论，在每轮推论中确定第一商值集合，其中，所述第一商值集合中的每个第一商值用于指示单个目标组合，且为该目标组合在疑似失效的各个硬件节点下的分数之和与总分数的商值，所述总分数为疑似失效的各个硬件节点的各个目标组合的分数之和；针对每个目标组合，确定各轮推论中的第一商值，并计算第一商值的均值，作为该目标组合的所述分布概率。

可选的，每轮推论的输出采用下述公式确定：

；

其中，D_i用于表示第i轮推论的目标组合的各个硬件节点的分数，Θ_i,0用于表示第i轮推论前的第一商值集合，Θ_i,1用于表示第i轮推论后得到的第一商值集合，P(Θ_i,0) 用于表示第i轮推论的先验分布，P(D_i|Θ_i,0)用于表示已知得到第i轮目标组合的推论分数的概率Θ_i,0的情况下，得到第i轮目标组合的推论分数D_i的概率，又称为似然函数，P(Θ_i,1|D_i)用于表示第i轮推论的后验分布，P(D_i)用于表示边缘似然率推论。

可选的，所述采用贝叶斯推论进行多轮推论，包括：在首轮推论中，对每个类型的各个目标组合的分数均赋值为1，得到首轮推论前的第一商值集合Θ_1,0，确定首轮推论的先验分布P(Θ_1,0)；在满足首轮推论的Θ_1,0的情况下，以首轮推论的目标组合的各个硬件节点的分数D₁为观测数据，确定P(D₁|Θ_1,0)、后验分布P(Θ_1,1|D₁)以及首轮推论后的第一商值集合Θ_1,1；自第二轮推论起，采用第i-1轮推论的后验分布P(Θ_i-1,1|D_i-1)赋值至第i轮推论的先验分布P(Θ_i,0)，以及采用第i-1轮推论的Θ_i-1,1赋值至第i轮推论的Θ_i,0，在满足第i轮推论的Θ_i,0的情况下，创建第i轮推论的目标组合的各个硬件节点的分数D_i作为观测数据，确定P(D_i,0|Θ_i,0)、后验分布P(Θ_i,1|D_i,1)以及Θ_i,1；直至确定Θ_I,1时，针对每个目标组合，确定各轮推论的第一商值的均值并作为该目标组合的所述分布概率；其中，i、I为正整数，且2≤i≤I。

为解决上述技术问题，本发明实施例提供一种失效分析装置，包括：DFT数据确定模块，用于确定DFT诊断数据，所述DFT诊断数据包含疑似失效的硬件节点的疑似失效的路径，每个路径的疑似失效的位置组的组信息，每个组信息包括该位置组包含的疑似失效的位置和类型；组合分数确定模块，用于根据所述DFT诊断数据，确定各个目标组合的分数，其中，所述目标组合包含各种疑似失效的类型和位置的组合；推论模块，用于基于各个硬件节点的各个目标组合的分数，采用路径推理模型确定每个目标组合的分布概率；分析结果确定模块，用于根据所述分布概率，确定第一失效分析结果。

为解决上述技术问题，本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器运行时执行上述失效分析方法的步骤。

为解决上述技术问题，本发明实施例提供一种终端，包括存储器和处理器，所述存储器上存储有能够在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时执行上述失效分析方法的步骤。

与现有技术相比，本发明实施例的技术方案具有以下有益效果：

在本发明实施例中，根据DFT诊断数据，确定目标组合的分数后，采用路径推理模型确定每个目标组合的分布概率，以目标组合的分数为输入，在疑似失效位置过多的情况下，可以获得更为合理、准确的目标组合的分布概率，从而可以使用户定位到准确性更高的失效位置进行分析，有效提高失效分析的效率和准确性。

进一步，所述DFT诊断数据中的每个组信息还包含该位置组的诊断分数；根据各个位置组的诊断分数，确定各个目标组合的分数，可以经由DFT诊断获得的位置组的诊断分数作为后续运算的基础，具备更高的可量化性，从而提高后续确定目标组合的分数的准确性。进一步，通过确定各个目标组合在所属的硬件节点的分数占比，进而采用各个目标组合在所属的硬件节点的分数占比与所述分布概率的乘积，作为第一失效分析结果，可以采用第一失效分析结果指示目标组合中的位置的失效概率，乘积越大的目标组合，对应的位置的失效概率越高，从而可以对乘积进行排序，使用户快速定位到失效位置进行分析，有效提高失效分析的效率和准确性。

进一步，所述方法还包括：对每个硬件节点中包含的各个目标组合的所述乘积进行归一化处理，得到归一化分值，分别计算各个目标组合的归一化分值在各个硬件节点中的和值，根据所述和值，确定第二失效分析结果，由于归一化处理后各个硬件节点的分值范围更为一致，消除了量纲影响，各个目标组合的归一化分值的和值能够更准确地指示该目标组合是否发生普遍性失效，和值越大的目标组合，发生普遍性失效的概率也越大，从而可以对和值进行排序，使用户快速定位到普遍性失效的类型和位置，进一步提高失效分析的分析质量。

进一步，根据各个位置组的诊断分数，对各个位置赋值；在每个硬件节点中，对相同类型的位置的赋值进行加和，以得到各个目标组合的分数。采用上述方案，可以通过赋值处理，将诊断分数变为各个目标组合的分数，从零散的、分析价值较低的位置组的诊断分数变为集中的、分析价值较高的以疑似失效的位置和类型的组合为焦点的分数，有效提高后续分析的准确性。

进一步，确定各个路径在所属的硬件节点下的第一诊断分数占比，确定各个位置组在所属的路径下的第二诊断分数占比，对于每个位置组，采用所述第二诊断分数占比、所属的路径的第一诊断分数占比、第一预设数值的乘积，对该位置组中的每个位置进行赋值。采用上述方案，可以基于两重诊断分数占比进行赋值，既充分考虑到所属的位置组在所属的路径下的疑似失效的可信度，又充分考虑到所属的路径在所属的硬件节点下的疑似失效的可信度，相比于直接采用位置组的诊断分数作为位置组内各个位置的分数，能够更有效地提高赋值的准确性和可信度；相比于仅采用第一诊断分数占比和第二诊断分数占比的乘积，采用上述方案，额外乘以第一预设数值，可以通过增大数值甚至增加数值的数量级，可以增强各个位置之间的分数差异性，进一步提高后续分析的准确性和可靠性。

进一步，在每个硬件节点中，采用每个目标组合出现的次数作为该目标组合的分数，由于目标组合出现次数越多，发生疑似失效的概率越大，因此可以通过采用目标组合出现的次数作为该目标组合的分数，使用户定位到准确性更高的失效位置进行分析。此外，采用每个目标组合出现的次数作为该目标组合的分数，相比于其他确定分数的方法，还可以降低目标组合的分数的确定复杂性，提高确定效率。

进一步，所述路径推理模型采用贝叶斯推论，采用贝叶斯推论进行多轮推论，在每轮推论中确定第一商值集合，其中，所述第一商值集合中的每个第一商值用于指示单个目标组合，且为该目标组合在疑似失效的各个硬件节点下的分数之和与总分数的商值，所述总分数为疑似失效的各个硬件节点的各个目标组合的分数之和；针对每个目标组合，确定各轮推论中的第一商值，并计算第一商值的均值，作为该目标组合的所述分布概率。采用上述方案，可以通过贝叶斯推论模型的多轮推论得到每个目标组合的分布概率，在疑似失效位置过多的情况下，通过多轮推论获得更为合理、准确的目标组合的分布概率。

进一步，采用适当的公式得到每轮推论的输出，从而可以基于每一轮推论的目标组合的各个硬件节点的分数、每一轮推论的推论前的第一商值集合、和每一轮推论的推论后得到的第一商值集合，提高每一轮推论的后验分布的合理性和准确性。

进一步，在首轮推论中，对每个类型的各个目标组合的分数均赋值为1，得到首轮推论前的第一商值集合Θ_1,0，确定首轮推论的先验分布P(Θ_1,0)；在满足首轮推论的Θ_1,0的情况下，以首轮推论的目标组合的各个硬件节点的分数D₁为观测数据，确定P(D₁|Θ_1,0)、后验分布P(Θ_1,1|D₁)以及首轮推论后的第一商值集合Θ_1,1；自第二轮推论起，采用第i-1轮推论的后验分布P(Θ_i-1,1|D_i-1)赋值至第i轮推论的先验分布P(Θ_i,0)，以及采用第i-1轮推论的Θ_i-1,1赋值至第i轮推论的Θ_i,0，在满足第i轮推论的Θ_i,0的情况下，创建第i轮推论的目标组合的各个硬件节点的分数D_i作为观测数据，确定P(D_i,0|Θ_i,0)、后验分布P(Θ_i,1|D_i,1)以及Θ_i,1；直至确定Θ_I,1时，针对每个目标组合，确定各轮推论的第一商值的均值并作为该目标组合的所述分布概率，从而可以在对每个类型的各个目标组合的中间参数进行适当的赋值的基础上，确定先验分布。并采用第i-1轮推论的Θ_i-1,1赋值至第i轮推论的Θ_i,0，从而在样品数量有限的情况下，能够更大可能地提高预测准确性。并且由于在每轮推论中，都会推论出P(D_i,0|Θ_i,0)、后验分布P(Θ_i,1|D_i,1)以及第i轮推论后的第一商值集合Θ_i,1，进而对各轮推论得到的第一商值集合中属于每个目标组合的第一商值进行平均，其均值作为该目标组合的分布概率。采用上述方案，有助于在DFT诊断难以定位，疑似失效位置过多，不确定性过高的情况下，提高推论得到的目标组合的分布概率的准确性。

附图说明

图1是本发明实施例中一种失效分析方法的流程图；

图2是本发明实施例中一种DFT诊断数据的示意图；

图3是本发明实施例中一种目标组合在多轮推论中得到的第一商值的分布示意图；

图4是本发明实施例中另一种失效分析方法的部分流程图；

图5是本发明实施例中一种失效分析装置的结构示意图。

具体实施方式

半导体的可测性设计（Design For Test，DFT）诊断，就是把自动测试设备（Automatic Test Equipment，ATE）测试产生的日志（log）文件中包含的电性表现信息，通过DFT诊断工具转化为怀疑的失效位置（例如具体的设计单元名称和版图位置、金属连线的名称和版图位置等）、失效的类型（固定0故障、固定1故障、0/1翻转太慢或者0/1翻转太快等行为模式）等信息，并把这些信息输出成诊断结果文件。通常是每个芯片的每个测试条件都会有一个诊断结果文件，一片晶圆一般会有上千到几万个诊断结果文件。在该环节，常用的DFT诊断工具有TestMax和Tessent Diagnosis等。

具体而言，可测性设计的基本原理可视为转变测试思想，将输入信号的枚举与排列的测试方法（即完全测试），转变为对电路内各个节点的测试，即直接对电路硬件组成单元进行测试，降低测试的复杂性。具体实现方法包括将复杂的逻辑电路分块；采用附加逻辑和电路使测试生成容易，并能覆盖全部的硬件节点；添加自检测模块，使测试具有智能化和自动化等。

针对诊断结果进行失效分析的过程，可视为对诊断结果文件进行解析、汇总、分析，通过将这些测试结果还原到晶圆图上、还原到版图上，以及各种叠图和统计计算，找到系统性问题，比如发现某一种设计的单元（standard cell）比其他的设计单元更容易出现失效，某一层（layer）比其他层更容易出现失效等。

然而，在非先进工艺节点时，由于芯片设计相对没那么复杂，同一个芯片在DFT诊断时通常定位较精准，诊断结果中通常只有一个或几个怀疑的失效位置，用户对这几个失效位置进行物理失效分析，得到失效原因的概率较大。但是，随着先进工艺节点的芯片设计复杂性日益提高，芯片中动辄包含上亿个晶体管，DFT诊断就很难定位到某一个或几个失效位置，而是有可能怀疑数十个，上百个失效位置，用户就难以对一个芯片的上百个失效位置进行物理失效分析，物理失效分析的成功率和准确性下降。

经过研究发现，在现有的一种处理方法中，依赖DFT诊断数据中的打分结果，仅对诊断分数较高的疑似失效的路径、该路径下疑似失效的位置进行失效分析，从而大大降低用户分析的工作量，然而该方法严重依赖DFT诊断数据的诊断能力，受到诊断结果文件的准确性的限制，失效分析的准确性较差。

在本发明实施例中，根据DFT诊断数据，确定目标组合的分数后，采用路径推理模型确定每个目标组合的分布概率，以目标组合的分数为输入，在疑似失效位置过多的情况下，可以获得更为合理、准确的目标组合的分布概率，从而可以使用户定位到准确性更高的失效位置进行分析，有效提高失效分析的效率和准确性。

为使本发明的上述目的、特征和有益效果能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。

参照图1，图1是本发明实施例中一种失效分析方法的流程图。所述失效分析方法可以包括步骤S11至步骤S14：

步骤S11：确定DFT诊断数据，所述DFT诊断数据包含疑似失效的硬件节点的疑似失效的路径，每个路径的疑似失效的位置组的组信息，每个组信息包括该位置组包含的疑似失效的位置和类型；

步骤S12：根据所述DFT诊断数据，确定各个目标组合的分数，其中，所述目标组合包含各种疑似失效的类型和位置的组合；

步骤S13：基于各个硬件节点的各个目标组合的分数，采用路径推理模型确定每个目标组合的分布概率；

步骤S14：根据所述分布概率，确定第一失效分析结果。

在步骤S11的具体实施中，可以采用常规的DFT诊断工具获得DFT诊断数据，如TestMax，Tessent等DFT诊断工具。

其中，所述DFT诊断数据可以包含疑似失效的硬件节点的疑似失效的路径，每个路径的疑似失效的位置组等信息。

参照图2，图2是本发明实施例中一种DFT诊断数据的示意图。

如图所示，所述DFT诊断数据可以包括一个或多个疑似失效的硬件节点，如图2示出的疑似失效的硬件节点1、疑似失效的硬件节点2等。

所述硬件节点例如可以为门级器件的外节点。具体而言，可测性设计的测试生成通常是针对门级器件的外节点进行的，设置硬件节点作为最高级，有助于适配可测性设计的设计目标。

每个疑似失效的硬件节点可以包括一个或多个疑似失效的路径，如图2中以疑似失效的硬件节点1包含疑似失效的路径1和疑似失效的路径2为例进行说明。需指出，疑似失效的路径的数量可以大于2，并不受到图2示例的限制。

进一步地，所述DFT诊断数据还可以包含各个路径的诊断分数，用于表示该路径发生缺陷的可信度。如100分用于表示高度怀疑，0分用于表示几乎不予怀疑。

在本发明实施例中，所述DFT诊断数据中的每个组信息还包含该位置组的诊断分数，从而可以采用经由DFT诊断获得的位置组的诊断分数作为后续运算的基础，具备更高的可量化性。

如图2示出的疑似失效的路径1的分数为100，疑似失效的路径2的分数为80。

每个路径可以包括一个或多个疑似失效的位置组及其组信息，每个组信息包括该位置组包含的疑似失效的位置、类型以及该位置组的诊断分数。

进一步地，所述位置可以选自：疑似层、疑似单元。

其中，疑似层（layer）可以用于表示疑似失效的层信息，例如第一金属层（M1）、第一通孔层（V1）和第二金属层（M2）。

疑似单元（Cell）可以用于表示疑似失效的单元信息，例如第一单元（Cell1）、第二单元（Cell2）、第三单元（Cell3）等。

在图2示出的具体实施例中，疑似失效的路径1的疑似失效的位置组1的组信息为{分数：100，类型：CELL_OPEN，位置：cell1}。

具体地，疑似失效的类型为单元开路缺陷（CELL_OPEN），疑似失效的位置为第一单元（cell1），对该位置组发生缺陷的可信度打分为100。

疑似失效的路径1的疑似失效的位置组2的组信息为{分数：90，类型：DOM，位置：M1，M2}。

具体地，疑似失效的类型为桥接（bridge）缺陷（DOM），疑似失效的位置为第一金属层（M1）和第二金属层（M2），对该位置组发生缺陷的可信度打分为90。

疑似失效的路径2的疑似失效的位置组1的组信息为{分数：80，类型：OPEN，位置：M1，V1，M2}。

具体地，疑似失效的类型为开路缺陷（OPEN），疑似失效的位置为第一金属层（M1）、第一通孔层（V1）和第二金属层（M2），对该位置组发生缺陷的可信度打分为80。

疑似失效的路径2的疑似失效的位置组2的组信息为{分数：50，类型：OPEN，位置：M1}。

具体地，疑似失效的类型为开路缺陷（OPEN），疑似失效的位置为第一金属层（M1），对该位置组发生缺陷的可信度打分为50。

由上述实施例可知，同一位置（如M1）可能被包含在多个路径的多个位置组中，对应于多种疑似失效的类型（如DOM、OPEN），增加了用户进行失效分析的难度。

在步骤S12中，根据各个位置组的诊断分数，确定各个目标组合的分数，所述目标组合包含各种疑似失效的类型和位置的组合。

进一步地，所述DFT诊断数据中的每个组信息还包含该位置组的诊断分数；根据所述DFT诊断数据，确定各个目标组合的分数，包括：根据各个位置组的诊断分数，确定各个目标组合的分数。

在本发明实施例中，所述DFT诊断数据中的每个组信息还包含该位置组的诊断分数；根据各个位置组的诊断分数，确定各个目标组合的分数，可以经由DFT诊断获得的位置组的诊断分数作为后续运算的基础，具备更高的可量化性，从而提高后续确定目标组合的分数的准确性。

具体地，以上述疑似失效的路径2的疑似失效的位置组1的组信息{分数：80，类型：OPEN，位置：M1，V1，M2}为例，可以得到以下目标组合：OPEN-M1、OPEN-V1、OPEN-M2。

在图2示出的四个位置组的示例中，可以得到目标组合如下：CELL_OPEN-cell1、DOM-M1、DOM-M2、OPEN-M1、OPEN-V1、OPEN-M2、OPEN-M1。

进一步地，根据各个位置组的诊断分数，确定各个目标组合的分数的步骤可以包括：根据各个位置组的诊断分数，对各个位置赋值；在每个硬件节点中，对相同类型的位置的赋值进行加和，以得到各个目标组合的分数。

在本发明实施例中，通过对各个位置赋值，在每个硬件节点中，对相同类型的位置的赋值进行加和，以得到各个目标组合的分数。可以通过赋值处理，将诊断分数变为各个目标组合的分数，从零散的、分析价值较低的位置组的诊断分数变为集中的、分析价值较高的以疑似失效的位置和类型的组合为焦点的分数，有效提高后续分析的准确性。

在本发明实施例的一种具体实施例中，可以基于两重诊断分数占比，对各个位置进行赋值，既充分考虑到所属的位置组在所属的路径下的疑似失效的可信度，又充分考虑到所属的路径在所属的硬件节点下的疑似失效的可信度。

具体地，根据各个位置组的诊断分数，对各个位置赋值的步骤可以包括：确定各个路径在所属的硬件节点下的第一诊断分数占比；确定各个位置组在所属的路径下的第二诊断分数占比；对于每个位置组，采用所述第二诊断分数占比、所属的路径的第一诊断分数占比、所属的路径的诊断分数的乘积，对该位置组中的每个位置进行赋值。

具体地，可以通过下述公式，确定第一诊断分数占比：

；

其中，P_{s_i}用于表示第一诊断分数占比，S_i用于表示当前硬件节点下的第i个路径的诊断分数，n用于表示当前硬件节点包含的路径的数量。

如图2示出的疑似失效的路径1在所属的硬件节点下的第一诊断分数占比P_{s_1}为[100/(100+80)]=0.55556，疑似失效的路径2在所属的硬件节点下的第一诊断分数占比P_{s_2}为[80/(100+80)]=0.44444。

可以通过下述公式，确定第二诊断分数占比：

；

其中，P_{c_ij}用于表示第二诊断分数占比，C_ij用于表示当前硬件节点下的第i个路径的第j个位置组的诊断分数，m用于表示第j个位置组所属的路径（即第i个路径）包含的位置组的数量。

进一步地，对于每个位置组，采用所述第二诊断分数占比、所属的路径的第一诊断分数占比、第一预设数值的乘积，对该位置组中的每个位置进行赋值。

在具体实施中，通过额外乘以第一预设数值，可以通过增大数值甚至增加数值的数量级，可以增强各个位置之间的分数差异性，进一步提高后续分析的准确性和可靠性。

在一个非限制性的具体实施例中，可以采用增加数值的两个数量级（即第一预设数值为100）的方式，增大数值以增强各个位置之间的分数差异性。此外，采用100这一数值还有助于在计算百分比、百分位时提高运算效率。

具体地，可以采用下述公式，计算所述乘积：

；

其中，d用于表示所述第一预设数值，该占比乘积的公式中的其他各个参数可以参考前文及公式中的参数含义，此处不再赘述。

如图2示出的疑似失效的路径1的位置组1的乘积P_{candidate_11}为[100/(100+90)]×55.556=29.240，疑似失效的路径1的位置组2的乘积P_{candidate_12}为[90/(100+90)]×55.556=26.316，疑似失效的路径2的位置组1的乘积P_{candidate_21}为[80/(80+50)]×44.444=27.350，疑似失效的路径2的位置组2的乘积P_{candidate_22}为[50/(80+50)]×44.444=17.094。

参照表1，表1是对图2示例的各个位置组中的每个位置进行赋值后得到的赋值表。

其中，Candidate11至Candidate22用于表示计算得到的乘积，用于对位置组中的每个位置进行赋值。

如表1所示，OPEN-M1既属于Candidate21，又属于Candidate22。

需要指出的是，在本发明实施例的另一种具体实施方式中，可以直接采用位置组的诊断分数作为位置组内各个位置的分数，以提高计算效率。

具体地，参照图2中的各个位置组的分数，CELL_OPEN-cell1的分数可以为100，DOM-M1和DOM-M2的分数可以为90，等等。

需要指出的是，在本发明实施例的又一种具体实施方式中，可以仅采用第一诊断分数占比和第二诊断分数占比的占比乘积，作为位置组内各个位置的分数，以提高计算效率。

具体地，参照前文以及图2中的各个位置组的分数，可以采用下述公式，计算所述占比乘积：

；

其中，该占比乘积的公式中的各个参数可以参考前文及公式中的参数含义，此处不再赘述。

在本发明实施例中，确定各个路径在所属的硬件节点下的第一诊断分数占比，确定各个位置组在所属的路径下的第二诊断分数占比，对于每个位置组，采用所述第二诊断分数占比、所属的路径的第一诊断分数占比、第一预设数值的乘积，对该位置组中的每个位置进行赋值。采用上述方案，可以基于两重诊断分数占比进行赋值，既充分考虑到所属的位置组在所属的路径下的疑似失效的可信度，又充分考虑到所属的路径在所属的硬件节点下的疑似失效的可信度，相比于直接采用位置组的诊断分数作为位置组内各个位置的分数，能够更有效地提高赋值的准确性和可信度；相比于仅采用第一诊断分数占比和第二诊断分数占比的乘积，采用上述方案，额外乘以第一预设数值，可以通过增大数值甚至增加数值的数量级，可以增强各个位置之间的分数差异性，进一步提高后续分析的准确性和可靠性。

进一步地，在每个硬件节点中，可以采用每个目标组合出现的次数作为该目标组合的分数。

在具体实施中，可以直接用每个目标组合（例如包含疑似失效的疑似层、疑似单元在所属的硬件节点中（包含该硬件节点下的各个路径及其位置组）出现的次数作为该目标组合的分数。

在上述表1示出的具体实施例中，CELL_OPEN-cell1出现1次，其分数可以为1，OPEN-M1出现2次，其分数可以为2，等等。

在本发明实施例中，在每个硬件节点中，采用每个目标组合出现的次数作为该目标组合的分数，由于目标组合出现次数越多，发生疑似失效的概率越大，因此可以通过采用目标组合出现的次数作为该目标组合的分数，使用户定位到准确性更高的失效位置进行分析。此外，采用每个目标组合出现的次数作为该目标组合的分数，相比于其他确定分数的方法，还可以降低目标组合的分数的确定复杂性，提高确定效率。

接下来，可以在每个硬件节点中，对相同类型的位置的赋值进行加和，以得到各个目标组合的分数。

参照表2，表2 是对表1中的赋值进行加和处理后，得到的各个目标组合的分数表。

其中，目标组合OPEN-M1的分数为对Candidate21和Candidate22的分数加和后得到的。

在本发明实施例中，根据各个位置组的诊断分数，对各个位置赋值；在每个硬件节点中，对相同类型的位置的赋值进行加和，以得到各个目标组合的分数。采用上述方案，可以通过赋值处理，将诊断分数变为各个目标组合的分数，从零散的、分析价值较低的位置组的诊断分数变为集中的、分析价值较高的以疑似失效的位置和类型的组合为焦点的分数，有效提高后续分析的准确性。

进一步地，所述方法还可以包括：通过确定各个目标组合在所属的硬件节点的分数占比。

在具体实施中，还可以确定各个目标组合在所属的硬件节点的分数占比。

具体地，可以采用下述公式，确定分数占比：

；

其中，P_{fault_k}用于表示第k个目标组合的分数占比，K用于表示当前硬件节点中包含的目标组合的数量，S_{fault_k}用于表示第k个目标组合的分数。

以表2示出的各个目标组合的分数表为例，CELL_OPEN-cell1的分数占比为：29.24/(29.24+26.316+26.316+44.444+17.094+17.094)=0.182。

在步骤S13的具体实施中，基于各个硬件节点的各个目标组合的分数，采用路径推理模型确定每个目标组合的分布概率。

在本发明实施例的一种具体实施方式中，可以采用贝叶斯推论作为路径推理模型，确定每个目标组合的分布概率。

具体地，所述路径推理模型采用贝叶斯推论；所述采用路径推理模型确定每个目标组合的分布概率，包括：采用贝叶斯推论进行多轮推论，在每轮推论中确定第一商值集合，其中，所述第一商值集合中的每个第一商值用于指示单个目标组合，且为该目标组合在疑似失效的各个硬件节点下的分数之和与总分数的商值，所述总分数为疑似失效的各个硬件节点的各个目标组合的分数之和；针对每个目标组合，确定各轮推论中的第一商值，并计算第一商值的均值，作为该目标组合的所述分布概率。

其中，贝叶斯推论的基本原理是在已知先验概率的情况下，可以通过新的证据来更新事件的概率。在本发明实施例涉及的推理问题中，贝叶斯公式可以用于计算假设的后验概率，通过计算后验概率，我们可以得到对假设的概率估计，从而更好地进行推理。

需要特别指出的是，在贝叶斯推论中，存在大量基于假设和推论得到的中间参数，可以采用复杂的公式计算得到，还可以采用假设和推论的方式得到。

在本发明实施例中，对于此类中间参数，可以采用贝叶斯推论的常规方式确定，不限制其具体计算方法。例如后文中提及的下述多项：基于当前轮推论前的第一商值集合Θ_i,0确定先验分布P(Θ_i,0)的步骤、确定似然函数P(D_i|Θ_i,0) 的步骤、基于后验分布P(Θ_i,1|D₁)确定当前轮推论后的第一商值集合Θ_i,1的步骤、创建目标组合的各个硬件节点的分数D_i作为观测数据的步骤等等。

进一步地，每轮推论的输出可以采用下述公式确定：

；

其中，D_i用于表示第i轮推论的目标组合的各个硬件节点的分数，Θ_i,0用于表示第i轮推论前的第一商值集合，Θ_i,1用于表示第i轮推论后得到的第一商值集合，P(Θ_i,0) 用于表示第i轮推论的先验分布，P(D_i|Θ_i,0)用于表示已知得到第i轮目标组合的推论分数的概率Θ_i,0的情况下，得到第i轮目标组合的推论分数D_i的概率，又称为似然函数，P(Θ_i,1|D_i)用于表示第i轮推论的后验分布，P(D_i)用于表示边缘似然率。

其中，边缘似然率P(D_i)对所有可能的假说都是定值，在判断不同假说的相对机率时，不会用到这个系数，因此还可以采用P(D)表示。

在本发明实施例中，采用适当的公式得到每轮推论的输出，从而可以基于每一轮推论的目标组合的各个硬件节点的分数、每一轮推论的推论前的第一商值集合、和每一轮推论的推论后得到的第一商值集合，提高每一轮推论的后验分布的合理性和准确性。

表3是一种首轮推论的目标组合的各个硬件节点的分数表。

如表3示出的首轮推论的目标组合的各个硬件节点的分数D₁中，总分数可以为表3中的所有分数（即上述所有数值）之和。

每个目标组合占据表3中的一列，该目标组合在疑似失效的各个硬件节点下的分数之和，即为表3中对应的那一列的所有分数之和。

需要指出的是，表3示出的是首轮推论的分数D₁，自第二轮推论起，表3中的各个分数的具体分数值会相应变化。

其中，Θ_i,0用于表示第i轮推论前的第一商值集合，Θ_i,1用于表示第i轮推论后得到的第一商值集合。下标中的0和1分布用于表示在当前轮（即第i轮）推论之前和推论之后。

换言之，第一商值集合（如Θ_i,0以及Θ_i,1）用于表示得到各个目标组合的推论分数的概率的集合。

以表3中示出的D₁包含12个目标组合为例，CELL_OPEN-cell1的第一商值为第一列的所有分数之和与总分数的商值，CELL_OPEN-cell2的第一商值为第二列的所有分数之和与总分数的商值，以此类推。其中，12个第一商值的集合为第一商值集合（如Θ_i,0以及Θ_i,1）。

参照图3，图3是本发明实施例中一种目标组合在多轮推论中得到的第一商值的分布示意图。

需要指出的是，图3示出的12个子图分别对应于表3示出的12个目标组合，然而在具体实施中，在子图与目标组合对应的基础上，子图的数量并不受到图3的限制。

具体而言，在图3示出的各个子图中，以实施了4000轮推论为例进行说明，则每个子图包含有4000个数据，横轴用于表示对应的目标组合的第一商值，纵轴用于表示在4000轮推论中出现该第一商值的次数。

在一种具体实施方式中，以推论4000次为例，排名前三的失效类型为OPEN-M1、DOM-M3、DOM-M1, 分布概率分别为0.246、0.153、0.086。

在本发明实施例中，所述路径推理模型采用贝叶斯推论，采用贝叶斯推论进行多轮推论，在每轮推论中确定第一商值集合；针对每个目标组合，确定各轮推论中的第一商值，并计算第一商值的均值，作为该目标组合的所述分布概率。采用上述方案，可以通过贝叶斯推论模型的多轮推论得到每个目标组合的分布概率，在疑似失效位置过多的情况下，通过多轮推论获得更为合理、准确的目标组合的分布概率。

在本发明实施例的另一种具体实施方式中，还可以采用随机森林模型作为路径推理模型，确定每个目标组合的分布概率。

随机森林模型可以由多个决策树组成，通过对数据集进行随机采样和特征选择来构建多个决策树，并通过投票或平均等方式来获得最终的预测结果。随机森林具有很高的准确性和鲁棒性，并且能够处理大规模数据集。

进一步地，所述采用贝叶斯推论进行多轮推论，包括：在首轮推论中，对每个类型的各个目标组合的分数均赋值为1，得到首轮推论前的第一商值集合Θ_1,0，确定首轮推论的先验分布P(Θ_1,0)；在满足首轮推论的Θ_1,0的情况下，以首轮推论的目标组合的各个硬件节点的分数D₁为观测数据，确定P(D₁|Θ_1,0)、后验分布P(Θ_1,1|D₁)以及首轮推论后的第一商值集合Θ_1,1；自第二轮推论起，采用第i-1轮推论的后验分布P(Θ_i-1,1|D_i-1)赋值至第i轮推论的先验分布P(Θ_i,0)，以及采用第i-1轮推论的Θ_i-1,1赋值至第i轮推论的Θ_i,0，在满足第i轮推论的Θ_i,0的情况下，创建第i轮推论的目标组合的各个硬件节点的分数D_i作为观测数据，确定P(D_i,0|Θ_i,0)、后验分布P(Θ_i,1|D_i,1)以及Θ_i,1；直至确定Θ_I,1时，针对每个目标组合，确定各轮推论的第一商值的均值并作为该目标组合的所述分布概率；其中，i、I为正整数，且2≤i≤I。

具体地，对每个类型的各个目标组合的分数均赋值为1，得到首轮推论前的第一商值集合Θ_1,0，即为表4。

表4是一种每个类型的各个目标组合的分数均赋值为1得到首轮推论前的第一商值集合。

具体而言，预设的是所有目标组合的出现的概率相等且均为1。

进一步地，在确定首轮推论前的第一商值集合Θ_1,0之后，可以确定首轮推论的先验分布P(Θ_1,0)。

如前所述，基于当前轮推论前的第一商值集合Θ_i,0确定先验分布P(Θ_i,0)的步骤，可以采用贝叶斯推论的常规方式确定，例如采用假设和推论的方式得到，或采用适当的公式确定，本发明实施例中不限制其具体计算方法。

然后，在满足首轮推论的Θ_1,0的情况下，以首轮推论的目标组合的各个硬件节点的分数D₁为观测数据，确定P(D₁|Θ_1,0)。

其中，首轮推论的目标组合的各个硬件节点的分数D₁可以参照表3确定，首轮推论的Θ_1,0可以参照表4确定，在满足首轮推论的Θ_1,0的情况下，确定P(D₁|Θ_1,0)。

P(D₁|Θ_1,0)又称为似然函数，如前所述，确定似然函数P(D_i|Θ_i,0)的步骤，可以采用贝叶斯推论的常规方式确定，例如采用假设和推论的方式得到，或采用适当的公式确定，本发明实施例中不限制其具体计算方法。

在本发明实施例中，还可以确定后验分布P(Θ_1,1|D₁)以及首轮推论后的第一商值集合Θ_1,1。

其中，确定后验分布P(Θ_1,1|D₁)的方法可以采用前文所述的公式确定，从而可以提高每一轮推论的后验分布的合理性和准确性，还可以采用其他适当的贝叶斯推论的常规方式确定。

如前所述，基于后验分布P(Θ_i,1|D₁)确定当前轮推论后的第一商值集合Θ_i,1的步骤，可以采用贝叶斯推论的常规方式确定，例如采用假设和推论的方式得到，或采用适当的公式确定，本发明实施例中不限制其具体计算方法。

然后，自第二轮推论起，采用第i-1轮推论的后验分布P(Θ_i-1,1|D_i-1)赋值至第i轮推论的先验分布P(Θ_i,0)，以及采用第i-1轮推论的Θ_i-1,1赋值至第i轮推论的Θ_i,0，从而可以在对每个类型的各个目标组合的中间参数进行适当的赋值的基础上，提高确定先验分布的可靠性和准确性。

然后，在满足第i轮推论的Θ_i,0的情况下，创建第i轮推论的目标组合的各个硬件节点的分数D_i作为观测数据，确定P(D_i,0|Θ_i,0)、后验分布P(Θ_i,1|D_i,1)以及Θ_i,1。

其中，Θ_i,0用于表示第i轮推论前的第一商值集合，Θ_i,1用于表示第i轮推论后得到的第一商值集合。

如前所述，创建目标组合的各个硬件节点的分数D_i作为观测数据的步骤，可以采用贝叶斯推论的常规方式确定，例如采用假设和推论的方式得到，或采用适当的公式确定，本发明实施例中不限制其具体计算方法。

然后，直至确定Θ_I,1时，针对每个目标组合，确定各轮推论的第一商值的均值并作为该目标组合的所述分布概率。

具体而言，在第I轮推论，确定(D_I,0|Θ_I,0)、后验分布P(Θ_I,1|D_I,1)后，可以确定Θ_I,1。然后对I轮推论中得到的I个第一商值集合中，属于每个目标组合的I个第一商值进行平均，得到该目标组合的第一商值的均值。

在本发明实施例中，在首轮推论中，对每个类型的各个目标组合的分数均赋值为1，得到第一轮推论前的第一商值集合Θ_1,0，确定首轮推论的先验分布P(Θ_1,0)；在满足首轮推论的Θ_1,0的情况下，以首轮推论的目标组合的各个硬件节点的分数D₁为观测数据，确定P(D₁|Θ_1,0)、后验分布P(Θ_1,1|D₁)以及第一轮推论后的第一商值集合Θ_1,1；自第二轮推论起，采用第i-1轮推论的后验分布P(Θ_i-1,1|D_i-1)赋值至第i轮推论的先验分布P(Θ_i,0)，以及采用第i-1轮推论的Θ_i-1,1赋值至第i轮推论的Θ_i,0，在满足第i轮推论的Θ_i,0的情况下，创建第i轮推论的目标组合的各个硬件节点的分数D_i作为观测数据，确定P(D_i,0|Θ_i,0)、后验分布P(Θ_i,1|D_i,1)以及Θ_i,1；直至确定Θ_I,1时，针对每个目标组合，确定各轮推论的第一商值的均值并作为该目标组合的所述分布概率，从而可以在对每个类型的各个目标组合的中间参数进行适当的赋值的基础上，确定先验分布。并采用第i-1轮推论的Θ_i-1,1赋值至第i轮推论的Θ_i,0，从而在样品数量有限的情况下，能够更大可能地提高预测准确性。并且由于在每轮推论中，都会推论出P(D_i,0|Θ_i,0)、后验分布P(Θ_i,1|D_i,1)以及第i轮推论后的第一商值集合Θ_i,1，进而对各轮推论得到的第一商值集合中属于每个目标组合的第一商值进行平均，其均值作为该目标组合的分布概率。采用上述方案，有助于在DFT诊断难以定位，疑似失效位置过多，不确定性过高的情况下，提高推论得到的目标组合的分布概率的准确性。

继续参照图1，在步骤S14的具体实施中，可以确定第一失效分析结果。

进一步地，在确定各个目标组合在所属的硬件节点的分数占比的基础上，所述根据所述分布概率，确定第一失效分析结果的步骤可以包括：根据各个目标组合在所属的硬件节点的分数占比与所述分布概率的乘积，以所述乘积作为第一失效分析结果。

具体地，可以采用下述公式，确定各个目标组合的分数占比与所述分布概率的乘积：

；

其中，P’_{fault_k}用于表示第k个目标组合的乘积，P_{fault_k}用于表示第k个目标组合的分数占比，P_{d_k}用于表示第k个目标组合的分布概率。

其中，乘积P’_{fault_k}可以表示在符合总体分布的情况下，该目标组合发生失效的概率。

具体地，该乘积P’_{fault_k}越大，该目标组合对应的位置的失效概率越高，从而可以使用户快速定位到失效位置进行分析。

在本发明实施例中，根据DFT诊断数据中的各个位置组的诊断分数，确定目标组合的分数后，采用路径推理模型确定每个目标组合的分布概率，以目标组合的分数为输入，在疑似失效位置过多的情况下，可以获得更为合理、准确的目标组合的分布概率，从而可以使用户定位到准确性更高的失效位置进行分析，有效提高失效分析的效率和准确性。

进一步地，通过确定各个目标组合在所属的硬件节点的分数占比，进而采用各个目标组合在所属的硬件节点的分数占比与所述分布概率的乘积，作为第一失效分析结果，可以采用第一失效分析结果指示目标组合中的位置的失效概率，乘积越大的目标组合，对应的位置的失效概率越高，从而可以对乘积进行排序，使用户快速定位到失效位置进行分析，有效提高失效分析的效率和准确性。

参照图4，图4是本发明实施例中另一种失效分析方法的部分流程图。所述另一种失效分析方法可以包括图1示出的步骤S11至S14，还可以包括步骤S41至步骤S43，以下对各个步骤进行说明。

在步骤S41中，对每个硬件节点中包含的各个目标组合的所述乘积进行归一化处理，得到归一化分值。

进一步地，对每个硬件节点中包含的各个目标组合的所述乘积进行归一化处理的步骤可以包括：对每个硬件节点，计算各个目标组合的乘积的和值，记为节点内和值；计算每个目标组合的乘积与所述节点内和值的商值，作为该目标组合的归一化分值。

具体地，可以采用下述公式，确定目标组合的归一化分值：

；

其中，P_{final_fault_k}用于表示第k个目标组合的归一化分值，P’_{fault_k}用于表示第k个目标组合的乘积，K用于表示当前硬件节点中包含的目标组合的数量，用于表示节点内和值。

参照表5，表5是一种各个硬件节点的各个目标组合的归一化分值表。

如表5所示，归一化处理后各个硬件节点的分值范围更为一致，能够消除量纲影响。

步骤S42：分别计算各个目标组合的归一化分值在各个硬件节点中的和值。

具体地，可以依次对每个目标组合，将各个硬件节点的归一化分值相加。

步骤S43：根据所述和值，确定第二失效分析结果。

具体地，所述和值越大，发生该目标组合对应的普遍性失效的概率也越大，有助于使用户快速定位到普遍性失效的类型和位置。

在本发明实施例中，所述方法还包括：对每个硬件节点中包含的各个目标组合的所述乘积进行归一化处理，得到归一化分值，分别计算各个目标组合的归一化分值在各个硬件节点中的和值，根据所述和值，确定第二失效分析结果，由于归一化处理后各个硬件节点的分值范围更为一致，消除了量纲影响，各个目标组合的归一化分值的和值能够更准确地指示该目标组合是否发生普遍性失效，和值越大的目标组合，发生普遍性失效的概率也越大，从而可以对和值进行排序，使用户快速定位到普遍性失效的类型和位置，进一步提高失效分析的分析质量。

参照图5，图5是本发明实施例中一种失效分析装置的结构示意图。所述失效分析装置可以包括：

DFT数据确定模块51，用于确定DFT诊断数据，所述DFT诊断数据包含疑似失效的硬件节点的疑似失效的路径，每个路径的疑似失效的位置组的组信息，每个组信息包括该位置组包含的疑似失效的位置和类型；

组合分数确定模块52，用于根据所述DFT诊断数据，确定各个目标组合的分数，其中，所述目标组合包含各种疑似失效的类型和位置的组合；

推论模块53，用于基于各个硬件节点的各个目标组合的分数，采用路径推理模型确定每个目标组合的分布概率；

分析结果确定模块54，用于根据所述分布概率，确定第一失效分析结果。

关于该失效分析装置的原理、具体实现和有益效果请参照前文所述的关于失效分析方法的相关描述，此处不再赘述。

本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器运行时执行上述方法的步骤。所述计算机可读存储介质，例如可以包括非挥发性存储器（non-volatile）或者非瞬态（non-transitory）存储器，还可以包括光盘、机械硬盘、固态硬盘等。

本发明实施例还提供了一种终端，包括存储器和处理器，所述存储器上存储有能够在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时执行上述方法的步骤。所述终端包括但不限于服务器、手机、计算机、平板电脑等终端设备。

具体地，在本发明实施例中，所述处理器可以为中央处理单元（centralprocessing unit，简称CPU），该处理器还可以是其他通用处理器、数字信号处理器（digital signal processor，简称DSP）、专用集成电路（application specificintegrated circuit，简称ASIC）、现成可编程门阵列（field programmable gate array，简称FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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。

还应理解，本申请实施例中的存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器（read-only memory，简称ROM）、可编程只读存储器（programmable ROM，简称PROM）、可擦除可编程只读存储器（erasable PROM，简称EPROM）、电可擦除可编程只读存储器（electricallyEPROM，简称EEPROM）或闪存。易失性存储器可以是随机存取存储器（random accessmemory，简称RAM），其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的随机存取存储器（random access memory，简称RAM）可用，例如静态随机存取存储器（staticRAM，简称SRAM）、动态随机存取存储器（DRAM）、同步动态随机存取存储器（synchronousDRAM，简称SDRAM）、双倍数据速率同步动态随机存取存储器（double data rate SDRAM，简称DDR SDRAM）、增强型同步动态随机存取存储器（enhanced SDRAM，简称ESDRAM）、同步连接动态随机存取存储器（synchlink DRAM，简称SLDRAM）和直接内存总线随机存取存储器（direct rambus RAM，简称DR RAM）。

应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，表示前后关联对象是一种“或”的关系。

本申请实施例中出现的“多个”是指两个或两个以上。

本申请实施例中出现的第一、第二等描述，仅作示意与区分描述对象之用，没有次序之分，也不表示本申请实施例中对设备个数的特别限定，不能构成对本申请实施例的任何限制。

虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。

Claims (20)

1.一种失效分析方法，其特征在于，包括：

确定DFT诊断数据，所述DFT诊断数据包含疑似失效的硬件节点的疑似失效的路径，每个路径的疑似失效的位置组的组信息，每个组信息包括该位置组包含的疑似失效的位置和类型；

根据所述DFT诊断数据，确定各个目标组合的分数，其中，所述目标组合包含各种疑似失效的类型和位置的组合；

基于各个硬件节点的各个目标组合的分数，采用路径推理模型确定每个目标组合的分布概率；

根据所述分布概率，确定第一失效分析结果；

其中，所述路径推理模型采用贝叶斯推论；

所述采用路径推理模型确定每个目标组合的分布概率，包括：

采用贝叶斯推论进行多轮推论，在每轮推论中确定第一商值集合，其中，所述第一商值集合中的每个第一商值用于指示单个目标组合，且为该目标组合在疑似失效的各个硬件节点下的分数之和与总分数的商值，所述总分数为疑似失效的各个硬件节点的各个目标组合的分数之和；

针对每个目标组合，确定各轮推论中的第一商值，并计算第一商值的均值，作为该目标组合的所述分布概率。

2.根据权利要求1所述的方法，其特征在于，所述DFT诊断数据中的每个组信息还包含该位置组的诊断分数；

根据所述DFT诊断数据，确定各个目标组合的分数，包括：

根据各个位置组的诊断分数，确定各个目标组合的分数。

3.根据权利要求2所述的方法，其特征在于，所述根据各个位置组的诊断分数，确定各个目标组合的分数，包括：

根据各个位置组的诊断分数，对各个位置赋值；

在每个硬件节点中，对相同类型的位置的赋值进行加和，以得到各个目标组合的分数。

4.根据权利要求3所述的方法，其特征在于，所述DFT诊断数据还包含各个路径的诊断分数；

根据各个位置组的诊断分数，对各个位置赋值，包括：

确定各个路径在所属的硬件节点下的第一诊断分数占比；

确定各个位置组在所属的路径下的第二诊断分数占比；

对于每个位置组，采用所述第二诊断分数占比、所属的路径的第一诊断分数占比、第一预设数值的乘积，对该位置组中的每个位置进行赋值。

5.根据权利要求1所述的方法，其特征在于，根据所述DFT诊断数据，确定各个目标组合的分数，包括：

在每个硬件节点中，采用每个目标组合出现的次数作为该目标组合的分数。

6.根据权利要求1至5任一项所述的方法，其特征在于，所述位置选自：疑似层、疑似单元。

7.根据权利要求1所述的方法，其特征在于，所述方法还包括：

确定各个目标组合在所属的硬件节点的分数占比；

所述根据所述分布概率，确定第一失效分析结果，包括：

根据各个目标组合在所属的硬件节点的分数占比与所述分布概率的乘积，以所述乘积作为第一失效分析结果。

8.根据权利要求7所述的方法，其特征在于，所述方法还包括：

对每个硬件节点中包含的各个目标组合的所述乘积进行归一化处理，得到归一化分值；

分别计算各个目标组合的归一化分值在各个硬件节点中的和值；

根据所述和值，确定第二失效分析结果。

9.根据权利要求8所述的方法，其特征在于，对每个硬件节点中包含的各个目标组合的所述乘积进行归一化处理，包括：

对每个硬件节点，计算各个目标组合的乘积的和值，记为节点内和值；

计算每个目标组合的乘积与所述节点内和值的商值，作为该目标组合的归一化分值。

10.根据权利要求9所述的方法，其特征在于，每轮推论的输出采用下述公式确定：

；

其中，D_i用于表示第i轮推论的目标组合的各个硬件节点的分数，Θ_i,0用于表示第i轮推论前的第一商值集合，Θ_i,1用于表示第i轮推论后得到的第一商值集合，P(Θ_i,0) 用于表示第i轮推论的先验分布，P(D_i|Θ_i,0)用于表示已知得到第i轮目标组合的推论分数的概率Θ_i,0的情况下，得到第i轮目标组合的推论分数D_i的概率，又称为似然函数，P(Θ_i,1|D_i)用于表示第i轮推论的后验分布，P(D_i)用于表示边缘似然率。

11.根据权利要求9所述的方法，其特征在于，所述采用贝叶斯推论进行多轮推论，包括：

在首轮推论中，对每个类型的各个目标组合的分数均赋值为1，得到首轮推论前的第一商值集合Θ_1,0，确定首轮推论的先验分布P(Θ_1,0)；

在满足首轮推论的Θ_1,0的情况下，以首轮推论的目标组合的各个硬件节点的分数D₁为观测数据，确定P(D₁|Θ_1,0)、后验分布P(Θ_1,1|D₁)以及首轮推论后的第一商值集合Θ_1,1；

自第二轮推论起，采用第i-1轮推论的后验分布P(Θ_i-1,1|D_i-1)赋值至第i轮推论的先验分布P(Θ_i,0)，以及采用第i-1轮推论的Θ_i-1,1赋值至第i轮推论的Θ_i,0，在满足第i轮推论的Θ_i,0的情况下，创建第i轮推论的目标组合的各个硬件节点的分数D_i作为观测数据，确定P(D_i,0|Θ_i,0)、后验分布P(Θ_i,1|D_i,1)以及Θ_i,1；

直至确定Θ_I,1时，针对每个目标组合，确定各轮推论的第一商值的均值并作为该目标组合的所述分布概率；

其中，i、I为正整数，且2≤i≤I。

12.一种失效分析装置，其特征在于，包括：

DFT数据确定模块，用于确定DFT诊断数据，所述DFT诊断数据包含疑似失效的硬件节点的疑似失效的路径，每个路径的疑似失效的位置组的组信息，每个组信息包括该位置组包含的疑似失效的位置和类型；

组合分数确定模块，用于根据所述DFT诊断数据，确定各个目标组合的分数，其中，所述目标组合包含各种疑似失效的类型和位置的组合；

推论模块，用于基于各个硬件节点的各个目标组合的分数，采用路径推理模型确定每个目标组合的分布概率；

分析结果确定模块，用于根据所述分布概率，确定第一失效分析结果；

其中，所述路径推理模型采用贝叶斯推论；

所述推论模块包括：

第一推论子模块， 用于采用贝叶斯推论进行多轮推论，在每轮推论中确定第一商值集合，其中，所述第一商值集合中的每个第一商值用于指示单个目标组合，且为该目标组合在疑似失效的各个硬件节点下的分数之和与总分数的商值，所述总分数为疑似失效的各个硬件节点的各个目标组合的分数之和；

第二推论子模块，用于针对每个目标组合，确定各轮推论中的第一商值，并计算第一商值的均值，作为该目标组合的所述分布概率。

13.根据权利要求12所述的装置，其特征在于，每轮推论的输出采用下述公式确定：

；

其中，D_i用于表示第i轮推论的目标组合的各个硬件节点的分数，Θ_i,0用于表示第i轮推论前的第一商值集合，Θ_i,1用于表示第i轮推论后得到的第一商值集合，P(Θ_i,0) 用于表示第i轮推论的先验分布，P(D_i|Θ_i,0)用于表示已知得到第i轮目标组合的推论分数的概率Θ_i,0的情况下，得到第i轮目标组合的推论分数D_i的概率，又称为似然函数，P(Θ_i,1|D_i)用于表示第i轮推论的后验分布，P(D_i)用于表示边缘似然率。

14.根据权利要求12所述的装置，其特征在于，所述第一推论子模块包括：

第一推论单元，用于在首轮推论中，对每个类型的各个目标组合的分数均赋值为1，得到首轮推论前的第一商值集合Θ_1,0，确定首轮推论的先验分布P(Θ_1,0)；

第二推论单元，用于在满足首轮推论的Θ_1,0的情况下，以首轮推论的目标组合的各个硬件节点的分数D₁为观测数据，确定P(D₁|Θ_1,0)、后验分布P(Θ_1,1|D₁)以及首轮推论后的第一商值集合Θ_1,1；

第三推论单元，用于自第二轮推论起，采用第i-1轮推论的后验分布P(Θ_i-1,1|D_i-1)赋值至第i轮推论的先验分布P(Θ_i,0)，以及采用第i-1轮推论的Θ_i-1,1赋值至第i轮推论的Θ_i,0，在满足第i轮推论的Θ_i,0的情况下，创建第i轮推论的目标组合的各个硬件节点的分数D_i作为观测数据，确定P(D_i,0|Θ_i,0)、后验分布P(Θ_i,1|D_i,1)以及Θ_i,1；

第四推论单元，用于直至确定Θ_I,1时，针对每个目标组合，确定各轮推论的第一商值的均值并作为该目标组合的所述分布概率；

其中，i、I为正整数，且2≤i≤I。

15.根据权利要求12所述的装置，其特征在于，所述DFT诊断数据中的每个组信息还包含该位置组的诊断分数；

所述组合分数确定模块包括：

第一组合分数确定子模块，用于根据各个位置组的诊断分数，确定各个目标组合的分数。

16.根据权利要求15所述的装置，其特征在于，所述第一组合分数确定子模块包括：

赋值单元，用于根据各个位置组的诊断分数，对各个位置赋值；

组合分数确定单元，用于在每个硬件节点中，对相同类型的位置的赋值进行加和，以得到各个目标组合的分数。

17.根据权利要求16所述的装置，其特征在于，所述DFT诊断数据还包含各个路径的诊断分数；

所述赋值单元包括：

第一诊断分数占比确定子单元，用于确定各个路径在所属的硬件节点下的第一诊断分数占比；

第二诊断分数占比确定子单元，用于确定各个位置组在所属的路径下的第二诊断分数占比；

赋值子单元，用于对于每个位置组，采用所述第二诊断分数占比、所属的路径的第一诊断分数占比、第一预设数值的乘积，对该位置组中的每个位置进行赋值。

18.根据权利要求12所述的装置，其特征在于，所述组合分数确定模块包括：

第二组合分数确定子模块，用于在每个硬件节点中，采用每个目标组合出现的次数作为该目标组合的分数。

19.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行权利要求1至11任一项所述的失效分析方法的步骤。

20.一种终端，包括存储器和处理器，所述存储器上存储有能够在所述处理器上运行的计算机程序，其特征在于，所述处理器运行所述计算机程序时执行权利要求1至11任一项所述的失效分析方法的步骤。