模拟验证中的激励产生与覆盖评估

论文摘要

集成电路设计验证是指在设计的过程中判别设计规范和实现之间是否一致。据统计,目前在大规模集成电路的设计流程中,设计验证的时间已经占到整个设计周期的一半以上。模拟验证作为一种重要的设计验证方法,其工作量通常会占据整个验证工作量的40%到70%。然而模拟验证中存在的激励生成质量不高、评估分析不力等问题仍是目前困扰设计验证工程师的主要问题。针对这些问题,本文对模拟验证中的关键问题:激励产生以及覆盖评估方法,进行了深入研究,取得了如下创新性成果:1.提出了一种新的可观测性信息模型。可观测性覆盖评估准则,是对传统覆盖评估准则的增强。本文提出一种新的针对寄存器传输级(Register Transfer Level,简称RTL)可观测性信息的抽象模型。本文采用增强型进程控制树(Enhanced ProcessControlling Tree,简称EPCT),来表征每一时间帧代码的执行情况,以及截止到该时间帧,代码的可观测性情况。同时,本文采用控制?观测链(Controlling?ObservingChain,简称COC)来记录在具体每一时间帧扩展过程中,代码的可观测性信息。本文提出的表征方式结构简洁,它不仅可以清晰地表征截止到当前时间帧代码的可观测性信息,同时可以清晰地表征在时间帧扩展过程中,代码的可观测性信息。基于该抽象模型,可以很方便地完成各种操作。2.提出了一种新的可观测性覆盖分析方法。该方法的实现主要包括两个阶段:(1)向量模拟阶段;这是一个从输入到输出的“正向”过程,该阶段的主要工作是刷新EPCT中的相关域,并最终确定在该时间帧,每一个观测点的COC;(2)可观测性分析阶段;这是一个从观测点出发,“反向”分析其所对应的COC,进而判断变量以及语句的可观测性的过程。该方法具有以下特点:(1)采用了一种简洁合理的可观测性信息模型;(2)采用变量的赋值和引用作为可观测性分析的基础,可以很容易地与其它考虑可控制性的覆盖准则相结合。基于上述思想,我们开发了相应的原型系统,并进行了相关实验,实验结果说明:(1)可观测性语句覆盖评估准则增强了传统语句覆盖评估准则的评估能力;(2)采用本文方法进行可观测性覆盖分析,时间开销仅为10.97%,远低于其他同类型算法。3.提出了一种新的基于可观测性覆盖评估准则的激励生成方法。该方法具有以下特点:(1)这是一种基于模拟的、无回溯的方法;(2)通过请求?响应过程,实现了反向蕴涵与正向蕴涵;(3)在激励生成过程中以未观测代码的分布作为启发式信息,指导激励生成;(4)在该方法的实现当中,采用了高效的覆盖分析算法。最终我们实现了相应的原型系统,并进行了相关实验。实验结果显示,采用本文方法所得到的模拟激励的平均可观测性语句覆盖率为92.32%,高于同类型其他算法,同时针对同等规模电路的处理时间大大降低。4.提出了一种新的基于混合遗传算法的RTL激励生成方法。该方法具有以下特点:(1)以多种覆盖评估准则与RTL故障模型作为激励生成目标,对模拟激励的评估

论文目录

• 中文摘要
• 英文摘要
• 插图目录
• 表格目录
• 第一章 引言
• 1.1 研究背景
• 1.2 研究现状
• 1.2.1 模拟验证中的激励生成
• 1.2.2 模拟验证中的覆盖评估
• 1.3 本文的工作
• 1.4 本文的组织结构
• 第二章 集成电路设计验证综述
• 2.1 形式验证方法
• 2.1.1 等价性检验
• 2.1.2 模型检验
• 2.1.3 定理证明
• 2.2 模拟验证
• 2.2.1 模拟验证方法
• 2.2.2 激励生成方法
• 2.2.2.1 利用测试向量的方法
• 2.2.2.2 基于错误模型的激励生成
• 2.2.2.3 利用层次化结构的激励生成
• 2.2.2.4 基于模拟的激励生成
• 2.2.2.5 基于电路行为描述的激励生成
• 2.2.2.6 各类激励生成方法的分析和比较
• 2.2.3 覆盖评估方法
• 2.2.3.1 覆盖评估的意义
• 2.2.3.2 代码覆盖准则
• 2.2.3.3 电路结构覆盖准则
• 2.2.3.4 有限状态机覆盖准则
• 2.2.3.5 错误模型覆盖准则
• 2.2.3.6 可观测性覆盖评估准则
• 2.3 半形式化方法
• 2.3.1 覆盖率驱动与形式化方法相结合的验证方法
• 2.3.2 符号模拟
• 2.4 本章小结
• 第三章 硬件描述语言与RTL行为描述
• 3.1 硬件描述语言的产生与特点
• 3.1.1 产生背景
• 3.1.2 描述特性
• 3.1.2.1 电路的抽象层次与描述风格
• 3.1.2.2 变量与赋值
• 3.1.2.3 串行语句与并行语句
• 3.1.2.4 描述能力及其他特性
• 3.2 RTL行为描述
• 3.2.1 语法、语义限制
• 3.2.2 进程分析
• 3.2.2.1 组合进程
• 3.2.2.2 时钟进程
• 3.2.2.3 其它进程
• 3.3 RTL行为模型
• 3.3.1 过程性语句分析
• 3.3.2 进程控制树
• 3.3.3 数据流向图
• 3.4 本章小结
• 第四章 可观测性信息模型
• 4.1 逻辑级的可观测性度量
• 4.1.1 问题起源
• 4.1.2 Stephenson度量
• 4.1.3 Goldstein度量
• 4.2 高层次可观测性分析
• 4.2.1 相关定义
• 4.2.2 已有的可观测性信息模型与分析方法
• 4.3 RTL可观测性信息模型
• 4.3.1 增强型进程控制树与数据流向图
• 4.3.2 控制?观测链
• 4.3.3 可观测性的形式化定义
• 4.4 本章小结
• 第五章 RTL可观测性覆盖评估方法
• 5.1 可观测性覆盖分析算法
• 5.1.1 算法实现框架
• 5.1.2 电路的行为模拟
• 5.1.3 可观测性分析过程
• 5.1.4 可观测性覆盖率的计算
• 5.2 实验结果及分析
• 5.2.1 不同覆盖评估准则的比较
• 5.2.2 不同覆盖评估算法的比较
• 5.3 本章小结
• 第六章 基于可观测性覆盖评估准则的激励生成
• 6.1 无回溯的激励生成思路
• 6.1.1 回溯的概念与产生原因
• 6.1.2 避免回溯的可能性
• 6.2 基于可观测性覆盖评估准则的激励生成方法
• 6.2.1 无回溯的激励生成方案
• 6.2.2 请求响应算法
• 6.2.3 激励生成过程
• 6.2.4 停止判断机制
• 6.2.5 选择阈值
• 6.3 实验结果及分析
• 6.4 本章小结
• 第七章 基于混合遗传算法的RTL激励生成
• 7.1 遗传算法
• 7.1.1 遗传算法的起源和发展
• 7.1.2 遗传算法的基本结构
• 7.1.3 遗传算法的技术要点
• 7.1.3.1 编码方法
• 7.1.3.2 初始种群的设定
• 7.1.3.3 适值函数
• 7.1.3.4 遗传算子
• 7.1.3.5 参数设定
• 7.1.3.6 终止标准
• 7.1.4 遗传算法的特点
• 7.1.5 研究热点与发展动向
• 7.2 基于模拟的激励生成与遗传算法
• 7.3 基于混合遗传算法的RTL激励生成方法
• 7.3.1 遗传算法的改进方法
• 7.3.2 RTL模型
• 7.3.3 系统实现框架
• 7.3.4 遗传算法设计
• 7.3.4.1 适值函数
• 7.3.4.2 种群中的基因
• 7.3.4.3 参数分析与设定
• 7.3.5 局部优化
• 7.3.6 系统复位与停止机制
• 7.4 实验结果分析
• 7.5 本章小结
• 第八章 结束语
• 8.1 本文的主要贡献
• 8.1.1 可观测性信息模型
• 8.1.2 可观测性覆盖分析方法
• 8.1.3 基于可观测性覆盖评估准则的激励生成方法
• 8.1.4 基于混合遗传算法的RTL激励生成方法
• 8.2 存在的问题和将来的工作
• 参考文献
• 致谢
• 作者简历