一种Margin数据评价方法、装置、设备及介质制造方法及图纸

本发明专利技术涉及计算机技术领域，尤其涉及一种Margin数据评价方法、装置、设备及介质。所述方法包括：基于统计学特征对待评价的Margin仿真数据和Margin测试数据分别进行可信度分析以得到对应的可信度等级；基于可信度等级将待评价的Margin仿真数据和Margin测试数据输入到预先训练的分类模型中以得到落入第一类别的概率和落入第二类别的概率；基于所述落入第一类别的概率和所述落入第二类别的概率判定Margin仿真数据和Margin测试数据中的哪一个更接近真实数据。本发明专利技术的方案能自动从两种类型数据中选择一个作为更接近真实数据，极大地节约了时间成本和人工成本，具有较佳的准确性和可靠性。和可靠性。和可靠性。

【技术实现步骤摘要】
一种Margin数据评价方法、装置、设备及介质


[0001]本专利技术涉及计算机
，尤其涉及一种Margin数据评价方法、装置、设备及介质。

技术介绍

[0002]服务器是计算机的一种，它比普通计算机运行更快，负载更高，价格更贵，服务器在网络中为其它客户机，如PC机，智能手机，ATM等终端甚至是火车系统等大型设备，提供计算或者应用服务。随着服务器数据处理速率的提高和CPU最高工作频率的不断提高，信号完整性问题就显得尤为重要。信号完整性是对于电子信号质量的一系列度量标准。在数字电路中，一串二进制的信号流是通过电压(或电流)的波形来表示。然而，自然界的信号实际上都是模拟的，而非数字的，所有的信号都受噪音、扭曲和损失影响。在短距离、低比特率的情况里，一个简单的导体可以忠实地传输信号。而长距离、高比特率的信号如果通过几种不同的导体，多种效应可以降低信号的可信度，这样系统或设备不能正常工作。信号完整性考虑的问题主要有振铃(ringing)、串扰(crosstalk)、接地反弹、扭曲(skew)、信号损失和电源供应中的噪音。这些参数则可以简单且粗略的使用Margin来表示，因此信号的Margin则在信号完整性体系中扮演着极其重要的角色。
[0003]当前存在两种获取Margin值的途径：一种途径是通过利用相关软件进行Margin的仿真，比如ICAT、ADS等软件；另一种途径是通过IOMT(Signal Integrity Verification、Input\Outout margin tool，输入输出端口信号边界测试工具)软件获取真实系统的Margin的测量值。由于获得Margin值的两种途径均使用软件，而软件中不免会存在一些未知的情况，若二者的值产生了差异性，则无法确认出哪个值更贴近真实系统的真实Margin值。
[0004]目前，对于采用以上两种途径获取的Margin数据主要有以下三种评价方案，分别是：方案一：以IOMT输出的测试数据为准；方案二：以仿真数据为准；方案三：由岗位专家进行评审。目前普遍采用的是方案一，很少采用方案三，极少采用方案二。现存的三种方案均有较大的局现象。方案一，之所以具有普遍性，是基于IOMT不存在bug的前提，而现实情况IOMT会存在一些bug。如果将已发生bug之后的IOMT输出数据当作真实数据的话，那么很显然这个数据并不贴合实际。另外，IOMT并不是一个完全自动化的测试工具，也是依赖人工操作，人工操作也极有可能造成设置错误。因此，不能完全依赖于IOMT的输出数据。方案二，模型精度、软件精度均会对仿真数据产生影响，因此将此数据作为真实数据，亦不能成立。方案三，耗费专家精力，重复进行仿真和测试会耗费一定时间，且各个专家所处领域不同，可能会具有一定的主观意识，影响评判的公平性。

技术实现思路

[0005]本专利技术为解决Margin仿真数据与Margin测试数据存在差异时来判断出哪个数据更贴近系统的真实值，提供一种Margin数据评价方法、装置、设备及介质。
[0006]根据本专利技术的第一方面，提供了一种Margin数据评价方法，所述方法包括：
[0007]S1、基于统计学特征对待评价的Margin仿真数据和Margin测试数据分别进行可信度分析以得到对应的可信度等级；
[0008]S2、基于可信度等级将待评价的Margin仿真数据和Margin测试数据输入到预先训练的分类模型中以得的落入第一类别的概率和落入第二类别的概率；
[0009]S3、基于所述落入第一类别的概率和所述落入第二类别的概率判定Margin仿真数据和Margin测试数据中的哪一个更接近真实数据。
[0010]在一些实施例中，步骤S1包括：
[0011]S11、获取影响Margin仿真数据可信度的参数：仿真模型精度、仿真软件精度、整体链路复杂度、操作熟练度、仿真结果与spec的差值的归一化值；
[0012]S12、获取影响Margin测试精度的因素的参数：测试设备精度、待测系统的成熟度、整体链路复杂度、操作熟练度、仿真结果与spec的差值的归一化值；
[0013]S13、分别对步骤S11和步骤S12获取的参数执行以下操作：
[0014]A1、将获取的参数分别设置为A、B、C、D、E；
[0015]A2、将A参数进行模糊分类以分为非常精确、比较精确、一般精确、较不精确、不精确5个等级；
[0016]A3、将B参数进行模糊分类以分为非常精确、比较精确、一般精确、较不精确、不精确5个等级；
[0017]A4、将C参数进行模糊分类以分为非常简单、比较简单、一般复杂、比较复杂、非常复杂5个等级；
[0018]A5、将D参数进行模糊分类以分为非常熟练、比较熟练、一般熟练、比较生疏、非常生疏5个等级；
[0019]A6、将E参数进行模糊分类以分为非常吻合、比较吻合、一般吻合、比较不吻合、非常不吻合5个等级；
[0020]A7、将各个参数的等级表示为HH、NH、LH、NL、LL，将A、B、C、D、E五个参数分别可记录为：A[HH、NH、LH、NL、LL]，B[HH、NH、LH、NL、LL]，C[HH、NH、LH、NL、LL]，D[HH、NH、LH、NL、LL]，E)HH、NH、LH、NL、LL]；
[0021]A8、将A、B、C、D、E五个参数合并则可记录为：
[0022]A9、由步骤A8排列组合出25种情况，将HH设置为5分，NH设置为4分，LH设置为3分，NL设置为2分，LL设置为1分，将这25种情况依据得分情况分为三个等级；
[0023]A10、将分数大于20分设置为可信等级记作TT，将分数小于10分设置为怀疑等级记作FF，将介于10分至20分设置为半信半疑等级记作TF；
[0024]A11、对于FF等级的数据直接舍弃或重新提高A、B、C、D、E的质量后重新分级；
[0025]A12、对于TT等级的数据，则直接进入步骤S2；
[0026]A13、对于TF等级的数据，若HH个数大于2个或NH的个数大于3个，则直接进入步骤
S2，否则并入FF等级执行步骤A11。
[0027]在一些实施例中，所述方法还包括依赖已知准确性的Margin仿真数据、Margin测试数据和压力测试情况作为训练样本，将训练样本中的Margin仿真数据记作MS，将训练样本中的Margin测试数据记作MT，将训练样本真实系统压力测试数据记录为TP，将TP等级分为TP1、TP2，其中TP1、TP2分别为压力测试连续不出错的时间，且TP1大于TP2；
[0028]基于训练样本采用以下步骤进行模型训练：
[0029]B1、统计输入数据个数，统计属于TP1类别数据个数，统计属于TP2类别数据个数；
[0030]B2、基于所统计的输入数据个数、属于TP1类别数据个数和属于TP2类别数据个数计算属于TP1类别MS数据的均值和方差，计算属于TP1类别MT数据的均值和方差，计算属于TP2类别本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种Margin数据评价方法，其特征在于，所述方法包括：S1、基于统计学特征对待评价的Margin仿真数据和Margin测试数据分别进行可信度分析以得到对应的可信度等级；S2、基于可信度等级将待评价的Margin仿真数据和Margin测试数据输入到预先训练的分类模型中以得到落入第一类别的概率和落入第二类别的概率；S3、基于所述落入第一类别的概率和所述落入第二类别的概率判定Margin仿真数据和Margin测试数据中的哪一个更接近真实数据。2.根据权利要求1所述的Margin数据评价方法，其特征在于，步骤S1包括：S11、获取影响Margin仿真数据可信度的参数：仿真模型精度、仿真软件精度、整体链路复杂度、操作熟练度、仿真结果与spec的差值的归一化值；S12、获取影响Margin测试精度的因素的参数：测试设备精度、待测系统的成熟度、整体链路复杂度、操作熟练度、仿真结果与spec的差值的归一化值；S13、分别对步骤S11和步骤S12获取的参数执行以下操作：A1、将获取的参数分别设置为A、B、C、D、E；A2、将A参数进行模糊分类以分为非常精确、比较精确、一般精确、较不精确、不精确5个等级；A3、将B参数进行模糊分类以分为非常精确、比较精确、一般精确、较不精确、不精确5个等级；A4、将C参数进行模糊分类以分为非常简单、比较简单、一般复杂、比较复杂、非常复杂5个等级；A5、将D参数进行模糊分类以分为非常熟练、比较熟练、一般熟练、比较生疏、非常生疏5个等级；A6、将E参数进行模糊分类以分为非常吻合、比较吻合、一般吻合、比较不吻合、非常不吻合5个等级；A7、将各个参数的等级表示为HH、NH、LH、NL、LL，将A、B、C、D、E五个参数分别可记录为：A[HH、NH、LH、NL、LL]，B[HH、NH、LH、NL、LL]，C[HH、NH、LH、NL、LL]，D[HH、NH、LH、NL、LL]，E)HH、NH、LH、NL、LL]；A8、将A、B、C、D、E五个参数合并则可记录为：A9、由步骤A8排列组合出25种情况，将HH设置为5分，NH设置为4分，LH设置为3分，NL设置为2分，LL设置为1分，将这25种情况依据得分情况分为三个等级；A10、将分数大于20分设置为可信等级记作TT，将分数小于10分设置为怀疑等级记作FF，将介于10分至20分设置为半信半疑等级记作TF；A11、对于FF等级的数据直接舍弃或重新提高A、B、C、D、E的质量后重新分级；A12、对于TT等级的数据，则直接进入步骤S2；
A13、对于TF等级的数据，若HH个数大于2个或NH的个数大于3个，则直接进入步骤S2，否则并入FF等级执行步骤A11。3.根据权利要求1所述的Margin数据评价方法，其特征在于，所述方法还包括依赖已知准确性的Margin仿真数据、Margin测试数据和压力测试情况作为训练样本，将训练样本中的Margin仿真数据记作MS，将训练样本中的Margin测试数据记作MT，将训练样本真实系统压力测试数据记录为TP，将TP等级分为TP1、TP2，其中TP1、TP2分别为压力测试连续不出错的时间，且TP1大于T...

【专利技术属性】
技术研发人员：刘波，王旭，
申请(专利权)人：苏州浪潮智能科技有限公司，
类型：发明
国别省市：