激励组合与模块相关性的学习方法与测试脚本产生方法技术

本创作公开了一种激励组合与模块相关性的学习方法，目的是使处理器的验证工作迅速收敛，加速处理器设计开发。该激励组合与模块相关性的学习方法包含：随机自待测处理器相关的指令与外部事件当中选取激励组合，其中该激励组合包含至少一个该指令与一个该外部事件；根据该激励组合生成脚本；根据该脚本对该待测处理器的模型进行仿真，以得到各处理器模块的相关性或覆盖率；以及根据该激励组合与该各处理器模块的相关性或覆盖率，针对机器学习模型进行监督式训练。行监督式训练。行监督式训练。

【技术实现步骤摘要】
激励组合与模块相关性的学习方法与测试脚本产生方法


[0001]本创作属于数字电路设计领域，涉及处理器的系统级验证。

技术介绍

[0002]现代超大规模数字电路(VLSI)设计中，中央处理器(CPU)因其极高的复杂度而成为其中最具挑战性的一个方向。在CPU IP的开发过程中，验证工作消耗了大量的时间和人力成本。尤其是系统级的验证，需要验证人员花费大量的时间编写定向测试用例(一般是汇编指令)。
[0003]传统的随机测试一般由验证人员使用perl或者python脚本编写用例生成器，但其随机化过程是固定的，即由特定的指令集中随机选取指令，组合来生成用例。比如，用于测试内存访问模块的随机用例生成器脚本会从各种访存指令(例如load word，store word，load byte等)中随机选取指令组合，包括不同的指令类型和目的地址。
[0004]模块覆盖率是仿真验证完备性的一个重要指标，为0到100％。虽然也有随机测试用例来提高测试的覆盖率，但是因为处理器架构的复杂性(包括不同指令序列以及特权状态的组合)，随机用例的实际覆盖效率往往很本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种激励组合与模块相关性的学习方法，其特征在于，包含：随机自待测处理器相关的指令与外部事件当中选取激励组合，其中该激励组合包含至少一个该指令与一个该外部事件；根据该激励组合生成脚本；根据该脚本对该待测处理器的模型进行仿真，以得到各处理器模块的相关性或覆盖率；以及根据该激励组合与该各处理器模块的相关性或覆盖率，针对机器学习模型进行监督式训练。2.如权利要求1所述的激励组合与模块相关性的学习方法，其特征在于，其中在随机自待测处理器相关的指令与外部事件当中选取激励组合时，包含下列步骤之一或其任意组合：指定所欲选取的指令的类别；以及指定所欲选取的外部事件的类别。3.如权利要求1所述的激励组合与模块相关性的学习方法，其特征在于，其中该机器学习模型为深度神经网络模型，该深度神经网络模型包含输入层、一或多个隐藏层与输出层。4.如权利要求3所述的激励组合与模块相关性的学习方法，其特征在于，其中该输入层包含该激励组合当中的该待测处理器相关的指令与外部事件的出现次数或比例，该输出层包含该各处理器模块的相关性或覆盖率。5.一种测试脚本产生方法，其特征在于，包含：随机自待测处理器相关的指令与外部事件当中选取激励组合，其中该激励组合包含至少一个该指令与一个该外部事件；将该激励组合输入已训练的机器学习模型，以得到预测的各处理器模块的相关性或覆盖率；判断该预测的各处理器模块的相关性或覆盖率要求是否满足要求；以及当判断该预测的各处理器模块的相关性或覆盖率要求满足要求时，根据该激励组合生成脚本。6.如权利要求5所述的测试脚本产生方法，其特征在于，其中在随机自待测处理器相关的指令与外部事件当中选取激励组合时，包...

【专利技术属性】
技术研发人员：武文顺，
申请(专利权)人：上海芯联芯智能科技有限公司，
类型：发明
国别省市：