利用来自回归运行的数据来建议调试的起点。
大数据这个词已经出现很多年了。大数据的应用有很多，但过程是一样的:捕捉、处理和分析。借助新的验证解决方案，大数据技术可以提高您的验证过程效率，并预测您的下一个芯片签名。
通过在验证环境中使用最先进的技术提供大数据基础设施，所有验证指标的组合可以尽可能有效地使用所有资源，并通过预测分析实现流程改进。
预测分析是机器学习(ML)的一部分，也是将大数据概念应用于验证过程时非常有趣的主要基础之一。
成熟的数据分析正在推动基于可靠预测分析(AI/ML)的自动化决策的需求。图1强调了数据和分析的成熟，说明了我们如何从描述性和诊断性分析转向预测性和规定性分析，从而释放出大数据的全部潜力。
图1:成熟度分析模型。
描述性分析，通过报告和仪表板的方式，描述了过程的任何方面的维度和度量，使用户能够报告任何度量的目标和实际值。
诊断分析使用更先进和关键的功能，如交互式可视化，使用户能够更容易地钻取数据以发现新的见解。这里假定用户更善于分析，使用所提供的工具以所需的方式挖掘数据。
预测分析应用于丰富的历史数据集，可以预测未来时间的结果。使用来自预测模型的见解的规范分析被集成到流程中，以采取纠正或优化行动。
调试周期和从哪里开始调试是验证过程中最耗时的两个方面。在一个地方有了所有的覆盖和断言数据，就可以利用来自回归运行的数据来建议调试的起点。
基本原则是，如果覆盖特定覆盖点的所有测试都通过了，那么该覆盖点成为错误原因的可能性就非常低。如果覆盖给定覆盖点的所有测试都失败了，而不覆盖同一覆盖点的所有测试都失败了，则有关的覆盖点成为错误原因的可能性非常高。在一个典型的设计中使用成千上万个这样的覆盖点，就有可能查明故障的可能原因。
该算法与分类过程一起工作，以精确定位单个错误作为起点。假设我们需要大量通过和失败的测试。测试不应该产生100%的覆盖率，各种测试的覆盖率应该与其他测试的覆盖率有最小的重叠。本质上，我们想要为每个覆盖点计算的是给定测试失败的概率，如果给定的覆盖点被所说的测试覆盖了。可以为每个覆盖点计算一个评级，它告诉我们关于测试的总体通过/失败状态有多少额外的信息是由每个覆盖点贡献的，以及给定覆盖点的签名与回归套件的通过/失败签名的匹配程度。与通过/失败状态签名最相关的覆盖点可能是与至少一个失败原因最接近的覆盖点。这是一个在数据挖掘中可能发生的事情的例子，当来自回归的所有信息都聚集在一个地方时。
数据挖掘和预测分析可以应用于验证过程中的数据。为验证环境提供具有最先进技术的大数据基础设施或平台，可以混合所有验证指标，并真正允许尽可能有效地使用所有资源，显著提高整个过程的可预测性。
图2:协作的、数据驱动的验证转换了使用分析、协作和可跟踪性的验证过程。
Questa Verification IQ是一个数据驱动的验证解决方案，它不仅提供了一个中央度量平台，而且还使用web框架集成了可扩展的验证管理应用程序。它本身支持协作，使用分析和可跟踪性转换验证过程。
通过在验证环境中使用最先进的技术提供大数据基础设施，所有验证指标的组合可以尽可能有效地使用所有资源，并通过预测分析实现流程改进。
解决方案最初由四个应用程序组成。
Testplan Author是一个计划和需求驱动的前端，提供了一个协作的测试计划编辑器来捕获驱动验证过程的测试计划。
回归导航器是我们回归引擎的协作前端，在一个独立于设备和操作系统的界面中提供回归的可见性和可控性。
覆盖分析器通过对覆盖关闭问题应用分析来加速覆盖关闭。
Verification Insight提供了构建项目度量仪表板的能力。Verification Insight在整个验证过程中以及跨多个项目存储数据，具有历史数据管理功能。这允许应用基于ML的预测和说明性分析来加速和改进验证过程。
大数据不仅仅是收集大量的数据，还允许通过结合从验证过程中捕获的数据来探索不同的关系。使用一些现成的技术，可以开始收集非常有价值的数据，这可以帮助提高您的验证过程效率，并预测今天，更重要的是，未来项目中的芯片签收。
要深入了解这一主题，包括大数据的历史和应用，以及将其力量传递到您手中的技术、指标和流程，请阅读西门子最近发布的白皮书利用大数据提高验证的可预测性和效率．
|
|
|
|
|
|
|
|
|
|
留下回复