專利名稱：：驗(yàn)證向量的優(yōu)化方法及裝置的制作方法
技術(shù)領(lǐng)域：
：本發(fā)明涉及超大規(guī)模集成電路(VeryLargeScaleIntegratedcircuits,VLSI)，設(shè)計(jì)領(lǐng)域，主要是關(guān)于模擬驗(yàn)證中的覆蓋評估技術(shù)，特別是涉及驗(yàn)證向量的優(yōu)化方法及裝置。
背景技術(shù)：
：隨著集成電路的廣泛應(yīng)用，對功能正確性及速度、功耗、可靠性等都有嚴(yán)格要求。其中，功能正確性是最基本的要求。2003年度的國際半導(dǎo)體技術(shù)發(fā)展報(bào)告指出，驗(yàn)證已經(jīng)成為集成電路設(shè)計(jì)流程中開銷最大的工作。驗(yàn)證不僅是研究領(lǐng)域中的熱點(diǎn)，它與企業(yè)的經(jīng)濟(jì)效益也是直接相關(guān)的。因此，必須要有高效的驗(yàn)證的設(shè)計(jì)方法來將集成電路的設(shè)計(jì)錯(cuò)誤發(fā)生的可能性降低到最小，同時(shí)又要縮短產(chǎn)品面市時(shí)間，從而實(shí)現(xiàn)經(jīng)濟(jì)目標(biāo)。一般來講，驗(yàn)證的設(shè)計(jì)方法包括兩大類模擬驗(yàn)證和形式驗(yàn)證。由于狀態(tài)爆炸等一系列問題的存在，形式驗(yàn)證難以應(yīng)用到大型集成電路的設(shè)計(jì)驗(yàn)證當(dāng)中去，因此模擬驗(yàn)證成為當(dāng)前VLSI設(shè)計(jì)驗(yàn)證中的主要技術(shù)；而由于模擬驗(yàn)證無法證明設(shè)計(jì)的正確性，只能說明到某個(gè)階段沒有發(fā)現(xiàn)錯(cuò)誤，在實(shí)際應(yīng)用中又常常需要結(jié)合覆蓋評估技術(shù)。在模擬驗(yàn)證中，覆蓋評估通過定義各種各樣的覆蓋率信息可以在一定程度上衡量驗(yàn)證進(jìn)行的程度。其是通過定義一系列的功能點(diǎn)，然后檢測其是否被覆蓋過，來評估整個(gè)驗(yàn)證進(jìn)度。在整個(gè)驗(yàn)證流程中需要始終保持對覆蓋率數(shù)據(jù)的監(jiān)測和分析，并以此來指導(dǎo)測試程序的生成和仿真過程。目前，在處理器的驗(yàn)證中，隨機(jī)測試向量是最主要的驗(yàn)證向量，整個(gè)驗(yàn)證過程中超過四分之三的設(shè)計(jì)錯(cuò)誤都是通過運(yùn)行隨機(jī)測試向量發(fā)現(xiàn)的。理論上來說，如果能明確測試向量和需要覆蓋的功能點(diǎn)之間的關(guān)系，除了指定初始指令模板外，驗(yàn)證過程完全可以不需要人工干預(yù)而自動(dòng)完成，但是由于測試向量和功能點(diǎn)之間的復(fù)雜網(wǎng)狀聯(lián)系，在大規(guī)模的實(shí)際工業(yè)應(yīng)用中還有待深入研究。由于約束隨機(jī)測試向量的方法可以指定驗(yàn)證的范圍，在仿真初期驗(yàn)證效率可能會比較高，覆蓋率增長較快。但是當(dāng)仿真進(jìn)行到一定程度時(shí)，由于所定義覆蓋空間的復(fù)雜性和其中存在某些難以到達(dá)的狀態(tài)，覆蓋率的提高開始變得十分緩慢，此時(shí)所運(yùn)行的大量測試程序都具有冗余性，而在運(yùn)行仿真前無法知道該測試程序?qū)Ω采w率提高的貢獻(xiàn)，大量的仿真時(shí)間都用在了已覆蓋到的功能點(diǎn)的驗(yàn)證上，這是影響當(dāng)前驗(yàn)證效率的重要因素。綜上所述，現(xiàn)有模擬驗(yàn)證技術(shù)的仿真速度難以讓人滿意，同時(shí)所使用的驗(yàn)證向量存在大量的冗余性。
發(fā)明內(nèi)容本發(fā)明的目的在于過濾對提高當(dāng)前覆蓋率沒有幫助的驗(yàn)證向量，只將可能提高覆蓋率的驗(yàn)證向量送入仿真執(zhí)行的過程，在達(dá)到相同覆蓋率的情況下，減少了需要進(jìn)行仿真的驗(yàn)證向量的數(shù)目，盡可能減少驗(yàn)證向量的使用，縮短仿真時(shí)間，從而提高驗(yàn)證效率，加速驗(yàn)證收斂。為實(shí)現(xiàn)本發(fā)明的目的而提供的一種驗(yàn)證向量的優(yōu)化方法，包括下列步驟步驟IOO，根據(jù)仿真后的初始驗(yàn)證向量，獲得所述初始驗(yàn)證向量對所定義的功能點(diǎn)的覆蓋率的信息，初始化已覆蓋功能點(diǎn)列表，構(gòu)建分類模型；步驟200，將新生成的驗(yàn)證向量送入所述分類模型，預(yù)測新的驗(yàn)證向量對所述功能點(diǎn)的覆蓋率，并將使得對所述功能點(diǎn)的覆蓋率提高的新生成的驗(yàn)證向量進(jìn)行仿真，根據(jù)仿真結(jié)果更新功能點(diǎn)列表，得到覆蓋率較高的驗(yàn)證向量。所述步驟100，包括下列歩驟步驟IIO，生成用戶指定數(shù)目的初始驗(yàn)證向量集，將其中的初始驗(yàn)證向量在待驗(yàn)證設(shè)計(jì)上進(jìn)行仿真，得到所述初始驗(yàn)證向量對所定義的功能點(diǎn)的覆蓋率的信息，并將所述初始驗(yàn)證向量和與之對應(yīng)的覆蓋率的信息作為訓(xùn)練樣本；步驟120，對所述訓(xùn)練樣本進(jìn)行預(yù)處理，提取驗(yàn)證向量特征，同時(shí)根據(jù)對每個(gè)所定義的功能點(diǎn)的覆蓋情況對驗(yàn)證向量進(jìn)行類別標(biāo)記；步驟130，對步驟120中已進(jìn)行類別標(biāo)記的驗(yàn)證向量使用特征選擇算法進(jìn)行特征選擇，得到特征向量集；步驟140，根據(jù)步驟130中選擇的特征向量集，對驗(yàn)證向量集中的驗(yàn)證向量進(jìn)行特征映射，得到特征矩陣；步驟150，將所述特征矩陣送入特定分類器中進(jìn)行學(xué)習(xí)，得到分類模型。所述步驟120，包括下列歩驟步驟121，對于由驗(yàn)證向量組成的訓(xùn)練樣本，獲取驗(yàn)證向量的特征表示，提取驗(yàn)證向量特征；步驟122，針對所定義的每一個(gè)功能點(diǎn)，結(jié)合所述訓(xùn)練樣本中驗(yàn)證向量和覆蓋率的信息，標(biāo)記出該驗(yàn)證向量對每一個(gè)功能點(diǎn)的覆蓋情況；步驟122中，所述標(biāo)記，是指能覆蓋到所述功能點(diǎn)的驗(yàn)證向量被標(biāo)記為正樣例，沒有覆蓋到所述功能點(diǎn)的驗(yàn)證向量被標(biāo)記為負(fù)樣例。所述步驟200，包括下列步驟步驟210，根據(jù)步驟130中所選擇的特征向量所代表的特征，將新生成的驗(yàn)證向量映射為相應(yīng)的特征向量；步驟220，將所述由新生成的驗(yàn)證向量映射的特征向量送入所述分類模型，判斷所述新生成的驗(yàn)證向量是否能覆蓋到所述功能點(diǎn)，從而預(yù)測得到新生成的驗(yàn)證向量對所述功能點(diǎn)的覆蓋率，并與所述已覆蓋功能點(diǎn)列表中相應(yīng)表項(xiàng)一一對比；步驟230，判斷所述新生成的驗(yàn)證向量是否能夠覆蓋新的功能點(diǎn)，若是，則進(jìn)入步驟240;否則，將其丟棄，不進(jìn)行仿真；步驟240，將所述能夠覆蓋新的功能點(diǎn)的新生成的驗(yàn)證向量送入待驗(yàn)證設(shè)計(jì)中進(jìn)行仿真，并用進(jìn)行了仿真的驗(yàn)證向量的覆蓋率結(jié)果更新已覆蓋功能點(diǎn)列表，得到覆蓋率較高的驗(yàn)證向量。為實(shí)現(xiàn)本發(fā)明的目的還提供一種驗(yàn)證向量優(yōu)化裝置，所述裝置，包括驗(yàn)證向量生成模塊和覆蓋率獲取模塊，還包括分類模型構(gòu)建模塊和驗(yàn)證向量優(yōu)化模塊，其中所述分類模型構(gòu)建模塊，用于根據(jù)經(jīng)過仿真后的由所述驗(yàn)證向量生成模塊生成的初始驗(yàn)證向量，獲得所述初始驗(yàn)證向量對所定義的功能點(diǎn)的覆蓋率的信息，初始化已覆蓋功能點(diǎn)列表，構(gòu)建分類模型；所述驗(yàn)證向量優(yōu)化模塊，用于將由所述驗(yàn)證向量生成模塊生成的新生成的驗(yàn)證向量送入所述分類模型構(gòu)建模塊構(gòu)建的分類模型，預(yù)測所述新生成的驗(yàn)證向量對所述功能點(diǎn)的覆蓋率，并將使得對所述功能點(diǎn)的覆蓋率提高的新生成的驗(yàn)證向量進(jìn)行仿真，根據(jù)仿真結(jié)果更新功能點(diǎn)列表，得到覆蓋率較高的驗(yàn)證向所述分類模型構(gòu)建模塊，包括特征提取模塊，用于提取所述驗(yàn)證向量的特征；特征向量選擇模塊，用于根據(jù)所述驗(yàn)證向量及其對所定義的功能點(diǎn)的覆蓋率的信息，選擇出對分類有效的特征向量；特征向量映射模塊，用于根據(jù)所述特征向量選擇模塊選擇出來的特征向量，將驗(yàn)證向量集映射為特征矩陣；訓(xùn)練模塊，用于將所述特征矩陣送入特定分類器中進(jìn)行訓(xùn)練，得到分類模型。所述驗(yàn)證向量優(yōu)化模塊，包括特征向量獲取模塊，用于根據(jù)所述驗(yàn)證向量生成模塊新生成的驗(yàn)證向量及所述提取驗(yàn)證向量的特征向量，獲取新生成驗(yàn)證向量的特征向量，送入所述分類模型；覆蓋率預(yù)測模塊，用于根據(jù)所述分類模型預(yù)測新生成的驗(yàn)證向量的覆蓋率，判斷是否能夠覆蓋到從未覆蓋過的功能點(diǎn)；高覆蓋率驗(yàn)證向量獲取模塊，用于根據(jù)所述能夠覆蓋到從未覆蓋過的功能點(diǎn)的新生成的驗(yàn)證向量送入所述覆蓋率獲取模塊后得到的覆蓋率信息，更新覆蓋率列表，進(jìn)而獲得高覆蓋率驗(yàn)證向量。本發(fā)明的有益效果在于1.本發(fā)明的驗(yàn)證向量的優(yōu)化方法及裝置，是一種基于機(jī)器學(xué)習(xí)的驗(yàn)證向量優(yōu)化方法；2.本發(fā)明的驗(yàn)證向量的優(yōu)化方法及裝置，能夠在驗(yàn)證過程中達(dá)到相同的覆蓋率要求的前提下，盡可能減少驗(yàn)證向量的使用，縮短仿真時(shí)間，從而提高驗(yàn)證效率，加速驗(yàn)證收斂。圖1是本發(fā)明驗(yàn)證向量的優(yōu)化方法的流程圖2是本發(fā)明中構(gòu)建分類模型的流程圖3是本發(fā)明中對新生成的驗(yàn)證向量進(jìn)行優(yōu)化的流程圖4是本發(fā)明驗(yàn)證向量優(yōu)化裝置的結(jié)構(gòu)示意8圖5是本發(fā)明中分類模型構(gòu)建模塊的結(jié)構(gòu)示意圖；圖6是本發(fā)明中驗(yàn)證向量優(yōu)化模塊的結(jié)構(gòu)示意圖。具體實(shí)施例方式為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合附圖及實(shí)施例，對本發(fā)明的一種驗(yàn)證向量的優(yōu)化方法及裝置進(jìn)行進(jìn)一歩詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。本發(fā)明的一種驗(yàn)證向量的優(yōu)化方法及裝置，是根據(jù)己進(jìn)行的驗(yàn)證向量的仿真信息，對新產(chǎn)生的驗(yàn)證向量的覆蓋率信息進(jìn)行預(yù)測，提前判斷其是否可能提高當(dāng)前覆蓋率，如果可以再送入到待驗(yàn)證設(shè)計(jì)執(zhí)行仿真操作，否則認(rèn)為是冗余的驗(yàn)證向量而重新產(chǎn)生。其能夠在驗(yàn)證過程中達(dá)到相同的覆蓋率要求的前提下，盡可能減少驗(yàn)證向量的使用，縮短仿真時(shí)間，從而提高驗(yàn)證效率，加速驗(yàn)證收斂。下面結(jié)合上述目標(biāo)詳細(xì)介紹本發(fā)明的一種驗(yàn)證向量的優(yōu)化方法，其是一種基于機(jī)器學(xué)習(xí)的驗(yàn)證向量優(yōu)化方法，其目的在于，解決現(xiàn)有驗(yàn)證流程中由于大量的仿真時(shí)間用在了冗余的驗(yàn)證向量的運(yùn)行上而導(dǎo)致的驗(yàn)證效率不夠高的問題。圖1是本發(fā)明一種驗(yàn)證向量的優(yōu)化方法的流程圖，如圖1所示，所述方法包括下列步驟步驟IOO，根據(jù)仿真后的初始驗(yàn)證向量，獲得所述初始驗(yàn)證向量對所定義的功能點(diǎn)的覆蓋率的信息，初始化已覆蓋功能點(diǎn)列表，構(gòu)建分類模型；所述功能點(diǎn)，是用戶根據(jù)待驗(yàn)證設(shè)計(jì)的需要定義的。步驟200，對新生成的驗(yàn)證向量進(jìn)行優(yōu)化。具體包括將新生成的驗(yàn)證向量的特征向量送入分類模型，預(yù)測新生成的驗(yàn)證向量對功能點(diǎn)的覆蓋率，并將使得對所述功能點(diǎn)的覆蓋率提高的新生成的驗(yàn)證向量進(jìn)行仿真，根據(jù)仿真結(jié)果更新功能點(diǎn)列表，得到覆蓋率較高的驗(yàn)證向量。圖2是本發(fā)明中構(gòu)建分類模型的流程圖，如圖2所示，所述步驟100，包括下列步驟步驟IIO，生成用戶指定數(shù)目的初始驗(yàn)證向量集，將其中的初始驗(yàn)證向量在待驗(yàn)證設(shè)計(jì)上進(jìn)行仿真，得到相應(yīng)初始驗(yàn)證向量對所定義的功能點(diǎn)的覆蓋率信息，并將所述初始驗(yàn)證向量和與之對應(yīng)的覆蓋率信息作為訓(xùn)練樣本；在實(shí)際驗(yàn)證工作中，可以通過人工手寫驗(yàn)證向量，或者利用驗(yàn)證向量生成軟件等方法生成用戶指定數(shù)目的初始驗(yàn)證向量集。較佳地，作為一種可實(shí)施方式，本發(fā)明中是利用指令生成引擎來生成用戶指定數(shù)目的初始驗(yàn)證向量集。所述初始驗(yàn)證向量的覆蓋率信息，是指初始驗(yàn)證向量是否覆蓋過用戶根據(jù)待驗(yàn)證設(shè)計(jì)的需要定義的一系列功能點(diǎn)的情況。在實(shí)際驗(yàn)證工作中，所述覆蓋率信息可以通過用戶自己設(shè)計(jì)的覆蓋率采集工具等方式在仿真過程中自動(dòng)獲得相應(yīng)功能點(diǎn)的覆蓋率報(bào)告。較佳地，作為一種可實(shí)施方式，本發(fā)明中是利用電子設(shè)計(jì)自動(dòng)化(ElectronicDesignAutomation,EDA)工具得到相應(yīng)功能點(diǎn)的覆蓋率報(bào)告，其中包括每一個(gè)驗(yàn)證向量對所定義的所有功能點(diǎn)的覆蓋次數(shù)等信息。作為一種可實(shí)施方式，在指令級隨機(jī)驗(yàn)證中，驗(yàn)證向量對應(yīng)的是由指令生成引擎產(chǎn)生的指令序列，如mfhi$10;lb$31，24251($2)等。對于功能覆蓋率而言，需要由驗(yàn)證工程師和設(shè)計(jì)者共同編寫功能覆蓋率模型。例如針對微處理的Decoder模塊，可能重點(diǎn)在于驗(yàn)證是否對于所有的指令操作碼都覆蓋到了，得到的可能結(jié)果如{mfhi3;lb2}，表示的是對mfhi指令覆蓋了3次，而對lb指令覆蓋了2次步驟120，對所述訓(xùn)練樣本進(jìn)行預(yù)處理，提取驗(yàn)證向量特征，同時(shí)根據(jù)對每個(gè)所定義的功能點(diǎn)的覆蓋情況對驗(yàn)證向量進(jìn)行類別標(biāo)記；對于由驗(yàn)證向量組成的訓(xùn)練樣本，要對其進(jìn)行訓(xùn)練，首先要獲取驗(yàn)證向量的特征表示，并提取驗(yàn)證向量特征。然后，針對所定義的每一個(gè)功能點(diǎn)，結(jié)合訓(xùn)練樣本的相應(yīng)信息，標(biāo)記出該驗(yàn)證向量對該功能點(diǎn)的覆蓋情況，其中能覆蓋到該功能點(diǎn)的驗(yàn)證向量稱為正樣例，沒有覆蓋到該功能點(diǎn)的驗(yàn)證向量稱為負(fù)樣例。所述步驟120，包括下列步驟歩驟121，對于由驗(yàn)證向量組成的訓(xùn)練樣本，獲取驗(yàn)證向量的特征表示，提取驗(yàn)證向量特征；對于微處理器的指令級隨機(jī)驗(yàn)證而言，驗(yàn)證向量意味著由約束引擎產(chǎn)生的一系列指令序列。指令序列最直觀的表示就是其匯編代碼，由于指令序列對功能點(diǎn)的覆蓋情況不僅僅表現(xiàn)在單條指令所能覆蓋到的功能點(diǎn)，同時(shí)更多的功能10點(diǎn)是由指令的不同組合序列才可能覆蓋到的，因此采用指令的順序組合作為驗(yàn)證向量的特征表示是比較自然的方式。在文本處理領(lǐng)域，一般采用向量空間模型來表示樣本，即表示成為一個(gè)M維的無序向量，其中N-Gram是文本表示中使用較為廣泛的概念，對于自然語言而言，連續(xù)的詞語之間是有必要關(guān)聯(lián)的，所以才用N-Gmm來表示文本特征。除了使用N-Gmm作為特征表示，還可能采用別的特征表示方式來進(jìn)行，可能不同的設(shè)計(jì)者有不同的考慮，比如可能會使用驗(yàn)證向量的二進(jìn)制序列，將整個(gè)01序列作為該驗(yàn)證向量的特征向量，只要能將其表示為向量空間模型就可以了。作為一種可實(shí)施方式，本發(fā)明中的驗(yàn)證向量的匯編表示使用N-Gram可以得到以下的特征表示，如表l所示表l匯編碼的2-Gram特征表示匯編碼2-Gram特征mfhi$10lb$31，24251($2)sub$5，$13，$11addu$19，$20，$24swl$10，-15728($2)mfhi$10lb$31，24251($2)lb$31，24251($2)sub$5，$13，$11sub$5，$13，$11addu$19，$20，$24addu$19，$20，$24swl$10，-15728($2)對于RISC處理器，除了load和store等訪存類指令，其它指令一般都只能訪問寄存器，因此指令的操作碼就規(guī)定了該條指令能夠訪問內(nèi)存單元還是寄存器。對于上述特征而言，由于考慮了操作數(shù)而使得特征分布過于稀疏，不利于分類器進(jìn)行學(xué)習(xí)；同時(shí)對于某些情況，如add$19，$20，$24add$18,$19，$23sub$11，$10，$12sub$12，$11，$13以上兩種情況所能覆蓋到的功能點(diǎn)并無很大區(qū)別，所以進(jìn)行權(quán)衡之后，考慮對上述特征進(jìn)行簡化作為驗(yàn)證向量特征，只使用其操作碼部分，因此得到的驗(yàn)證向量特征如表2所示表2簡化的匯編碼的2-Gram特征匯編碼2-Gmm特征mfhi$10mfhilb11<table>tableseeoriginaldocumentpage12</column></row><table>步驟122，針對所定義的每一個(gè)功能點(diǎn)，結(jié)合所述訓(xùn)練樣本中驗(yàn)證向量和覆蓋率的信息，標(biāo)記出該驗(yàn)證向量對每一個(gè)功能點(diǎn)的覆蓋情況；能覆蓋到功能點(diǎn)的驗(yàn)證向量被標(biāo)記為正樣例，沒有覆蓋到功能點(diǎn)的驗(yàn)證向量被標(biāo)記為負(fù)樣例。步驟130，對步驟120中已進(jìn)行類別標(biāo)記的驗(yàn)證向量使用特征選擇算法進(jìn)行特征選擇，得到特征向量集；由于步驟120中所提取的驗(yàn)證向量特征的數(shù)目是十分巨大的，直接將其映射為特征向量會使得特征空間維數(shù)過多，可能造成"維數(shù)災(zāi)難"等問題，影響學(xué)習(xí)速度，同時(shí)也可能有噪聲成分的存在，將影響機(jī)器學(xué)習(xí)的準(zhǔn)確度。因此，需要通過特征選擇算法從大量可選特征中提取出對區(qū)分不同類別更為重要的特征來表征原有的驗(yàn)證向量，以減少數(shù)據(jù)噪聲，降低特征維數(shù)，使得既能保證訓(xùn)練的速度，同時(shí)又能得到最佳的分類準(zhǔn)確度。所述特征選擇算法是機(jī)器學(xué)習(xí)領(lǐng)域的現(xiàn)有技術(shù)，文本處理中的特征選擇方式都可以采用，如文檔頻數(shù)(DF)、信息增益(InformartionGain)、互信息(MutualInformation)，CHI統(tǒng)計(jì)等等。作為一種可實(shí)施方式，本發(fā)明使用信息增益來進(jìn)行特征向量的挑選。信息增益源于信息論，反映了一個(gè)特征在區(qū)別不同類別時(shí)的重要程度，通過計(jì)算各個(gè)特征的信息增益值來剔除得分較低的特征，是因?yàn)檫@些特征對分類的幫助十分有限。信息增益的概念建立在變量熵的基礎(chǔ)上，變量的熵表示該變量的不確定程度，一個(gè)變量X的熵值按如下方式定義<formula>formulaseeoriginaldocumentpage12</formula>其中x,.是'菱量X的所有可能取值。信息增益則是在增加了對變量的觀測值后，熵的變化情況對應(yīng)到我們的實(shí)際問題，假設(shè)對于驗(yàn)證向量集s，針對某個(gè)功能點(diǎn)，覆蓋到該功能點(diǎn)的樣本數(shù)為P，未覆蓋到該功能點(diǎn)的樣本數(shù)為n，總的樣本數(shù),=p+w，對于某個(gè)特征/在樣本集S中的信息增益表示為由于這里是二分類問題，s的取值只有正樣例和負(fù)樣例兩種情況，分別對應(yīng)覆蓋到某個(gè)功能點(diǎn)的樣例和未覆蓋到某個(gè)功能點(diǎn)的樣例。此外，特征/只有兩種取值，w/t^(/)={0，1}，分別表示屬性/出現(xiàn)在某個(gè)樣例中和不在某個(gè)樣例中出現(xiàn)的情況。由此得到各個(gè)符號具體含義如下P。不包含特征/的正樣例；"。不包含特征/的負(fù)樣例；/。不包含特征/的所有樣例，即P。+"。；A:包含特征/的正樣例；"1:包含特征/的負(fù)樣例；/1:包含特征/的所有樣例，即^+"1;在所有特征的信息增益計(jì)算出來后，提取其中最高的800項(xiàng)作為最終的特征向量集。步驟140，根據(jù)步驟130中選擇的特征向量集，對驗(yàn)證向量集中所有驗(yàn)證向量進(jìn)行特征映射，得到特征矩陣；所述特征映射可以采取布爾映射、出現(xiàn)次數(shù)映射(根據(jù)該特征出現(xiàn)的次數(shù))、出現(xiàn)頻率映射(根據(jù)該特征出現(xiàn)的頻率)等多種方式。較佳地，本發(fā)明采用的映射方法是直接地進(jìn)行布爾(Boolean)映射對于特征J，如果在驗(yàn)證向量/中出現(xiàn)過，則特征矩陣/^][刀=1，否則0。步驟150，將所述特征矩陣送入特定分類器中進(jìn)行學(xué)習(xí)，得到分類模型；現(xiàn)有的機(jī)器學(xué)習(xí)理論中得到廣泛應(yīng)用的分類器，如k近鄰(kNN)，樸素貝葉斯(na'iveBayes)，判定樹(Decisiontree)等等都可以對特征矩陣進(jìn)行訓(xùn)練，從而得到分類模型。較佳地，作為一種可實(shí)施方式，本發(fā)明使用支持向量機(jī)對歩驟140中得到的特征矩陣進(jìn)行訓(xùn)練，得到相應(yīng)的分類模型。該方法為現(xiàn)有技術(shù)，在此不再一一贅述。圖3是本發(fā)明中對新生成的驗(yàn)證向量進(jìn)行優(yōu)化的流程圖，如圖3所示，所述步驟200，包括下列步驟步驟210，根據(jù)訓(xùn)練過程中所選擇的特征，將新生成的驗(yàn)證向量映射為相應(yīng)的特征向量；所述特征，是步驟130中所選擇的特征向量所代表的特征。步驟220，將所述由新生成的驗(yàn)證向量映射的特征向量送入所述分類模型，判斷所述新生成的驗(yàn)證向量是否能覆蓋到所述功能點(diǎn)，從而預(yù)測得到新生成的驗(yàn)證向量對所述功能點(diǎn)的覆蓋率，并與所述己覆蓋功能點(diǎn)列表中相應(yīng)表項(xiàng)一一對比；本步驟210、220中，將新生成的驗(yàn)證向量映射為特征向量的方法和得到覆蓋率的方法同步驟140和110，只是將步驟110中，將初始驗(yàn)證向量在待驗(yàn)證設(shè)計(jì)上進(jìn)行仿真改為根據(jù)訓(xùn)練過程中所選擇的特征。因此不再一一贅述。步驟230，判斷所述新生成的驗(yàn)證向量是否能夠覆蓋新的功能點(diǎn)，若是，則進(jìn)入步驟240;否則，將其丟棄，不進(jìn)行仿真；所述新的功能點(diǎn)，指的是以前所有己仿真過的驗(yàn)證向量從未覆蓋到的功能點(diǎn)，即不在全局的已覆蓋到功能點(diǎn)列表中的功能點(diǎn)。步驟240，將所述能夠覆蓋新的功能點(diǎn)的新生成的驗(yàn)證向量送入待驗(yàn)證設(shè)計(jì)中進(jìn)行仿真，并用進(jìn)行了仿真的驗(yàn)證向量的覆蓋率結(jié)果更新已覆蓋功能點(diǎn)列表，得到覆蓋率較高的驗(yàn)證向量。對于所有新產(chǎn)生的驗(yàn)證向量，通過不斷重復(fù)上述預(yù)測過程，可以得到其對定義的所有功能點(diǎn)的覆蓋情況，如果預(yù)測該驗(yàn)證向量能夠覆蓋到的功能點(diǎn)都是已覆蓋到功能點(diǎn)列表中的功能點(diǎn)，那么說明該驗(yàn)證向量是冗余的，沒有必要進(jìn)行仿真，將其丟棄。但是如果預(yù)測該驗(yàn)證向量能夠覆蓋到的功能點(diǎn)不在當(dāng)前的已覆蓋到功能點(diǎn)列表中，則說明該驗(yàn)證向量可能能覆蓋到新的功能點(diǎn)，將其進(jìn)行仿真，并用仿真的結(jié)果更新已覆蓋到功能點(diǎn)列表。上述過程完全由機(jī)器執(zhí)行，實(shí)現(xiàn)了基于機(jī)器學(xué)習(xí)的驗(yàn)證向量優(yōu)化方法。本步驟中，根據(jù)進(jìn)行仿真后得到的覆蓋率報(bào)告，對全局的已覆蓋到功能點(diǎn)列表進(jìn)行更新，表示驗(yàn)證進(jìn)行到當(dāng)前對所有功能點(diǎn)的累積覆蓋情況。用于判斷新生成的驗(yàn)證向量是否對當(dāng)前的覆蓋率有所提高。因?yàn)橥ㄟ^預(yù)測過程得到的是可能提高覆蓋率的驗(yàn)證向量，經(jīng)過預(yù)測過程僅僅只能知道該驗(yàn)證向量對每個(gè)功能點(diǎn)的覆蓋與否的情況，具體是否能夠?qū)Ξ?dāng)前覆蓋率有所提高，是通過與全局14的已覆蓋到功能點(diǎn)列表進(jìn)行比對來得到的。這樣驗(yàn)證過程中在達(dá)到相同的覆蓋率要求的前提下，能夠盡可能減少驗(yàn)證向量的使用，縮短仿真時(shí)間，從而提高驗(yàn)證效率，加速驗(yàn)證收斂。相應(yīng)于本發(fā)明的一種驗(yàn)證向量的優(yōu)化方法，本發(fā)明還提供一種驗(yàn)證向量優(yōu)化裝置。圖4是本發(fā)明一種驗(yàn)證向量優(yōu)化裝置的結(jié)構(gòu)示意圖，如圖4所示，所述驗(yàn)證向量優(yōu)化裝置，包括驗(yàn)證向量生成模塊l，用于生成用戶指定數(shù)目的驗(yàn)證向量集；覆蓋率獲取模塊2，用于將驗(yàn)證向量在待驗(yàn)證設(shè)計(jì)上進(jìn)行仿真，得到相應(yīng)驗(yàn)證向量的覆蓋率信息，還包括分類模型構(gòu)建模塊3，驗(yàn)證向量優(yōu)化模塊4，其中所述分類模型構(gòu)建模塊3，用于根據(jù)經(jīng)過仿真后的由所述驗(yàn)證向量生成模塊1生成的初始驗(yàn)證向量，獲得所述初始驗(yàn)證向量對所定義的功能點(diǎn)的覆蓋率的信息，初始化已覆蓋功能點(diǎn)列表，構(gòu)建分類模型；所述驗(yàn)證向量優(yōu)化模塊4，用于將由所述驗(yàn)證向量生成模塊1生成的新生成的驗(yàn)證向量送入所述分類模型構(gòu)建模塊3構(gòu)建的分類模型，預(yù)測所述新生成的驗(yàn)證向量對所述功能點(diǎn)的覆蓋率，并將使得對所述功能點(diǎn)的覆蓋率提高的新生成的驗(yàn)證向量進(jìn)行仿真，根據(jù)仿真結(jié)果更新功能點(diǎn)列表，得到覆蓋率較高的驗(yàn)證向量。圖5是本發(fā)明中分類模型構(gòu)建模塊的結(jié)構(gòu)示意圖，如圖5所示，所述分類模型構(gòu)建模塊3，包括特征提取模塊31，用于提取所述驗(yàn)證向量的特征；特征向量選擇模塊32，用于根據(jù)所述驗(yàn)證向量及其對所定義的功能點(diǎn)的覆蓋率的信息，選擇出對分類有效的特征向量；特征向量映射模塊33，用于根據(jù)所述特征向量選擇模塊32選擇出來的特征向量，將驗(yàn)證向量集映射為特征矩陣；訓(xùn)練模塊34，用于將所述特征矩陣送入特定分類器中進(jìn)行訓(xùn)練，得到分類模型。圖6是本發(fā)明中驗(yàn)證向量優(yōu)化模塊的結(jié)構(gòu)示意圖，如圖6所示，所述驗(yàn)證向量優(yōu)化模塊4，包括特征向量獲取模塊41，用于根據(jù)所述驗(yàn)證向量生成模塊新生成的驗(yàn)證向15量及所述提取驗(yàn)證向量的特征向量，獲取新生成驗(yàn)證向量的特征向量，送入所述分類模型；覆蓋率預(yù)測模塊42，用于根據(jù)所述分類模型預(yù)測新生成驗(yàn)證向量的覆蓋率，判斷是否能夠覆蓋到從未覆蓋過的功能點(diǎn)；高覆蓋率驗(yàn)證向量獲取模塊43，用于根據(jù)所述能夠覆蓋到從未覆蓋過的功能點(diǎn)的新生成驗(yàn)證向量送入所述覆蓋率獲取模塊2后得到的覆蓋率信息，更新覆蓋率列表，進(jìn)而獲得高覆蓋率驗(yàn)證向量。本發(fā)明的有益效果在于1.本發(fā)明的一種驗(yàn)證向量的優(yōu)化方法及裝置，是一種基于機(jī)器學(xué)習(xí)的驗(yàn)證向量優(yōu)化方法；2.本發(fā)明的一種驗(yàn)證向量的優(yōu)化方法及裝置，能夠在驗(yàn)證過程中達(dá)到相同的覆蓋率要求的前提下，盡可能減少驗(yàn)證向量的使用，縮短仿真時(shí)間，從而提高驗(yàn)證效率，加速驗(yàn)證收斂。通過結(jié)合附圖對本發(fā)明具體實(shí)施例的描述，本發(fā)明的其它方面及特征對本領(lǐng)域的技術(shù)人員而言是顯而易見的。以上對本發(fā)明的具體實(shí)施例進(jìn)行了描述和說明，這些實(shí)施例應(yīng)被認(rèn)為其只是示例性的，并不用于對本發(fā)明進(jìn)行限制，本發(fā)明應(yīng)根據(jù)所附的權(quán)利要求進(jìn)行解釋。權(quán)利要求1.一種驗(yàn)證向量的優(yōu)化方法，其特征在于，包括下列步驟步驟100，根據(jù)仿真后的初始驗(yàn)證向量，獲得所述初始驗(yàn)證向量對所定義的功能點(diǎn)的覆蓋率的信息，初始化已覆蓋功能點(diǎn)列表，構(gòu)建分類模型；步驟200，將新生成的驗(yàn)證向量送入所述分類模型，預(yù)測新生成的驗(yàn)證向量對所述功能點(diǎn)的覆蓋率，并將使得對所述功能點(diǎn)的覆蓋率提高的新生成的驗(yàn)證向量進(jìn)行仿真，根據(jù)仿真結(jié)果更新功能點(diǎn)列表，得到覆蓋率較高的驗(yàn)證向量。2.根據(jù)權(quán)利要求1所述的驗(yàn)證向量的優(yōu)化方法，其特征在于，所述步驟100，包括下列步驟步驟IIO，生成用戶指定數(shù)目的初始驗(yàn)證向量集，將其中的初始驗(yàn)證向量在待驗(yàn)證設(shè)計(jì)上進(jìn)行仿真，得到所述初始驗(yàn)證向量對所定義的功能點(diǎn)的覆蓋率的信息，并將所述初始驗(yàn)證向量和與之對應(yīng)的覆蓋率的信息作為訓(xùn)練樣本；步驟120，對所述訓(xùn)練樣本進(jìn)行預(yù)處理，提取驗(yàn)證向量特征，同時(shí)根據(jù)對每個(gè)所定義的功能點(diǎn)的覆蓋情況對驗(yàn)證向量進(jìn)行類別標(biāo)記；步驟130，對步驟120中已進(jìn)行類別標(biāo)記的驗(yàn)證向量使用特征選擇算法進(jìn)行特征選擇，得到特征向量集；步驟140，根據(jù)步驟130中選擇的特征向量集，對驗(yàn)證向量集中的所有驗(yàn)證向量進(jìn)行特征映射，得到特征矩陣；步驟150，將所述特征矩陣送入特定分類器中進(jìn)行學(xué)習(xí)，得到分類模型。3.根據(jù)權(quán)利要求2所述的驗(yàn)證向量的優(yōu)化方法，其特征在于，所述步驟120，包括下列步驟步驟121，對于由驗(yàn)證向量組成的訓(xùn)練樣本，獲取驗(yàn)證向量的特征表示，提取驗(yàn)證向量特征；步驟122，針對所定義的每一個(gè)功能點(diǎn)，結(jié)合所述訓(xùn)練樣本中驗(yàn)證向量和覆蓋率的信息，標(biāo)記出該驗(yàn)證向量對每一個(gè)功能點(diǎn)的覆蓋情況；4.根據(jù)權(quán)利要求3所述的驗(yàn)證向量的優(yōu)化方法，其特征在于，步驟122中，所述標(biāo)記，是指能覆蓋到所述功能點(diǎn)的驗(yàn)證向量被標(biāo)記為正樣例，沒有覆蓋到所述功能點(diǎn)的驗(yàn)證向量被標(biāo)記為負(fù)樣例。5.根據(jù)權(quán)利要求3所述的驗(yàn)證向量的優(yōu)化方法，其特征在于，所述步驟,200，包括下列步驟步驟210，根據(jù)步驟130中所選擇的特征向量所代表的特征，將新生成的驗(yàn)證向量映射為相應(yīng)的特征向量；步驟220，將所述由新生成的驗(yàn)證向量映射的特征向量送入所述分類模型，判斷所述新生成的驗(yàn)證向量是否能覆蓋到所述功能點(diǎn)，從而預(yù)測得到新生成的驗(yàn)證向量對所述功能點(diǎn)的覆蓋率，并與所述已覆蓋功能點(diǎn)列表中相應(yīng)表項(xiàng)一一對比；步驟230，判斷所述新生成的驗(yàn)證向量是否能夠覆蓋新的功能點(diǎn)，若是，則進(jìn)入歩驟240;否則，將其丟棄，不進(jìn)行仿真；步驟240，將所述能夠覆蓋新的功能點(diǎn)的新生成的驗(yàn)證向量送入待驗(yàn)證設(shè)計(jì)中進(jìn)行仿真，并用進(jìn)行了仿真的驗(yàn)證向量的覆蓋率結(jié)果更新已覆蓋功能點(diǎn)列表，得到覆蓋率較高的驗(yàn)證向量。6.—種驗(yàn)證向量優(yōu)化裝置，所述裝置，包括驗(yàn)證向量生成模塊和覆蓋率獲取模塊，其特征在于，還包括分類模型構(gòu)建模塊和驗(yàn)證向量優(yōu)化模塊，其中所述分類模型構(gòu)建模塊，用于根據(jù)經(jīng)過仿真后的由所述驗(yàn)證向量生成模塊生成的初始驗(yàn)證向量，獲得所述初始驗(yàn)證向量對所定義的功能點(diǎn)的覆蓋率的信息，初始化己覆蓋功能點(diǎn)列表，構(gòu)建分類模型；所述驗(yàn)證向量優(yōu)化模塊，用于將由所述驗(yàn)證向量生成模塊生成的新生成的驗(yàn)證向量送入所述分類模型構(gòu)建模塊構(gòu)建的分類模型，預(yù)測所述新生成的驗(yàn)證向量對所述功能點(diǎn)的覆蓋率，并將使得對所述功能點(diǎn)的覆蓋率提高的新生成的驗(yàn)證向量進(jìn)行仿真，根據(jù)仿真結(jié)果更新功能點(diǎn)列表，得到覆蓋率較高的驗(yàn)證向7.根據(jù)權(quán)利要求6所述的驗(yàn)證向量優(yōu)化裝置，其特征在于，所述分類模型構(gòu)建模塊，包括特征提取模塊，用于提取所述驗(yàn)證向量的特征；特征向量選擇模塊，用于根據(jù)所述驗(yàn)證向量及其對所定義的功能點(diǎn)的覆蓋率的信息，選擇出對分類有效的特征向量；特征向量映射模塊，用于根據(jù)所述特征向量選擇模塊選擇出來的特征向量，將驗(yàn)證向量集映射為特征矩陣；訓(xùn)練模塊，用于將所述特征矩陣送入特定分類器中進(jìn)行訓(xùn)練，得到分類模型。8.根據(jù)權(quán)利要求6所述的驗(yàn)證向量優(yōu)化裝置，其特征在于，所述驗(yàn)證向量優(yōu)化模塊，包括特征向量獲取模塊，用于根據(jù)所述驗(yàn)證向量生成模塊新生成的驗(yàn)證向量及所述提取驗(yàn)證向量的特征向量，獲取新生成驗(yàn)證向量的特征向量，送入所述分類模型；覆蓋率預(yù)測模塊，用于根據(jù)所述分類模型預(yù)測新生成的驗(yàn)證向量的覆蓋率，判斷是否能夠覆蓋到從未覆蓋過的功能點(diǎn)；高覆蓋率驗(yàn)證向量獲取模塊，用于根據(jù)所述能夠覆蓋到從未覆蓋過的功能點(diǎn)的新生成的驗(yàn)證向量送入所述覆蓋率獲取模塊后得到的覆蓋率信息，更新覆蓋率列表，進(jìn)而獲得高覆蓋率驗(yàn)證向量。全文摘要本發(fā)明公開了驗(yàn)證向量的優(yōu)化方法及裝置。該方法，包括下列步驟根據(jù)仿真后的初始驗(yàn)證向量，獲得所述初始驗(yàn)證向量對所定義的功能點(diǎn)的覆蓋率的信息，初始化已覆蓋功能點(diǎn)列表，構(gòu)建分類模型；將新生成的驗(yàn)證向量送入所述分類模型，預(yù)測新生成的驗(yàn)證向量對所述功能點(diǎn)的覆蓋率，并將使得對所述功能點(diǎn)的覆蓋率提高的新生成的驗(yàn)證向量進(jìn)行仿真，根據(jù)仿真結(jié)果更新功能點(diǎn)列表，得到覆蓋率較高的驗(yàn)證向量。其能夠在達(dá)到相同覆蓋率的情況下，減少了需要進(jìn)行仿真的驗(yàn)證向量的數(shù)目盡可能減少驗(yàn)證向量的使用，縮短仿真時(shí)間，從而提高驗(yàn)證效率，加速驗(yàn)證收斂。文檔編號G01R31/28GK101487876SQ20091007824公開日2009年7月22日申請日期2009年2月23日優(yōu)先權(quán)日2009年2月23日發(fā)明者沈海華,王朋宇,崎郭申請人:中國科學(xué)院計(jì)算技術(shù)研究所