專利名稱：隨機(jī)驗(yàn)證方法和系統(tǒng)的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及集成電路設(shè)計(jì)領(lǐng)域，具體涉及芯片的功能驗(yàn)證中提高驗(yàn)證效率的方法。
背景技術(shù)：
隨著集成電路設(shè)計(jì)的復(fù)雜度不斷提高，功能驗(yàn)證正日漸成為集成電路設(shè)計(jì)面臨的重要挑戰(zhàn)。納米工藝使得單芯片中晶體管密度達(dá)到每平方厘米包含百億至千億，對(duì)于驗(yàn)證工程師來(lái)說(shuō)，這一數(shù)字意味著工作難度的進(jìn)一步加大。事實(shí)上，隨著集成電路設(shè)計(jì)日趨復(fù)雜，功能驗(yàn)證已經(jīng)成為集成電路設(shè)計(jì)的瓶頸。隨機(jī)測(cè)試生成技術(shù)是當(dāng)今大規(guī)模集成電路仿真驗(yàn)證流程中的重要支撐技術(shù)。在集成電路驗(yàn)證領(lǐng)域，特別是微處理器功能驗(yàn)證領(lǐng)域，它具有重要地位。但是，大量隨機(jī)產(chǎn)生的測(cè)試向量也會(huì)造成驗(yàn)證功能點(diǎn)的重復(fù)覆蓋，并且測(cè)試向量的無(wú)謂重復(fù)只會(huì)延長(zhǎng)功能驗(yàn)證的收斂時(shí)間，降低驗(yàn)證效率。因此，合理地精簡(jiǎn)隨機(jī)生成的測(cè)試向量是減少重復(fù)測(cè)試向量、加速功能驗(yàn)證收斂的重要目標(biāo)。

發(fā)明內(nèi)容
本發(fā)明提供一種隨機(jī)驗(yàn)證方法和系統(tǒng)，要解決的技術(shù)問(wèn)題是如何提高隨機(jī)驗(yàn)證的效率。為解決上述技術(shù)問(wèn)題，本發(fā)明提供了如下技術(shù)方案一種隨機(jī)驗(yàn)證方法，包括在使用隨機(jī)產(chǎn)生的測(cè)試激勵(lì)驗(yàn)證測(cè)試對(duì)象的功能點(diǎn)過(guò)程中，記錄在每個(gè)測(cè)試激勵(lì)在運(yùn)行前后所述測(cè)試對(duì)象的功能點(diǎn)的覆蓋率，將使得覆蓋率發(fā)生變化的測(cè)試激勵(lì)保存到預(yù)先設(shè)置的有效激勵(lì)信息中；基于樸素貝葉斯模型，按照測(cè)試激勵(lì)的屬性，對(duì)所述有效激勵(lì)信息中的測(cè)試激勵(lì)進(jìn)行分類，得到屬性的分類模型；采用聚類分析方法得到分類模型中各類屬性對(duì)提高所述測(cè)試對(duì)象的功能點(diǎn)覆蓋率的概率信息；根據(jù)所述概率關(guān)系，選擇所述分類模型中的至少一類屬性作為隨機(jī)生成測(cè)試激勵(lì)的約束條件；根據(jù)新確定的約束條件隨機(jī)生成新的測(cè)試激勵(lì)。優(yōu)選的，所述方法還具有如下特點(diǎn)所述將使得覆蓋率發(fā)生變化的測(cè)試激勵(lì)保存到預(yù)先設(shè)置的有效激勵(lì)信息中之后，還包括獲取有效測(cè)試中各測(cè)試激勵(lì)對(duì)象引發(fā)的狀態(tài)轉(zhuǎn)移操作信息；如果有效激勵(lì)信息中有至少兩個(gè)測(cè)試激勵(lì)的狀態(tài)轉(zhuǎn)移操作信息相同，則僅保留其中一條測(cè)試激勵(lì)在有效激勵(lì)信息中，得到簡(jiǎn)化后的有效激勵(lì)信息，將該簡(jiǎn)化后的有效測(cè)試激勵(lì)作為待分類的有效激勵(lì)信息。
優(yōu)選的，所述方法還具有如下特點(diǎn)所述狀態(tài)轉(zhuǎn)移操作信息包括引發(fā)該測(cè)試結(jié)果的輸入消息、接收該輸入消息時(shí)測(cè)試對(duì)象所在系統(tǒng)中的寄存器取值、處理該輸入消息后的寄存器取值以及系統(tǒng)處理該輸入消息后所產(chǎn)生的輸出消息。優(yōu)選的，所述方法還具有如下特點(diǎn)所述對(duì)所述有效激勵(lì)信息中的測(cè)試激勵(lì)進(jìn)行分類，得到屬性的分類模型，包括將引發(fā)所述有效測(cè)試信息中狀態(tài)轉(zhuǎn)移操作的全部測(cè)試激勵(lì)劃分成M個(gè)部分；基于樸素貝葉斯模型對(duì)第j部分中的測(cè)試激勵(lì)進(jìn)行分類，得到第j部分的分類模型；判斷第j + Ι部分中的測(cè)試激勵(lì)是否第j部分的分類模型；采用第j + Ι部分中不屬于第j部分的分類模型的測(cè)試激勵(lì)對(duì)第j部分的分類模型進(jìn)行更新，得到第j+Ι部分的分類模型；直到得到第M部分的分類模型，將第M部分的分類模型作為所需的測(cè)試激勵(lì)的分類模型；其中j為大于或等于1的整數(shù)，M為大于或等于2的整數(shù)。優(yōu)選的，所述方法還具有如下特點(diǎn)在生成測(cè)試激勵(lì)過(guò)程中，如果測(cè)試激勵(lì)中訪存事物處理過(guò)程中會(huì)產(chǎn)生至少兩條消息，則測(cè)試激勵(lì)中訪問(wèn)事物的延時(shí)屬性是一取值范圍， 該取值范圍是傳輸該訪問(wèn)事物的消息的信道的延時(shí)信息。一種隨機(jī)驗(yàn)證系統(tǒng)，包括保存裝置，用于在使用隨機(jī)產(chǎn)生的測(cè)試激勵(lì)驗(yàn)證測(cè)試對(duì)象的功能點(diǎn)過(guò)程中，記錄在每個(gè)測(cè)試激勵(lì)在運(yùn)行前后所述測(cè)試對(duì)象的功能點(diǎn)的覆蓋率，將使得覆蓋率發(fā)生變化的測(cè)試激勵(lì)保存到預(yù)先設(shè)置的有效激勵(lì)信息中；分類裝置，用于基于樸素貝葉斯模型，按照測(cè)試激勵(lì)的屬性，對(duì)所述有效激勵(lì)信息中的測(cè)試激勵(lì)進(jìn)行分類，得到屬性的分類模型；第一處理裝置，用于采用聚類分析方法得到分類模型中各類屬性對(duì)提高所述測(cè)試對(duì)象的功能點(diǎn)覆蓋率的概率信息；確定裝置，用于根據(jù)所述概率關(guān)系，選擇所述分類模型中的至少一類屬性作為隨機(jī)生成測(cè)試激勵(lì)的約束條件；生成裝置，用于根據(jù)新確定的約束條件隨機(jī)生成新的測(cè)試激勵(lì)。優(yōu)選的，所述系統(tǒng)還具有如下特點(diǎn)所述系統(tǒng)還包括獲取裝置，用于獲取有效測(cè)試中各測(cè)試激勵(lì)對(duì)象引發(fā)的狀態(tài)轉(zhuǎn)移操作信息；第二處理裝置，用于如果有效激勵(lì)信息中有至少兩個(gè)測(cè)試激勵(lì)的狀態(tài)轉(zhuǎn)移操作信息相同，則僅保留其中一條測(cè)試激勵(lì)在有效激勵(lì)信息中，得到簡(jiǎn)化后的有效激勵(lì)信息，將該簡(jiǎn)化后的有效測(cè)試激勵(lì)作為待分類的有效激勵(lì)信息。優(yōu)選的，所述系統(tǒng)還具有如下特點(diǎn)所述獲取裝置所獲取的狀態(tài)轉(zhuǎn)移操作信息包括引發(fā)該測(cè)試結(jié)果的輸入消息、接收該輸入消息時(shí)測(cè)試對(duì)象所在系統(tǒng)中的寄存器取值、處理該輸入消息后的寄存器取值以及系統(tǒng)處理該輸入消息后所產(chǎn)生的輸出消息。優(yōu)選的，所述系統(tǒng)還具有如下特點(diǎn)所述分類裝置包括劃分模塊，用于將引發(fā)所述有效測(cè)試信息中狀態(tài)轉(zhuǎn)移操作的全部測(cè)試激勵(lì)劃分成 M個(gè)部分；
5
分類模塊，用于基于樸素貝葉斯模型對(duì)第j部分中的測(cè)試激勵(lì)進(jìn)行分類，得到第j 部分的分類模型；判斷模塊，用于判斷第j + Ι部分中的測(cè)試激勵(lì)是否第j部分的分類模型；更新模塊，用于采用第j + Ι部分中不屬于第j部分的分類模型的測(cè)試激勵(lì)對(duì)第j 部分的分類模型進(jìn)行更新，得到第j+Ι部分的分類模型；直到得到第M部分的分類模型，將第M部分的分類模型作為所需的測(cè)試激勵(lì)的分類模型；其中j為大于或等于1的整數(shù)，M為大于或等于2的整數(shù)。優(yōu)選的，所述方法還具有如下特點(diǎn)所述生成裝置在生成測(cè)試激勵(lì)過(guò)程中，如果測(cè)試激勵(lì)中訪存事物處理過(guò)程中會(huì)產(chǎn)生至少兩條消息，則測(cè)試激勵(lì)中訪問(wèn)事物的延時(shí)屬性是一取值范圍，該取值范圍是傳輸該訪問(wèn)事物的消息的信道的延時(shí)信息。與現(xiàn)有技術(shù)相比，本發(fā)明根據(jù)驗(yàn)證結(jié)果，得出了一套與其比較符合的分類模型以及對(duì)應(yīng)的識(shí)別體系，在沒(méi)有過(guò)多地增加系統(tǒng)開(kāi)銷的情況下實(shí)現(xiàn)了對(duì)隨機(jī)驗(yàn)證系統(tǒng)的優(yōu)化， 以及隨機(jī)驗(yàn)證效率的提升，在實(shí)際的驗(yàn)證實(shí)驗(yàn)中也能觀察到該結(jié)論。這也決定了本發(fā)明具有很高的實(shí)際價(jià)值和技術(shù)研究?jī)r(jià)值。


圖1為本發(fā)明提供的一種隨機(jī)驗(yàn)證方法實(shí)施例的流程示意圖；圖2為本發(fā)明提供的一種隨機(jī)驗(yàn)證系統(tǒng)實(shí)施例的結(jié)構(gòu)示意圖；圖3為圖2所示系統(tǒng)實(shí)施例中分類裝置202的結(jié)構(gòu)示意圖。
具體實(shí)施例方式為使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合附圖及具體實(shí)施例對(duì)本發(fā)明作進(jìn)一步的詳細(xì)描述。需要說(shuō)明的是，在不沖突的情況下，本申請(qǐng)中的實(shí)施例及實(shí)施例中的特征可以相互任意組合。對(duì)于覆蓋率驅(qū)動(dòng)的隨機(jī)驗(yàn)證來(lái)說(shuō)，最大的問(wèn)題在于隨機(jī)產(chǎn)生的大量激勵(lì)中必然會(huì)包含大量的重復(fù)或者是無(wú)效的激勵(lì)，這樣帶來(lái)的問(wèn)題是會(huì)極大地影響隨機(jī)驗(yàn)證的效率，表現(xiàn)在覆蓋率之上就是隨著輸入隨機(jī)激勵(lì)的數(shù)量越來(lái)越多，覆蓋率的增長(zhǎng)會(huì)越來(lái)越慢，甚至趨近于停滯。尤其在大規(guī)模的系統(tǒng)驗(yàn)證中，由于需要覆蓋的功能點(diǎn)數(shù)量龐大，隨機(jī)驗(yàn)證的規(guī)模和開(kāi)銷將會(huì)無(wú)法控制。因此，對(duì)于覆蓋率驅(qū)動(dòng)的隨機(jī)驗(yàn)證而言，其缺陷或者說(shuō)需要優(yōu)化的方面就在于需要在隨機(jī)產(chǎn)生的激勵(lì)加入約束使得驗(yàn)證收斂速度加快。而加約束的算法也就決定了驗(yàn)證的好壞和驗(yàn)證效率的高低，在這個(gè)方面行業(yè)內(nèi)已經(jīng)有了很多的研究，包括一些基于形式化的驗(yàn)證方法、基于演化算法的驗(yàn)證方法、基于機(jī)器學(xué)習(xí)的驗(yàn)證方法等等，而在實(shí)際使用中針對(duì)不同的驗(yàn)證對(duì)象不同的驗(yàn)證方法的效果也可能會(huì)有很大的差別。圖1為本發(fā)明實(shí)施例提供的隨機(jī)驗(yàn)證方法實(shí)施例的結(jié)構(gòu)示意圖。圖1所示方法實(shí)施，包括步驟101、在使用隨機(jī)產(chǎn)生的測(cè)試激勵(lì)驗(yàn)證測(cè)試對(duì)象的功能點(diǎn)過(guò)程中，記錄在每個(gè)測(cè)試激勵(lì)在運(yùn)行前后所述測(cè)試對(duì)象的功能點(diǎn)的覆蓋率，將使得覆蓋率發(fā)生變化的測(cè)試激勵(lì)保存到預(yù)先設(shè)置的有效激勵(lì)信息中；其中某一測(cè)試激勵(lì)如果能引起覆蓋率發(fā)生變化，則表示該測(cè)試激勵(lì)為有效的測(cè)試激勵(lì)。步驟102、基于樸素貝葉斯模型，按照測(cè)試激勵(lì)的屬性，對(duì)所述有效激勵(lì)信息中的測(cè)試激勵(lì)進(jìn)行分類，得到屬性的分類模型；對(duì)于相關(guān)性低的測(cè)試用例，采用樸素貝葉斯模型的的特點(diǎn)是有著堅(jiān)實(shí)的數(shù)學(xué)基礎(chǔ)，以及穩(wěn)定的分類效率，同時(shí)，所需估計(jì)的參數(shù)很少，對(duì)缺失數(shù)據(jù)不太敏感，算法也比較簡(jiǎn)步驟103、采用聚類分析方法得到分類模型中各類屬性對(duì)提高所述測(cè)試對(duì)象的功能點(diǎn)覆蓋率的概率信息；具體來(lái)說(shuō)，就是分析某一類屬性能使覆蓋率增加的可能性。步驟104、根據(jù)所述概率關(guān)系，選擇所述分類模型中的至少一類屬性作為隨機(jī)生成測(cè)試激勵(lì)的約束條件；具體的，如果某一類屬性所對(duì)應(yīng)的概率信息大于某一閾值，則可以后續(xù)生成的測(cè)試激勵(lì)中增加該類屬性，作為一約束條件。進(jìn)一步的，該可以控制該屬性在后續(xù)生成的測(cè)試激勵(lì)中所出現(xiàn)的概率；舉個(gè)最簡(jiǎn)單的例子，假如一個(gè)屬性提高覆蓋率的概率是60%，那隨機(jī)中約束對(duì)應(yīng)的該屬性出現(xiàn)概率就為60%。步驟105、根據(jù)新確定的約束條件隨機(jī)生成新的測(cè)試激勵(lì)。通過(guò)增加約束條件，可以新生成的隨機(jī)測(cè)試激勵(lì)可以更高效率的覆蓋功能點(diǎn)。可選的，在上述步驟101之后還可以包括如下步驟步驟A、獲取有效測(cè)試中各測(cè)試激勵(lì)對(duì)象引發(fā)的狀態(tài)轉(zhuǎn)移操作信息；其中，所述狀態(tài)轉(zhuǎn)移操作信息包括引發(fā)該測(cè)試結(jié)果的輸入消息、接收該輸入消息時(shí)測(cè)試對(duì)象所在系統(tǒng)中的寄存器取值、處理該輸入消息后的寄存器取值以及系統(tǒng)處理該輸入消息后所產(chǎn)生的輸出消息。以大規(guī)模系統(tǒng)下的高速緩沖存儲(chǔ)器(Cache) —致性協(xié)議驗(yàn)證進(jìn)行說(shuō)明，對(duì)協(xié)議條目的覆蓋是本次驗(yàn)證的基礎(chǔ)，因此對(duì)協(xié)議條目采用統(tǒng)一、規(guī)范并利于覆蓋率統(tǒng)計(jì)的描述方式也是搭建驗(yàn)證環(huán)境的基礎(chǔ)。驗(yàn)證中采用的協(xié)議基本描述方式是協(xié)議表，該協(xié)議表由若干行構(gòu)成，每行代表了芯片的一個(gè)狀態(tài)轉(zhuǎn)換操作，包含了當(dāng)前狀態(tài)和下一狀態(tài)兩部分。其中當(dāng)前狀態(tài)包括引發(fā)該協(xié)議表項(xiàng)的輸入消息和當(dāng)前的系統(tǒng)寄存器取值；下一狀態(tài)包括收到消息后各寄存器的新的取值和一條或者多條輸出消息。具體參見(jiàn)下表
權(quán)利要求
1.一種隨機(jī)驗(yàn)證方法，其特征在于，包括在使用隨機(jī)產(chǎn)生的測(cè)試激勵(lì)驗(yàn)證測(cè)試對(duì)象的功能點(diǎn)過(guò)程中，記錄在每個(gè)測(cè)試激勵(lì)在運(yùn)行前后所述測(cè)試對(duì)象的功能點(diǎn)的覆蓋率，將使得覆蓋率發(fā)生變化的測(cè)試激勵(lì)保存到預(yù)先設(shè)置的有效激勵(lì)信息中；基于樸素貝葉斯模型，按照測(cè)試激勵(lì)的屬性，對(duì)所述有效激勵(lì)信息中的測(cè)試激勵(lì)進(jìn)行分類，得到屬性的分類模型；采用聚類分析方法得到分類模型中各類屬性對(duì)提高所述測(cè)試對(duì)象的功能點(diǎn)覆蓋率的概率信息；根據(jù)所述概率關(guān)系，選擇所述分類模型中的至少一類屬性作為隨機(jī)生成測(cè)試激勵(lì)的約束條件；根據(jù)新確定的約束條件隨機(jī)生成新的測(cè)試激勵(lì)。
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述將使得覆蓋率發(fā)生變化的測(cè)試激勵(lì)保存到預(yù)先設(shè)置的有效激勵(lì)信息中之后，還包括獲取有效測(cè)試中各測(cè)試激勵(lì)對(duì)象引發(fā)的狀態(tài)轉(zhuǎn)移操作信息；如果有效激勵(lì)信息中有至少兩個(gè)測(cè)試激勵(lì)的狀態(tài)轉(zhuǎn)移操作信息相同，則僅保留其中一條測(cè)試激勵(lì)在有效激勵(lì)信息中，得到簡(jiǎn)化后的有效激勵(lì)信息，將該簡(jiǎn)化后的有效測(cè)試激勵(lì)作為待分類的有效激勵(lì)信息。
3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述狀態(tài)轉(zhuǎn)移操作信息包括引發(fā)該測(cè)試結(jié)果的輸入消息、接收該輸入消息時(shí)測(cè)試對(duì)象所在系統(tǒng)中的寄存器取值、處理該輸入消息后的寄存器取值以及系統(tǒng)處理該輸入消息后所產(chǎn)生的輸出消息。
4.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述對(duì)所述有效激勵(lì)信息中的測(cè)試激勵(lì)進(jìn)行分類，得到屬性的分類模型，包括將引發(fā)所述有效測(cè)試信息中狀態(tài)轉(zhuǎn)移操作的全部測(cè)試激勵(lì)劃分成M個(gè)部分；基于樸素貝葉斯模型對(duì)第j部分中的測(cè)試激勵(lì)進(jìn)行分類，得到第j部分的分類模型；判斷第j+Ι部分中的測(cè)試激勵(lì)是否第j部分的分類模型；采用第j+Ι部分中不屬于第j部分的分類模型的測(cè)試激勵(lì)對(duì)第j部分的分類模型進(jìn)行更新，得到第j+Ι部分的分類模型；直到得到第M部分的分類模型，將第M部分的分類模型作為所需的測(cè)試激勵(lì)的分類模型；其中j為大于或等于1的整數(shù)，M為大于或等于2的整數(shù)。
5.根據(jù)權(quán)利要求1所述的方法，其特征在于，在生成測(cè)試激勵(lì)過(guò)程中，如果測(cè)試激勵(lì)中訪存事物處理過(guò)程中會(huì)產(chǎn)生至少兩條消息，則測(cè)試激勵(lì)中訪問(wèn)事物的延時(shí)屬性是一取值范圍，該取值范圍是傳輸該訪問(wèn)事物的消息的信道的延時(shí)信息。
6.一種隨機(jī)驗(yàn)證系統(tǒng)，其特征在于，包括保存裝置，用于在使用隨機(jī)產(chǎn)生的測(cè)試激勵(lì)驗(yàn)證測(cè)試對(duì)象的功能點(diǎn)過(guò)程中，記錄在每個(gè)測(cè)試激勵(lì)在運(yùn)行前后所述測(cè)試對(duì)象的功能點(diǎn)的覆蓋率，將使得覆蓋率發(fā)生變化的測(cè)試激勵(lì)保存到預(yù)先設(shè)置的有效激勵(lì)信息中；分類裝置，用于基于樸素貝葉斯模型，按照測(cè)試激勵(lì)的屬性，對(duì)所述有效激勵(lì)信息中的測(cè)試激勵(lì)進(jìn)行分類，得到屬性的分類模型；第一處理裝置，用于采用聚類分析方法得到分類模型中各類屬性對(duì)提高所述測(cè)試對(duì)象的功能點(diǎn)覆蓋率的概率信息；確定裝置，用于根據(jù)所述概率關(guān)系，選擇所述分類模型中的至少一類屬性作為隨機(jī)生成測(cè)試激勵(lì)的約束條件；生成裝置，用于根據(jù)新確定的約束條件隨機(jī)生成新的測(cè)試激勵(lì)。
7.根據(jù)權(quán)利要求6所述的系統(tǒng)，其特征在于，所述系統(tǒng)還包括獲取裝置，用于獲取有效測(cè)試中各測(cè)試激勵(lì)對(duì)象引發(fā)的狀態(tài)轉(zhuǎn)移操作信息；第二處理裝置，用于如果有效激勵(lì)信息中有至少兩個(gè)測(cè)試激勵(lì)的狀態(tài)轉(zhuǎn)移操作信息相同，則僅保留其中一條測(cè)試激勵(lì)在有效激勵(lì)信息中，得到簡(jiǎn)化后的有效激勵(lì)信息，將該簡(jiǎn)化后的有效測(cè)試激勵(lì)作為待分類的有效激勵(lì)信息。
8.根據(jù)權(quán)利要求7所述的系統(tǒng)，其特征在于，所述獲取裝置所獲取的狀態(tài)轉(zhuǎn)移操作信息包括引發(fā)該測(cè)試結(jié)果的輸入消息、接收該輸入消息時(shí)測(cè)試對(duì)象所在系統(tǒng)中的寄存器取值、處理該輸入消息后的寄存器取值以及系統(tǒng)處理該輸入消息后所產(chǎn)生的輸出消息。
9.根據(jù)權(quán)利要求6所述的系統(tǒng)，其特征在于，所述分類裝置包括劃分模塊，用于將引發(fā)所述有效測(cè)試信息中狀態(tài)轉(zhuǎn)移操作的全部測(cè)試激勵(lì)劃分成M個(gè)部分；分類模塊，用于基于樸素貝葉斯模型對(duì)第j部分中的測(cè)試激勵(lì)進(jìn)行分類，得到第j部分的分類模型；判斷模塊，用于判斷第j+Ι部分中的測(cè)試激勵(lì)是否第j部分的分類模型；更新模塊，用于采用第j+Ι部分中不屬于第j部分的分類模型的測(cè)試激勵(lì)對(duì)第j部分的分類模型進(jìn)行更新，得到第j+Ι部分的分類模型；直到得到第M部分的分類模型，將第M 部分的分類模型作為所需的測(cè)試激勵(lì)的分類模型；其中j為大于或等于1的整數(shù)，M為大于或等于2的整數(shù)。
10.根據(jù)權(quán)利要求6所述的系統(tǒng)，其特征在于，所述生成裝置在生成測(cè)試激勵(lì)過(guò)程中， 如果測(cè)試激勵(lì)中訪存事物處理過(guò)程中會(huì)產(chǎn)生至少兩條消息，則測(cè)試激勵(lì)中訪問(wèn)事物的延時(shí)屬性是一取值范圍，該取值范圍是傳輸該訪問(wèn)事物的消息的信道的延時(shí)信息。
全文摘要
本發(fā)明提供一種隨機(jī)驗(yàn)證方法和系統(tǒng)；所述方法，包括在使用隨機(jī)產(chǎn)生的測(cè)試激勵(lì)驗(yàn)證測(cè)試對(duì)象的功能點(diǎn)過(guò)程中，記錄在每個(gè)測(cè)試激勵(lì)在運(yùn)行前后所述測(cè)試對(duì)象的功能點(diǎn)的覆蓋率，將使得覆蓋率發(fā)生變化的測(cè)試激勵(lì)保存到預(yù)先設(shè)置的有效激勵(lì)信息中；基于樸素貝葉斯模型，按照測(cè)試激勵(lì)的屬性，對(duì)所述有效激勵(lì)信息中的測(cè)試激勵(lì)進(jìn)行分類，得到屬性的分類模型；采用聚類分析方法得到分類模型中各類屬性對(duì)提高所述測(cè)試對(duì)象的功能點(diǎn)覆蓋率的概率信息；根據(jù)所述概率關(guān)系，選擇所述分類模型中的至少一類屬性作為隨機(jī)生成測(cè)試激勵(lì)的約束條件；根據(jù)新確定的約束條件隨機(jī)生成新的測(cè)試激勵(lì)。
文檔編號(hào)G06F17/50GK102436521SQ201110294369
公開(kāi)日2012年5月2日 申請(qǐng)日期2011年9月27日 優(yōu)先權(quán)日2011年9月27日
發(fā)明者李拓 申請(qǐng)人:浪潮(北京)電子信息產(chǎn)業(yè)有限公司