其实数据的大小可能不是最重要的因素，最重要的是看我们如何处理数据和可以利用数据来做出的决定。Arm已经提供了结构化的收集数据和分析数据的方式，这使他们能够做出关于什么时候准备发货的决定。他们正试图构建数据集来尝试提取帮助他们可以做出决策的信息。这就是一项大数据技术。

不过有一个问题，大数据这个术语是由行业定义的，意味着它们非常具体。 但是有时我们并不认为这是一个大数据问题，因为没有足够的数据。机器学习的问题在于，我们需要大量的训练，然后才能建立对新的输入有意义的模型.。我们不确定传统的机器学习技术是否适用，但统计技术如协方差和协同关联会对大数据有意义。

真的做完了吗？

对于每个项目，当老板问道“做完了吗？”的时候，任何答案都需要有数据来支持的。

验证其实是一个风险分析的问题。我们必须评估我们可以做完多少的验证，以及承受验证出现问题时的风险。也许对于一个玩具，它是否有问题并不重要。但是对于一辆车而言，安全至关重要。基于图像的模型，它的一个优点是我们可以对整个空间进行推理而不是猜测，我们可以知道有些场景比其他场景更重要。

在验证上我们需要更多流程。我们已经玩儿了很长时间的风险管理游戏，当它纯粹是一个商业问题时，你可以轻松地做出决定，但是涉及到安全和保密领域的时候，就会出现一个标准，它不再仅仅是一个商业决定， 你必须去证明你已经达到了标准。这听上去更难了。

我们需要对“完成”有正确的认识。我们正处于一个拐点，有了非常复杂的系统，那我们该如何认识理解它们，以便我们能够正确地验证它们呢？这个时候需要提到“抽象”的概念。当我们谈论图形建模并思考流程和资源时，这其实就是“抽象”，考虑的是用例和系统操作，而不是寄存器和数据路径，也就是PS所做的，它允许我们根据图形进行思考，并提供推理系统的工具以及我们改如何解决验证的问题。

包含所有的数据

部分问题源于验证从单一工具向流程化的转变，而覆盖率等概念尚未成功应用于所有工具，包括仿真，模拟，FPGA原型和形式验证。比如形式验证，验证RTL的门级，总是会出现问题，也许是时间约束问题或是忘记验证什么，所以一个解决方案并不能提供完整的答案。

很多验证都在采取形式验证的方法，不过在PS中还不是这样的。我们应该尝试将形式验证加到PS中，以便可以在系统级利用基于意图的声明性编程的整体概念，以及发现场景和差距。加入所有验证范例之前，仍然应该保持怀疑的态度。

随着更多数据汇集在一起，我们可以做出更好的决策。覆盖热点图，以便能够找出更好的方法来查看测试套件，并找出哪些方法正在做一些有用的事情，哪些没有，是多余的。 我们可以对覆盖率数据进行分析，以帮助实现这一目标， 它可以缩短循环时间并更有效地利用资源。

在一天结束时，来自不同覆盖模型和不同平台的数据可以合并，但它仍然是一个二择其一的问题，这很难，因为我们不确定大数据对此有何帮助。Arm已经将来自不同资源的所有数据结构化，以便他们来做出决定。

对大多数人来说，这仍然只是一个愿景 。大数据本身并不是答案， 它只是数据，而我们希望从中提取信息。 我们需要所有覆盖率的信息，不仅仅来自功能覆盖率，还有形式验证的以及硅后跑的测试用例。我们需要收集数据，然后将其转化为有用的信息。

原文来自于Semiengineering“Can big data help coverage closure”

https://semiengineering.com/can-big-data-help-coverage-closure/