| ||
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/