VCS ICO - Intelligent Coverage Optimization

ico是vcs提供的用于优化覆盖率的feature；一般用户通过dist solver bofore等约束了变量的随机概率，而ico会在用户约束的基础上，做一些自动“修正”，以此来优化随机激励，提高随机多样性，加速覆盖率收敛，缩短 turn-around time TAT。 主要功能包含如下几部分：

1. Prognosis: 用于查看当前平台是否适用ico，对于都是直接用例测试，没有随机策略的平台，ico并不适用；
2. Auto Bias:利用设定策略，ico会改变原有constraint solver的行为，施加一定 bias 修正随机值;
3. RCA: root cause trace, 用于诊断变量未随机到的bins，是否存在过约束等；
4. Delta-debug: 提供replay复现功能，对比两次结果间的差异；
5. AutoPurge: 当前回归得到的ico database可以用于下一次回归，多次迭代；

ico最主要的功能就是Auto Bias,宣称使用了AI，机器学习ML，增强学习EL等手段，在回归过程中，利用共享case之间的ico database，提高随机多样性；通过一个简单例子演示下：

covergroup cg_data with function sample (input logic valid, logic [7:0] data);
   cpt_value: coverpoint data iff (valid){
      bins zero = {0};
      bins others[] ={[1:31]};
      illegal_bins invalid = {[32:255]};
   }
endgroup

class tr extends uvm_transaction;
   rand logic [7:0] data;
   constraint c_tr { data inside {[0:31]};
                     data dist {0:=1,[1:31]:=100};
                   }
endclass

如上，对data的约束中，data=0这一条件的概率很低；

PRJ := $(shell echo $(CURDIR) | sed -r 's|\/ico_test\/.*|\/ico_test|')
export PRJ

all: comp run
all_ico: comp run_ico

SEED := ${SEED}

regress_ico: clean
	mkdir -p ${PRJ}/comp_src; \
	cd ${PRJ}/comp_src; \
	cp ${PRJ}/Makefile ${PRJ}/comp_src; \
	make comp;
	for i in 1 2; do \
	mkdir -p ${PRJ}/test_$${i}; \
	cp ${PRJ}/Makefile ${PRJ}/test_$${i}; \
	cd ${PRJ}/test_$${i}; \
	ln -s ${PRJ}/comp_src/simv.daidir simv.daidir;\
	ln -s ${PRJ}/comp_src/csrc csrc;\
	ln -s ${PRJ}/comp_src/simv simv;\
	make run_ico SEED=$${i}; \
	done
	make cov_merge;
	make crg_report;

regress: clean
	mkdir -p ${PRJ}/comp_src; \
	cd ${PRJ}/comp_src; \
	cp ${PRJ}/Makefile ${PRJ}/comp_src; \
	make comp;
	for i in 1 2; do \
	mkdir -p ${PRJ}/test_$${i}; \
	cp ${PRJ}/Makefile ${PRJ}/test_$${i}; \
	cd ${PRJ}/test_$${i}; \
	ln -s ${PRJ}/comp_src/simv.daidir simv.daidir;\
	ln -s ${PRJ}/comp_src/csrc csrc;\
	ln -s ${PRJ}/comp_src/simv simv;\
	make run SEED=$${i}; \
	done
	make cov_merge;

comp:
	vcs -full64 \
	-kdb -lca \
	-debug_access+all \
	-ntb_opts uvm \
	-sverilog \
	-timescale=1ns/1ns \
	${PRJ}/dut.sv \
	${PRJ}/top_tb.sv \
	+incdir+${PRJ} \
	-l comp.log

run_ico:
	./simv -l sim.log +ntb_random_seed=${SEED} \
	+ntb_solver_bias_mode_auto_config=2 \
	+ntb_solver_bias_shared_record=${PRJ}/shared_record \
	+ntb_solver_bias_wdir=ico_work \
	+ntb_solver_bias_test_type=uvm \
	+ntb_solver_bias_diag=3 
	

crg_report:
	crg -dir ${PRJ}/shared_record -report rpt-auto -format both -merge merged_db -zip 1 -illegal_group -illegal_attr

run:
	./simv -l sim.log +ntb_random_seed=${SEED}

verdi:
	verdi  -ssf top_tb.fsdb &

cov_open:
	verdi  -cov -covdir simv_merge.vdb &

cov_merge:
	urg -dir ${PRJ}/test_1/simv.vdb -dir ${PRJ}/test_2/simv.vdb -dbname ${PRJ}/simv_merge.vdb

clean:
	-rm -rf shared_record/ simv* test_* WORK/ *log urgReport/ vdCovLog/ rpt-auto/ merged_db/ comp_src/ novas.*

make regress跑了两个case，第一个case seed=1，第二个caseseed=2;
通过verdi查看覆盖率报告：
跑了两次的回归merge结果：
87.5%

make regress_ico是使能icofeature，结果：
100%

+ntb_solver_bias_diag使能debug信息，默认debug log放在+ntb_solver_bias_wdir指定的ico database下：
随机32次，ico影响constrain solver，bias了29次的随机结果；所以对于data=0这样的小概率事件，也随机到了；

因为ico会影响constrain solver的随机结果，所以复现时，不仅要保证seed一样，还需要额外指定ico database，这样才能正确复现随机结果。

生成当前回归所有用例的merge report:
html report会罗列所有随机变量：
DIVERSITY通过shannon entropy 香农熵衡量变量的“多样性”；

每个变量，ico会自动的划分bins，显示随机详细结果；

ico支持同一个case内多次randomize之间相互影响，也支持一次回归不同case之间相互影响，也可以将本次回归的database作用于下一次回归；

对于ico加速覆盖率收敛的实际效果，博主使用一个block tb亲测效果不太显著；从他人的presentation上看，大概有10%-15%的提升；但是ico对于随机多样性确实是有一定效果的，+ntb_solver_bias_mode_auto可以指定ico对随机的bias力度。

如果ico可以通过AI,EL等对功能覆盖率进行反推，缩减重复随机值，那将会大大提高覆盖率收敛，期待后续EDA进一步的"进化”吧。

PS: S家推出了最新的AI加速覆盖率收敛的新产品 vso.ai，相比ICO应该有很大提升

相关资料和篇中示例整理：
链接：http://generatelink.xam.ink/change/makeurl/changeurl/7408