一种多目标NoC测试规划优化方法与流程

本发明涉及片上网络(Network-on-Chip,NoC)技术领域，具体涉及一种多目标NoC测试规划优化方法。

背景技术：

集成电路制造工艺的迅速发展使得单芯片上集成越来越多的IP(Intellectual Property)IP核，传统的基于总线架构的SoC(System-on-Chip)面临通信带宽低、时钟同步难、可扩展性差等难以突破的瓶颈问题。因此，一些研究人员采用以通信为中心的设计替代以计算为中心的设计，移植计算机网络的思想到芯片设计中，提出全新的NoC(Network-on-Chip)集成电路体系结构，用分组和路由交换通信技术代替传统的总线通信技术，从体系结构上彻底解决了传统总线式SoC通信的障碍。但NoC结构也变得更加复杂，故障更多，对其进行测试也愈难、测试成本更高。因此，如何对NoC进行高效经济的测试是目前亟待解决的问题。

很多学者在NoC测试规划方面做了大量的工作。但目前对NoC测试的研究主要集中在功耗约束下，采用不同的算法和测试策略进行时间优化。但是，由于测试过程中芯片产生较大的热效应会破坏芯片的可靠性，因此不仅是测试时间，测试功耗的优化也是尤为重要。

技术实现要素：

本发明所要解决的技术问题是提供一种多目标NoC测试规划优化方法，其能够达到测试时间和测试功耗的多目标优化的目标。

为解决上述问题，本发明是通过以下技术方案实现的：

一种多目标NoC测试规划优化方法，包括如下步骤：

步骤1)随机生成个体个数为n的初代量子种群Q(0)，并通过观测初代量子种群Q(0)产生初代观测种群P(0)；

步骤2)根据初代观测种群P(0)，对NoC中IP核进行测试调度；

步骤3)计算步骤2)所进行的测试调度的测试时间和测试功耗，并据此评估初代观测种群P(0)；

步骤4)判断当前代是否达到设定最大迭代次数；如果达到设定最大迭代次数，则转步骤15)；如果未达到设定最大迭代次数，则当前代加1，并继续迭代；

步骤5)通过观测上一代量子种群Q(t-1)得到当前代观测种群P(t)；

步骤6)根据当前代观测种群P(t)，对NoC中IP核进行测试调度；

步骤7)计算步骤6)所进行的测试调度的测试时间和测试功耗，并据此评估当前代观测种群P(t)；

步骤8)求取当前代观测种群P(t)与上一代观测种群P(t-1)的并集；

步骤9)对步骤8)所得并集进行快速非支配排序，将并集中的所有个体进行分组；

步骤10)计算步骤9)所得并集的所有个体的调和距离，并根据调和距离对并集中的每一组个体分别进行排序；

步骤11)将步骤10)所得并集的所有个体中选出前n个个体构成当前代观测种群P(t)；

步骤12)对上一代量子种群Q(t-1)进行快速非支配排序，将上一代量子种群Q(t-1)的所有个体进行分组，并选择其中一组作为最佳组；

步骤13)采用混沌策略动态更新旋转角△θ；

步骤14)以最佳组作参考准则，利用更新操作更新上一代量子种群Q(t-1)，得到当前代种群Q(t)，转步骤4)；

步骤15)将当前代观测种群P(t)所对应的NoC中IP核测试调度作为结果输出。

上述步骤10)中，个体j的调和距离d_j为

式中，d_j,k是与个体j就最近邻的k个个体，k-1为并集中每一组个体的个数。

上述步骤12)中，将上一代量子种群Q(t-1)的所有个体进行分组后的第一组作为最佳组。

上述步骤13)中，旋转角△θ的更新公式为：

式中，t为代数，min为旋转角的最小值，max为旋转角的最大值，x(t)为混沌变量，a为大于0的常数。

上述步骤14)中，更新操作的具体过程为：

当时，则

当时，则

式中，为上一代量子种群Q(t-1)的非最佳组中的个体，为当前代量子种群Q(t)的非最佳组中的个体，为上一代量子种群Q(t-1)的最佳组中的个体，为当前代量子种群Q(t)的最佳组中的个体，△θ为旋转角。

与现有技术相比，本发明提出了一种基于调和距离量子多目标进化算法(Harmonic distance quantum-inspired multiobjective evolutionary algorithm,HQMEA)的NoC测试规划优化方法。采用重用NoC作为测试存取机制(Test access mechanism,TAM)的并行测试方法，对NoC中的IP核进行测试，节省测试资源，提高测试效率。提出的算法在量子多目标进化算法(Quantum-inspired multiobjective evolutionary algorithm,QMEA)的基础上，采用多进制概率角编码替代二进制概率幅编码，更好的适应NoC测试规划问题；采用调和距离替代拥挤距离(Crowding distance)能更好的衡量拥挤程度；采用混沌策略动态更新旋转角，能很好地兼顾了算法的探索和发掘能力。在ITC’02test benchmarks测试集上进行对比实验，结果表明相比量子多目标进化算法，提出的算法不仅提升了算法的收敛性，而且保证了Pareto解集良好的分布性。

附图说明

图1为在2D Mesh NoC结构中的测试d965系统的示意图。

图2为一种多目标NoC测试规划优化方法的流程图。

图3为观测操作的示意图。

图4为更新操作的示意图。

具体实施方式

本发明所涉及的NoC主要由路由器(router)、网络适配器(Network Interface)和连接相邻路由器之间的数据传输线(Link)构成。由拓扑结构、路由算法，交换机制等描述。图1给出了ITC’02SoC test benchmarks中d965系统在2D Mesh结构中的测试示例，路由算法采用XY路由算法，图1有3个测试端口，每个端口都和ATE(Automatic Test Equipment)的测试引脚相连。因此，在图1中，有三组I/O端口对产生测试矢量和接收测试响应。当测试一个IP核时，必须给这个IP核分配一个端口对。例如：(C5,C4)是一组I/O端口对，如果C10(core 10)被分配给(C5,C4)I/O端口对，测试矢量需要从ATE输入到C5(core 5)，然后再路由到C10(core 10)。C10(core 10)的测试响应经过C4(core 4)输出到ATE。图1中的虚线箭头线代表一条测试路由路径。

假定NoC采用2D mesh结构，XY路由和虫洞交换。为了实现并行测试，搭建一个M*N的系统，重用NoC作为TAM，采用基于IP核调度模式。此外，测试还必须满足以下条件：(1)每个IP核在电路中仅测试一次，一个IP核在一旦开始测试就不许终止直至完成；(2)一旦测试路径分配给一个IP核，这条测试路径上的所有的资源都被占用直至完成。

把基本的量子位扩展到多进制，使用作为多进制编码。一个新的Q-bit表示如下：

是在第t代的量子个体种群，n表示种群大小。一个个体描述如下：

式中：m表示为量子位的数量，B表示为个体的进制数。

一种多目标NoC测试规划优化方法，即基于HQMEA的测试规划方法包含基本的HQMEA结构以及NoC规划问题的相应处理过程，其流程图如图2所示，方法具体步骤如下：

步骤1)当前代数t＝0。根据IP核的数量，设定解空间的维数m，设定TAMs的个数B和旋转角△θ初值，设定NoC的拓扑结构和路由算法，设定IP核的坐标以及每对I/O对的坐标，设定是NoC通道和路由器的时延和功耗，设定种群大小n，设定最大迭代次数GenTimes。

i∈[1,m]，j∈[1,B]，初始种群中个体是所有状态的等概率线形叠加。即

步骤2)通过观测Q(0)产生多进制解P(0)，表示t＝0代。一个多进制解是一个长度为m的多进制串，通过观测的形成。观测操作如下：

观测操作得到的是确定的B进制整数。其具体操作如下：产生一个随机数r∈[0,45×B]，根据r所在的位置([0,45×B])确定观测值。以B＝5为例，随机产生r＝138，由于φ₁+φ₂+φ₃<r<φ₁+φ₂+φ₃+φ₄，r落在了φ₃区域内，故此时观测值为3，如图4所示。

步骤3)进行NoC中IP核的测试调度。对于每个生成的IP核到TAM分配，在没有路径冲突的情况下，调度各个IP核进行测试。

假设有m个待测IP核，B条TAMs，第t代的种群为n是种群的大小，公式(2)表示的使用量子编码的一种测试数据分配方案，也就是个体编码，量子位是个体的基因。m个量子位表示一种m个IP核分配给B条TAMs的分配方案。每个量子位有B个量子态，和B条TAMs相对应。例如：待测IP的个数m＝10，TAMs的条数B＝3，通过观察量子编码的个体，得到长度为10的3进制数“1001221021”，表示2,3,8分配给TAM0，1,4,7,10分配给TAM1，5,6,9分配给TAM2。

步骤4)计算测试时间和测试功耗，评估多进制解P(0)。

步骤5)判断迭代次数是否达到设定的最大迭代次数GenTimes：如果满足结束条件则转步骤15)，如果不满足，则继续迭代，当前代数t＝t+1。

步骤6)通过观测种群Q(t-1)得到状态P(t)。

步骤7)进行NoC中IP核的测试调度。对于每个生成的IP核到TAM分配，在没有路径冲突的情况下，调度各个IP核进行测试。

步骤8)计算测试时间和测试功耗，评估多进制解P(t)。

步骤9)对P(t)∪P(t-1)的所有解进行快速非支配排序。快速非支配排序能够将P(t)∪P(t-1)分为几个层次。

步骤10)计算P(t)∪P(t-1)中所有解的调和距离，并根据调和距离进行排序。调和距离排序能够将P(t)∪P(t-1)分层后的每一层进行再次排序。

QMEA中的采用拥挤距离达到均匀分布的目的，然而这种拥挤距离反映个体间疏密程度有欠缺。研究表明，相比与QMEA算法中的拥挤距离，调和平均距离(简称调和距离)评价种群个体间的疏密程度效果更好；再者，由于原先方法不考虑淘汰个体对其领域个体的拥挤距离的影响，当拥挤距离较小的个体被删除后会导致周围个体的拥挤距离变大，如果按照原先的方法操作很可能会删除拥挤距离较小的个体，达不到均匀分布的目的，而调和距离策略考虑的淘汰个体对其领域个体的拥挤距离的影响。鉴于此，本发明提出调和距离评估目标空间解的疏密程度，采用一个解的所有最邻近的个体计算。

个体j的调和距离d定义为

式中d_j,k是与个体就最近邻的k个个体，k为总的个体数减1。

步骤11)在已排完序的2n个个体中选出前n个个体构成P(t)。

步骤12)把Q(t-1)分成几个组。

步骤13)采用混沌策略动态更新旋转角△θ。旋转角是影响QMEA收敛性的关键参数，增大的旋转角更有利于搜索新的区域，增强了探索能力，减小的旋转角有利于细粒度搜索，增强了发掘能力。但在传统的QMEA中旋转角△θ是一个常数，这就很容易让算法陷入局部最优。由于混沌具有随机性，遍历性，规律性和对初始条件敏感性的特点，基于混沌的函数能帮助优化算法增加多样性和避免早熟收敛。混沌映射已经成功应用到多种智能优化算法中。因此本发明把混沌映射应用到旋转角的更新中，使算法在探索能力和发掘能力间取的平衡，跳出局部最优，增强全局收敛性。

与最常用混沌映射Logistic map相比，无限折叠迭代混沌映射(Iterative chaotic map with infinite collapses,ICMIC)的Lyapunov指数比Logistic map大，混沌性更明显。本发明采用ICMIC混沌映射，其函数式如下

由于旋转角△θ的建议取值范围为[0.15,1.5]，那么旋转角△θ就由以下公式更新

△θ＝0.15+(1.5-0.15)/2*(chaos(t)+1) (6)

这里chaos(t)就是采用的混沌映射x_n，t表示迭代次数。

步骤14)以最佳组作参考准则，利用更新操作更新Q(t-1)，得到子代种群Q(t)，转步骤5)。更新操作具体如下：

当执行更新操作时，如果观测值对应的概率角减小△θ，最优解对应的概率角增加△θ，还需确保更新后角度非负。可表示如下：

如果则

如果则

式中：和分别表示此前非支配解和当代非支配解的概率角。表示观测值的概率角。旋转角△θ由个体观测值和最优个体改变，大小由经验值确定。

例如某一概率角所在个体的观测个体被此个体当前非支配解的支配，并且此概率角观测值为2，中这一位为0，则将2对应的减小△θ，1对应的增大△θ，如图3所示。图4为更新操作的示意图。

步骤15)输出结果。

为了验证本发明的有效性，从国际标准ITC’02test benchmarks中选取了典型系统d695。为了比较本算法与经典的量子多目标算法的优劣，采用覆盖度量(Coverage Metric，CM)评估解的收敛性和前沿广度度量(Front Spread Metric，FSM)评估解分布多样性。对于d695，与普通的量子多目标进化算法相比，解的收敛性(CM度量)提高了约100％，解的分布多样性(FSM度量)提高了约8％。

本发明针对2D Mesh结构的NoC，重用NoC作为TAM，基于调和距离量子多目标进化算法完成IP核的测试数据分配优化，以最大限度地实施并行传输和测试，提高并行测试效率，达到测试时间和测试功耗的多目标优化的目标。