本发明涉及面向深度学习的集成电路可靠性测度，具体来说是一种基于aphash的电路输入向量特征化方法。
背景技术：
构建一种适用于电路设计早期阶段的快速有效的电路结构可靠性测度方法，是学术界与企业界相关研究人员近年来迫切需要解决的问题，也是电路设计人员所关心的关键技术。目前，有学者提出基于深度学习技术以评价电路结构的可靠性水平，它具有近似常数的时空开销。然而，作为反映应用环境的特征，输入向量往往随着电路的不同而有不同的规模，有时甚至相差几个数量级。这容易导致输入向量特征化困难，主要表现在：一是未能有效地将输入向量映射为深度学习模型的一个输入特征，二是未能有效地将不同规模的输入向量实现均衡化分布，使不利于改善深度学习模型对电路结构可靠性预测的精度。
目前，输入向量特征化的措施主要有如下3种：一是直接忽略输入向量对电路结构可靠性的影响以避免对其进行处理；二是将输入向量的每个比特位当作深度学习模型的一个输入特征进行处理；三是采用划分策略对输入向量进行分割，并将输入向量的每个分块映射为深度学习模型的一个输入特征。相比第一种做法，后两种做法能更准确地反映电路结构的真实可靠性水平。然而，不同电路原始输入端数的不同导致输入向量维数的不确定从而造成未能满足深度学习模型对定维输入特征的要求，且现有的二进制到十进制的映射方法容易引起输入特征的不平衡分布问题从而影响模型的预测精度。此外，将输入向量处理成多个输入特征也容易破坏特征的完整性而影响模型的预测精度，并增大模型的训练复杂性等。
技术实现要素：
为了克服现有方法在特征化电路的输入向量时存在的不足，本发明提供了一种基于aphash的电路输入向量特征化方法，有助于改善深度学习模型对电路结构可靠性的预测精度并降低模型的训练难度。
本发明解决其技术问题所采用的技术方案是：
一种基于aphash的电路输入向量特征化方法，所述方法包括以下步骤：
步骤1：提取电路的输入向量bic及其长度blen，并初始化无符号整型特征数据hash＝0，大质数bpn与计数器i＝1；
步骤2：遍历bic，若到达其末尾，则转到步骤5；否则转到步骤3；
步骤3：提取bic的第i个字符chi，若(i％2)！＝0，则执行公式(1)以计算hash；否则执行公式(2)以计算hash；
hash＝hash^((hash<<7)^chi^(hash>>3))(1)
hash＝hash^(～((hash<<11)^chi^(hash>>5)))(2)
步骤4：执行i＝i+1，并转到步骤2；
步骤5：执行hash＝hash+(blen+1)，再执行hash＝hash％bpn；
步骤6：输出hash。
本发明的技术构思为：为避免现有技术的问题，基于数值型哈希算法aphash，构建了一种可将任意维度输入向量映射为一个输入特征的方法，它通过将输入向量长度加入到aphash以解决数值型数据与输入向量间存在的类型不匹配问题。
本发明中，首先读入输入向量并提取其长度，且对相关量进行初始化；接着，遍历输入向量并逐个提取其字符，并根据字符所处奇偶位的不同有针对性地采取相对应的字符变换策略直至输入向量的末尾；然后，基于变换前的输入向量长度与变换后的输入向量，再次对输入向量执行变换操作。最后，通过大质数将输入向量映射到指定区间，并输出映射结果。只要大质数足够大，针对任意长度的输入向量，该方法均可以获得极低碰撞率的输入向量映射结果。
本发明的有益效果主要表现在：针对实际应用环境下的有限输入向量，本发明可以将任意长度且有多个数量级差异的电路输入向量以极低的碰撞率均衡地映射到指定区间，且可将它们映射为深度学习模型的一个输入特征以保护与输入向量相关特征的完整性。这有助于降低深度学习模型的训练复杂性且改善模型的预测精度。
附图说明
图1是一种基于aphash的电路输入向量特征化方法的流程图。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1，一种基于aphash的电路输入向量特征化方法，所述方法包括以下步骤：
步骤1：提取电路的输入向量bic及其长度blen，并初始化无符号整型特征数据hash＝0，大质数bpn与计数器i＝1；
步骤2：遍历bic，若到达其末尾，则转到步骤5；否则转到步骤3；
步骤3：提取bic的第i个字符chi，若(i％2)！＝0，则执行公式(1)以计算hash；否则执行公式(2)以计算hash；
hash＝hash^((hash<<7)^chi^(hash>>3))(1)
hash＝hash^(～((hash<<11)^chi^(hash>>5)))(2)
步骤4：执行i＝i+1，并转到步骤2；
步骤5：执行hash＝hash+(blen+1)，再执行hash＝hash％bpn；
步骤6：输出hash。
本实施例以哈希算法为主要技术手段，借助大质数等实现了电路输入向量的有效特征化，使有利于在保证与输入向量相关特征完整性的前提下有效降低深度学习模型的训练复杂性并改善其预测精度，从而有利于促进深度学习模型在电路可靠性评估与设计领域的研究与应用。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。