通过分析代码覆盖提高功能覆盖率的验证输入自动生成方法

1、第 21 卷 第 4 期2009 年 4 月计算机辅助设计与图形学学报JO U RN A L O F COM PU T ER AID ED D ESIG N & COM P U T ER G RA PH ICSVo l. 21, N o. 4 A pr. , 2009通过分析代码覆盖提高功能覆盖率的验证输入自动生成方法1, 21, 211, 2傅 亮1) ( 中国2) ( 中国卢 鼎计算技术院ac cn)孙 愿微处理器技术00 90)00049)( ul ang c摘 要覆盖率驱动的验证是功能验证的重要方法, 但功能覆盖定义的性和手工调整验证输入的冗长过程都极大地影响了覆盖率驱动验证的效率.

2、文中分析了代码行覆盖次数与功能覆盖率的内在联系, 建立了基于代码行覆盖次数的概率模型, 提出一种新的通过分析代码覆盖提高功能覆盖率的验证输入自动生成方法) ) F OCDG AG . 通过代码行覆盖次数计算验证输入序列的适应度, 选取对提高功能覆盖率贡献较高的输入序列, 使用遗传算法自动生成新的输入序列组. 实验结果表明, 采用 F OCDGA G 时不需要功能覆盖信息, 可以将全随机输入生成的功能覆盖率收敛速度提高 10 倍以上, 将约束随机输入生成的功能覆盖率收敛速度提高 20 倍以上.功能覆盖率; 代码覆盖率; 遗传算法; 自动生成; 功能验证中图法分类号 T P302An Automa

3、tic TestCode CoverageGeneration Method for Functional Coverage Improvement byysis1, 2Fu Liang1, 2Lu Ding1Zhang Zhimin1, 2Sun Yuan1) ( Resear ch Center of Microp rosor Technology , I nsti tu te of C omp uting T echnology , ChiA cad emy of S cie n, B eij ing00 90)2) ( Grad uate Univer sit y of ChiAcad

4、emy of S cien, Beij ing00049)AbstractCoverage driv en is an im po rtant technolo gy for functio nal verification. H o wever, theef f iciency of coverage driven v erif icatio n is grey affected bycov erag e definitions and leng thy manual test adjustm ent. T his p the line cov ered times and functio

5、nal coverage. Besides, it alsothe subjectiv it y of the functionalry zes the relationship betnestablishes a sist ical pr obabilitymbased on the line covered t imes. By using this m, a nov el method, i. e. , functio nal coverageoriented, co de coverage driven and genetic algor it hm based automatic t

6、est generatio n ( FOCDGA G) ispresented. T his m ethod selects g enetic algorithm toverification inputs auto matically. FOCDGA G enhanyze the line covered t imes and generate newfunctional cov erag e raly w ithout using theinform at ion of functional co verag e. Ex perimental results showt FOCDGA G

7、can speed up thestrained random test generation m oreverg ence of random test generation m oren 20 t imes.n 10 t im es andKey wordsfunctional coverage; co de coverage; genetic alg orithm ; automatic test generation;functional verification2- 26 基金项目 国家/ 八六三0 高技术研究发展计划PCIM S收稿日期 2008- 05- 04; 修回日期 200

8、8-工业促进局项目( 京财经一指 2005 858 号), 主要研究方向为 SoC 设计验证基金( 2002AA Z 040) ;市傅 亮, 男, 977 年生, 博士, 主要研究方向为SoC 设计验证 卢 鼎, 男, 983 年生, 男, 963 年生, 博士, 研究员, 博士生导师, 主要研究方向为计算机系统结构、S oC 设计验证孙 愿 女, 984 年生, 主要研究方向为S oC 设计验证4 期傅 亮等: 通过分析代码覆盖提高功能覆盖率的验证输入自动生成方法455随着 ASIC 设计复杂度的迅速提高和集成电路制造工艺的快速发展, 功能验证开销已占到整个设计周期的 60% 80% 1 ,

9、 在导致首次流片失败的原因中存在功能错误的比例达到了 70% 2 , 功能验证已经成为A SIC 设计流程的主要瓶颈. 如何提高验证效率, 更快地达到更高的验证质量是ASIC 设计oriented, code coverage driven and genetic algorit hmbased automatic test g eneration, FOCDGAG) , 基于代码覆盖次数与功能覆盖点之间的内在联系, 统计代码行覆盖次数, 选择对功能覆盖率贡献较大的验证输入序列, 通过遗传算法自动生成新的验证输入序列组, 经过有限次迭代迅速收敛于较高的功能覆盖率. 该方法不需要事先定义功能覆盖

10、点、不需要功能覆盖率统计信息, 不依赖于随机约束的定义, 即的一项巨大.在功能验证中, 代码覆盖率目前只作为设计验证质量的参考. 一般来说, 代码覆盖率并不能直接反映功能覆盖率, 即便 100% 的代码覆盖率也不能保证功能正确, 整个验证过程中达到的功能覆盖率才是衡量验证进行程度和验证质量的最重要标准. 目前主流的覆盖率驱动验证方法是通过约束随机生成使对随机生成使用FO CD GA G 也可以迅速收敛于较高的功能覆盖率.1遗传算法简介验证输入序列, 仿真后依据覆盖率人工分析覆遗传算法是由教授于 1975 年首先Michig an 大学的 H o lland盖空洞产生原因, 然后手工调整约束、再

11、次仿真检查结果, 经多次迭代直到覆盖空洞被覆盖到. 然而这种方法有很大的缺陷: 1) 设计中由设计规约确定的和实现过程产生的潜在功能点的数量随设计复杂度的提高而呈指数级增长, 在现有条件下要穷尽地定义出所有潜在功能点是不切实际的. 因此, 功能覆盖点 9, 它依据遗传变异理论在迭代过程中保持已有结构, 通过模拟文优胜劣汰、适者生存进化原理选择好的结构, 同时寻找更好的结构. 遗传算法中, 问题的一个解定义为一个一组中的每一个分量定义为, 由,组成的集合称为种群, 种群中每一个染的定义具有很强的性, 往往依赖于定义者的经色体称为种群的一个. 遗传算法从一组随机产验丰富与否、对设计规约的理解程度、

12、对设计者实现方式的掌握程度、对各潜在功能点的重要性判断和取舍, 以及定义者的耐心程度和上市时机的时间压生的初始分开始搜索, 选择适应度较高的一部, 通过以 P cr oss 为概率的交叉e 为概率的变异操作后, 得到后作为操作和以 P mu力等. 这些都使功能覆盖定义的质量并不代种群; 种群规模固定的种群称为种群.总是能够得到保证, 以这些功能覆盖定义得到的功能覆盖率为指导来提高验证质量也有较强的经过若干次迭代后, 算法收敛于适应度最高的染色体.性. 2) 随机约束的设定本身也有很强的性. 约束过松会产生大量重复或无效输入, 使功能覆盖率长时间无法收敛; 约束过紧则产生的输入过于专注部分功能点

13、, 导致功能覆盖率到达一定程度后无法继2随时间衰减的代码行覆盖次数概率模型2. 1 代码行覆盖次数与功能覆盖率的关系代码行覆盖次数与功能覆盖率的一种常见联系如Verilog H DL 代码所示:续提高. 3) 验证输入对功能点的可控性, 依据覆盖率试探性调整约束后还要反复进行仿真、修改, 才能使功能覆盖率得到有效长了验证周期., 大大延alw ay s (edg e clk )if(a b c) & d) sement1;else sement2;假设条件 a, b, c 为待验证设计( design under verification, DU V ) 内的 3 个相关寄存器状态, 定义 a

14、& b& d 为功能覆盖点 1, b& c& d 为功能覆盖点 2, c& a& d 为功能覆盖点 3. 进行 10 个验证输入序列的仿真: 每个输入序列 100 个有效时钟周期; 在 10针对这些问题, 人们提出了很多覆盖率驱动的验证输入生成方法, 如基于网络反馈模型的输入自动生成方法 3- , 使用遗传算法分析关键路径覆盖率、提高代码覆盖率的自动生成方法 5 , 用遗传算法分析功能覆盖率、提高功能覆盖率的自动生成方法 6, 用遗传算法生成微处理器汇编程序的方法 7, 从代码中抽取功能覆盖点的方法 8 .本文提出一种通过分析代码覆盖提高功能覆盖个验证输入序列中, 有 8 个序列的 semen

15、t 1 执行率的验证输入自动生成方法( functional cov erag e次数为 1, 另外 2 个序列的 sement 1 执行次数计算机辅助设计与图形学学报2009 年456分别为 6 和 8. 使用代码行覆盖率分析时, 虽然所有入序列组, 以前迭代过程中相隔代数越多的统计结果对本代的影响越小, 因此建立随时间衰减的代码行覆盖次数概率模型. 随时间衰减的代码行覆盖次数记入数组 S um M ,Sum m = ( 1 - Attenuat e rat e) Sum p ev ous m + N验证输入序列的行覆盖率相同, 但显然 s执行次数为 6 和 8 的 2 个序列可能覆盖到em

16、ent1的功能点. 选择 sem ent 1 执行次数为 6 和 8 的 2 个验证输入序列为基础, 改变序列中部分验证输入得到的新输入序列和 3 个功能覆盖点的相关性更强. 与单纯以行覆盖率为依据选择输入序列的方法相比,Ecov n m ;n 1其中 M 是代码行覆盖点总数. 当一次迭代仿真周期选择覆盖了较难到达的代码行次数的输入序列数为 CYC N UM 时, 对应概率为 P s的方法, 可以生成覆盖到序列.2. 2输入序列的选择功能覆盖点的新输入i sti c m =S um m PC YC N UM, 其中 m 是第 m 个代码行覆盖点. 因为 C YC N UM 在统计过程中是定值,

17、 所以下面直接使用Sum m 代替 P sisti c m 参与计算, 不影如图 1 所示, 因为覆盖到条件分支节点的输入一定覆盖到了其父节点, 所以节点被覆盖到的概率一定有 P7 P5 P 3 P 1 .响每个行覆盖点概率的相对大小.的各代码行覆盖次数记入数组 cov N M , 其中 cov n m 中的是第 n 个验证输入序列对于代码行覆盖点m的覆盖次数. 在每次迭代后新的代码行覆盖次数统计值加入概率模型前, 以前的代码行覆盖次数统计值先以 A t tenuate rate 的速率衰减.3FOCDGAG 方法图 1 条件分支二叉树3. 1 输入序列的定义组合电路验证过程中 DU V 的输

18、出与验证向量的输入次序无关, 而时序电路的每一个验证输入都引理 1. 相同逻辑通被覆盖到的概率越小.逻辑深度越深的节点定义 1. 事件 A 表示节点被覆盖, 事件 Bi 表示可能引起电路状态改变. DUV 对于验证输入的响应不仅取决于验证输入本身, 还取决于此前验节点的逻辑深度为 i ; 则相同逻辑通节点逻辑证输入序列导致的电路状态变化. 对于带有复深度为 i 的节点被覆盖到的概率为 P ( A Bi ) , 在节点逻辑深度为 i 的前提下被覆盖到的概率为 P (A Bi ) .位逻辑的时序电路, 每一次复位后电路将进入相同的起始状态, 因此可选择以复位为起始的一个验证输入序列作为独立, 使用

19、遗传算法时利用输入P ( A Bi )P ( Bi )1) 由条件概率公式 P( A和全Bi ) =序列的相关性提高算法效率.FOCDGAG 方法流程FOCDGAG 方法中, 使用种群规模固定为 N 的种群, 以复位为起始的验证输入序列作为染色, 验证输入序列中每个总线交易请求作为基3. 2E概率公式 P ( A ) =P ( Bj ) P ( A Bj ) 可知:i 1节点逻辑深度不确定时, P( A ) 为定值.2) 根据引理 1 和公式, P (B iA ) =体P ( Bi ) P ( A Bi ) = P( AB i ) .因, 每个中数相同. 第 n 个的第P( A)P ( A )

20、m 个代码行覆盖点的适应度函数F it l ine n m 取值为/ 随时间衰减的代码行覆盖次数统计值0的倒数可以得到如下结论: 相同逻辑通, 被覆盖概率小的节点对应的逻辑深度更深的概率更大.根据此结论, 优先选择那些覆盖到/ 被覆盖概率乘以对该代码行的覆盖次数, 若该行以前从未被覆盖过, 适应度取固定值 3, 即小的节点0的输入序列作为基础, 生成的新输入0,Sum m = 0,Sum m = 0,cov n m = 0序列更容易覆盖到逻辑深度较深的节点.2. 3建立概率模型cov n m X 03,Fit line n m =.cov n mSum m, 其他情况遗传算法通过选择出的生成下

21、一代验证输4 期傅 亮等: 通过分析代码覆盖提高功能覆盖率的验证输入自动生成方法457第 n 个适应度f it ne ss n 为其对应各代码行的功能验证中采用了 FOCDGA G 的方法. 实验硬件平适应度函数的代数和, 即M台为Dell Linux EnterEdge 2950 服务器, 8 GB 内存; SU SErise edition 9 操作系统, 仿真是f i tness n =E Fitline n m .Synopsy s V CS- 0606- SP1- 18.4. 2 实验对象聚芯SoC 是一款面向m 1代码行被覆盖次数越少, Sum m 越小, 对应代码行覆盖点的适应度

22、越大. FOCDGAG 利用代码行覆盖次数与功能覆盖率的内在联系, 优先选择那些的高端 32 位So C,它通过 L Bus 总线将龙芯 CPU 核、PCI 控制器、DM A 控制器、L CD 控制器、内存控制器、L ocal 总线、A Cp97, PS2, CAN bus, MAC, U SB 主机控制器覆盖到/ 被覆盖概率小0的代码行的输入序列作为, 通过遗传算法自动生成验证输入, 快速提高功能覆盖率. FO CD GAG 采用以适应度较大为标准以及UART 等集成到一块上, 片上一级总线的的最优选择, 每次迭成新种群时引入外来种群,读P写数据线分开, 支持两级地址流水方式的读P写功能;

23、64 位数据总线宽度, 32 位地址空间; 支持 Sing le, Line 和不定长 burs t 交易模式 10 . SDRAM 内存控制器为提高效率实现了复杂的预读和读P写以避免种群或算法长时间陷入空间. 该方法的基本流程如图 2 所示.地址逻辑, 在整个中的复杂度和重要性仅次于CPU 核.4. 3 功能验证SDRAM 内存控制器的功能验证是使用VM M 11的验证方法和SystemV erilo g 语言搭建的总线交易请求约束随机生成验证. 该验证每个时钟周期按照约束生成一个总线交易请求, 生成的总线交易请求通过总线功能模型模拟总线行为, 转换成 SDRAM 内存控制器的总线接口输入信

24、图 2 F OCDG AG 方法的基本流程示意图基于随时间衰减的代码行覆盖次数概率模型的FOCDGAG 方法步骤如下:St ep1. 使用随机方法生成初始种群, 依据代码行覆盖次数初始化各代码行覆盖概率.号. 在 FOCDGAG 方法实现过程中,的变异操作及引入外来种群时所需验证输入都由验证随机生成. 实验中使用的功能覆盖定义包括总线接口所有合法操作部FIFO 所有合法状态存接口所有可能操作.状态机所有状态迁移、内重要寄存器状态和内St ep2. 通过盖次数.DU V 功能正确性得到代码行覆每个输入序列的各代码行覆盖次数并记入St ep3.实验中直接在 RT L 代码中代码覆盖点统数组 co

25、v n m .St ep4. 计算每个输入序列的适应度 f itness n . 计数组, 并使用 SystemVerilog 语言在验证内St ep5. 选择适应度最高的若干作为交叉.以 P.部实现遗传算法所有操作, 避免了在仿真中使用仿以 P cross 为概率进行St ep6. St ep7.概率变异.真工具统计行覆盖次数和通过 DPI 接口仿真交叉后得到的的各mue 为器数据库. 所以, 加入 FOCDGAG 方法对整个仿真的效率影响很小. 实验结果表明, FOCDGAGSt ep8. 引入与初始种群相同方式生成的外来种群.方法运行时对验证仿真速度降低10% , 因St ep9. 合并

26、外来种群和遗传操作得到的新一代种群 Pop new ., 生成此可以直接使用仿真周期数来衡量各种验证输入生St ep10. 根据随时间衰减的代码行覆盖次数概率模型更新各代码行覆盖概率.St ep11. 重复 Step2 Step10, 直到满足仿真结束条件.成方法对功能覆盖率的效率.4. 4 FOCDGAG 方法参数选择FOCDGAG 方法中, 种群规模、外来种群规模、交叉概率 P cr oss、变异概率 P mue 和统计次数4实验结果与分析衰减率A t tenuate rate 等对算法的效率有综合性影响. 各种参数组合的大量对比实验结果表明: 聚芯 SoC 的 SDRAM 控制器使用 F

27、OCDGAG 方法4. 1实验环境计算技术聚芯 SoC计算机辅助设计与图形学学报2009 年458进行功能验证时, 种群规模在 36 120 之间都可以在较短的仿真周期内得到较高的功能覆盖率. 外来随机种群的规模为遗传算法种群规模的 1P3, 并固根据以上实验结果, 在随后的实验中固定种群规模N = 72, 外来种群规模 24, 选取概率 P cr oss= 18% , 变异概率 P mu计次数衰减率 Attenuate r ate= 2% .4. 5 输入序列长度选择数 24, 交叉e = 5%, 统定选择种群规模 1P3 的适应度最大的作为种子, 以保证算法有较高的稳定性. A t ten

28、uate rate 取值 2% 3% 时, 稳定性和有效性较好. 交叉概率 P以复位为起始的验证输入序列作为独立时, FOCDGAG 方法效率并不随序列长度增加而单调增加. 这是因为序列中后续输入的结果依赖于之cross 和变异概率 P较小时, 需要 P mumue 相互影响, 当 P cr osse 较大才可以得到较高的算法效率. P cr oss 在 10% 25% 区间内每降低 2% , P mue 大约需要增加 1% 才能得到相似的算法效率. P cross 在 5% 10% 区间时, 算法效率随 P mue 增加呈双峰型分布, 即 P mue 增加到 8%左右时算法效率达到最高值,

29、其后逐渐下降, 但在增加到 16% 左右时又上升到一个低于最高值的局部极值. 无论 P cr oss 取值为多少, P mue 增加到前的输入序列导致的DUV状态, 若序列长度过长, 会造成输入序列中各个输入间的依赖性呈指数级增长, 经过交叉、变异后得到的新输入序列与原输入序列相关性降低, 使得遗传算法的优化效率无法稳定提高. 当输入序列长度在 10 360 之间变化时, 1 600次迭代内达到的功能覆盖率如图 3 所示.序列长度小于 40 时, FOCDGAG 方法效率随序列长度增加而增加; 序列长度为 40 时, 算法效率最高;序列长度大于 40 时, 算法效率逐渐降低; 序列长度30%

30、后算法效率开始迅速降低, 直至为普通随机生成算法. 当 P cr oss 在15% 20% 区间内、Pmue 取值在 3% 最稳定.6% 区间内时, 算法效率最高也超过 180 后, 本文方法逐渐为序列长度与效率正相关的普通随机输入生成算法.图 3 输入序列长度对算法性能的影响4. 6实验结果图 4 所示为在 SDRAM 控制器常用配置模式下, 6 种验证输入生成方法随仿真周期的增加达到的功能覆盖率比较. 其中, 全随机生成为约束随机生成除去所有为了提高覆盖率而添加的约束, 基随机生成的 FOCDGAG 为在全随机生成基础上加入FOCDGAG 方法, 基于约束随机生成的FOCDGAG为在约束随

31、机生成基础上加入 FOCDGAG 方法, 基随机的传统遗传算法为在全随机生成基础上加入以代码覆盖率为适应度函数的遗传算法, 基于约束随机的传统遗传算法为在约束随机生成基础上加入以代码覆盖率为适应度函数的遗传算法.如图 4 所示, 基随机的FOCDGAG 在一定仿真周期后, 功能覆盖率提高的速度是全随机生成的 2 14 倍, 达到 85% 功能覆盖率的速度比全随机生成的方法快 5 倍以上; 基于约束随机的FOCDGAG在一定仿真周期后, 功能覆盖率提高的速度是约束随机生成的 4 15 倍, 达到 85% 功能覆盖率的速度快 10 倍以上. 2 种传统遗传算法提高功能覆盖率的效率和在可接受仿真周期

32、内最终达到的功能覆盖率4 期傅 亮等: 通过分析代码覆盖提高功能覆盖率的验证输入自动生成方法459明显低于 2 种FOCDGAG 方法. 基随机的速度慢, 随着仿真周期的增加, 两者差距逐步缩小, 在可接受仿真周期内达到的最高覆盖率明显高于后者.FOCDGAG 对功能覆盖率的速度仅在开始阶段比基于约束随机的 FOCDGAG 对功能覆盖率的图 4 6 种验证输入生成方法比较表 1 所示为在 SDRAM 控制器常用配置模式下,4 种验证输入生成方法在 15 106 仿真周期内达到的最高功能覆盖率、初次达到最高功能覆盖率所需的仿真周期数和 15 106 仿真周期最终消耗的服务器 CP U 总机器时间

33、. 表 1 中, 基于约束随机的 FOCDGAG 的功能覆盖率收敛所需仿真周期数最少, 约束随机生成和全随机生成在 15 106 仿真周期内始终无法达到 87% 的功能覆盖率. 由于实验中全随机和约束随机生成的功能覆盖率在可接受仿真周期内无法收敛, 结合图 4 和表 1, 保守判断基随机的 FO CD GAG 功能覆盖率收敛速度是全随机生成的 10 倍以上, 基于约束随机的FO CD GAG 功能覆盖率收敛速度是约束随机生成的 20 倍以上.表 1 4 种验证输入生成方法比较达到的最高功能覆盖率P%初次达到最高覆盖率的仿真周期数Pk仿真消耗总机器时间Ph生成方法全随机生成85 256 3867

34、 45约束随机生成86 934 5735 2基随机的FOCDGAG956 4387 55基于约束随机的 FOCDGAG90 306235 944. 7进一步分析从表 1 可以看到, 随机输入生成过程是否使用约束对仿真速度的影响非常大, 这是因为仿真工具对于随机约束的求解过程需要消耗大量的时间. 本文实验中, 约束随机生成为了快速达到较高覆盖率,对各种输入类型赋予相应权重, 并通过约束尽快生成能够覆盖各种边角情况的输入序列, 而全随机输入中没有这些约束. 实验结果表明, 2 种情况下仿真消耗机器时间相差近 5 倍.图 5 所示为在 SDRAM 控制器常用配置模式的功能覆盖率. 从图 5 中容易看

35、出, 以仿真所需的机器时间为标准时, 基随机的 FO CD GAG 对功能覆盖率的速度和达到收敛时的功能覆盖率,下, 基随机的 FOCDGAG 和基于约束随机的FOCDGAG 随仿真消耗的 CPU 机器时间增加达到图 5 F OCDG AG 基于 2 种随机生成方法的比较计算机辅助设计与图形学学报2009 年460都比基于约束随机的 FOCDGAG 高. 因此, 在验证过程中不必开发太多随机约束, 可以使用 FOCDGAG方法自动生成验证输入, 以快速达到较高的功能覆盖率, 尽早发现设计中的错误, 缩短验证周期.o s ula on vecen era on us ng Bayes an ne

36、 w ork JJourn al o Co pu er A d ed Des gn & Co pu er Graph cs,2007,(9( 5), 佟6 6 62 ( n Ch)冬, 程 旭 使用网络的高效模拟矢量生成方法 J计算机辅助设计与图形学学报, 2007, 9( 5)6 6 62 ) 5结论 5Y J ang ang, based on crDes gn & CoT ong Don g, Chen g Xu Pa h coverage e r ccal s gnals JJ ou rnal o Co pu er A dedpu er Graph cs, 2006, 8( 8 )08

37、5 09 ( n本文分析了代码行覆盖次数与功能覆盖率的内在联系, 把以往相互独立的代码覆盖率和功能覆盖率有机结合起来, 提出了通过统计代码行覆盖次数,使用遗传算法自动生成验证输入序列, 快速提高功能覆盖率的FO CD GAG 方法. 研究表明, 依据随时Ch ( J), 佟冬, 程 旭 基于关键信号的路径覆盖率模型计算机辅助设计与图形学学报, 2006, 8 ( 8 )08509 )Luo C,gen era on or un 6Jun, L ng M ng Coverage d rec ed vec oral ver ca on u s ng gene c alg or h间的代码行覆盖次数

38、概率模型得到的概率, 选 JCh ( 罗Journal o)春,Appl ed S c en, 2005, 23( 4) 375 379 ( n择以复位为起始的验证输入序列作为,FOCDGAG 方法不依赖于功能覆盖定义与否和定义质量高低就可以快速提高功能覆盖率. 进一步的, 凌 明 基于遗传算法和覆盖率驱动的功能验证向量自动生成算法 J 应用科学学报, 2005, 23( 4)375 379)实验表明, 基随机的 FO CD GAG 不需要定义随 7Corno F,prograCu an G,gen era onReorda M S , et alor p pel ned proAu os or sa C PPpu ng,机约束, 可在相同机器时间内提高功能覆盖率的效率, 最终达到的功能覆盖率均可高于基于约束随机的FOCDGAG.Proceed n