Verilator覆盖率工具中LCov文件生成的优化方案
Verilator作为一款开源的硬件仿真和验证工具,其内置的代码覆盖率功能对于验证工程师至关重要。近期社区发现Verilator生成的LCov覆盖率文件存在信息丢失的问题,本文将深入分析该问题及其解决方案。
问题背景
在Verilator生成的LCov覆盖率文件中,分支覆盖率信息未能完整保留。LCov格式本身支持分支覆盖率的记录,但Verilator当前的实现未能充分利用这一特性,导致生成的覆盖率报告在某些情况下会出现信息缺失或显示不准确的问题。
技术分析
LCov文件格式包含多个记录类型,其中分支覆盖率信息通过以下方式记录:
- BRDA:记录分支数据
- BRH:记录分支命中次数
- BRNH:记录分支未命中次数
Verilator当前的覆盖率实现主要关注语句和条件覆盖,但对分支覆盖的支持不够完善。这导致在使用genhtml等工具生成可视化报告时,分支覆盖率显示不完整,影响验证工程师对代码覆盖情况的准确判断。
解决方案
优化方案主要涉及以下几个方面:
-
完善分支覆盖率记录:在VlcSource类中增加对分支覆盖率的完整记录,确保所有分支点都被正确标记和统计。
-
LCov文件生成优化:修改覆盖率数据输出逻辑,确保生成的.lcov文件包含完整的BRDA、BRH和BRNH记录。
-
构建系统适配:由于涉及核心覆盖率组件的修改,需要确保构建系统能正确识别相关源文件的变更并重新编译。
实现细节
在具体实现上,需要重点关注:
-
分支点识别:在Verilator的代码解析阶段,需要准确识别所有的分支点,包括if-else条件、case语句等。
-
覆盖率数据收集:在执行仿真时,需要记录每个分支的执行路径,包括命中次数和未命中情况。
-
数据输出格式:严格按照LCov规范输出分支覆盖率数据,确保与其他覆盖率分析工具的兼容性。
验证方法
为确保修改的正确性,可以采用以下验证手段:
-
单元测试:为修改后的覆盖率组件编写专门的单元测试用例。
-
回归测试:使用现有的测试套件验证修改是否影响原有功能。
-
可视化验证:通过genhtml、gcovr等工具检查生成的覆盖率报告是否完整显示分支覆盖率信息。
结语
通过本次优化,Verilator的覆盖率功能将更加完善,能够为验证工程师提供更全面、准确的代码覆盖信息。这不仅有助于提高验证质量,也能更好地支持复杂设计的验证工作。该改进已经合并到主分支,用户可以通过更新到最新版本获得这一功能增强。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0152- DDeepSeek-V4-ProDeepSeek-V4-Pro(总参数 1.6 万亿,激活 49B)面向复杂推理和高级编程任务,在代码竞赛、数学推理、Agent 工作流等场景表现优异,性能接近国际前沿闭源模型。Python00
LongCat-Video-Avatar-1.5最新开源LongCat-Video-Avatar 1.5 版本,这是一款经过升级的开源框架,专注于音频驱动人物视频生成的极致实证优化与生产级就绪能力。该版本在 LongCat-Video 基础模型之上构建,可生成高度稳定的商用级虚拟人视频,支持音频-文本转视频(AT2V)、音频-文本-图像转视频(ATI2V)以及视频续播等原生任务,并能无缝兼容单流与多流音频输入。00
auto-devAutoDev 是一个 AI 驱动的辅助编程插件。AutoDev 支持一键生成测试、代码、提交信息等,还能够与您的需求管理系统(例如Jira、Trello、Github Issue 等)直接对接。 在IDE 中,您只需简单点击,AutoDev 会根据您的需求自动为您生成代码。Kotlin03
Intern-S2-PreviewIntern-S2-Preview,这是一款高效的350亿参数科学多模态基础模型。除了常规的参数与数据规模扩展外,Intern-S2-Preview探索了任务扩展:通过提升科学任务的难度、多样性与覆盖范围,进一步释放模型能力。Python00
skillhubopenJiuwen 生态的 Skill 托管与分发开源方案,支持自建与可选 ClawHub 兼容。Python0112