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。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00