Verilator仿真中覆盖率选项对非阻塞赋值行为的影响分析
2025-06-28 04:40:48作者:伍希望
概述
在使用Verilator进行硬件仿真时,有时会发现添加或移除覆盖率选项会导致仿真结果出现差异。本文通过一个实际案例,深入分析这种差异产生的原因及其解决方案。
问题现象
在AES S盒模块的测试中,当在Makefile中注释掉--coverage-line选项时,测试结果出现了不一致的情况。具体表现为tb_match信号的行为发生了变化。
根本原因分析
经过Verilator的警告信息提示,我们发现问题的根源在于测试激励生成代码中使用了非阻塞赋值(<=)在initial块中。根据Verilator的警告:
Non-blocking assignment '<=' in initial/final block
This will be executed as a blocking assignment '='!
在Verilog标准中,initial块内的非阻塞赋值行为是未定义的。Verilator会将其当作阻塞赋值处理,但不同仿真选项下(如是否启用覆盖率),调度顺序可能发生变化,从而导致竞争条件的出现。
解决方案
针对这个问题,我们有以下几种解决方案:
- 使用阻塞赋值替代:在initial块中明确使用阻塞赋值(
=),这是最直接的解决方案。
initial begin
for(int i=255; i>=0; i--) begin
@(posedge clk);
a = i[7:0]; // 使用阻塞赋值
end
end
- 添加延迟控制:在赋值前添加明确的延迟控制,确保时序正确。
initial begin
for(int i=255; i>=0; i--) begin
@(posedge clk);
#1; // 添加延迟控制
a = i[7:0];
end
end
- 使用always块替代initial块:对于需要持续运行的激励,使用always块更为合适。
always begin
for(int i=255; i>=0; i--) begin
@(posedge clk);
a <= i[7:0]; // 在always块中可以使用非阻塞赋值
end
end
最佳实践建议
-
避免在initial块中使用非阻塞赋值:这是Verilog编码的基本规范之一,应该严格遵守。
-
注意仿真选项的影响:不同的仿真选项可能会改变调度顺序,编写测试代码时应考虑这种可能性。
-
关注Verilator警告:Verilator提供了详细的警告信息,应该认真对待这些警告,它们往往能帮助发现潜在问题。
-
测试代码的时序控制:在测试代码中,应该明确控制时序,避免依赖仿真器的默认行为。
结论
通过这个案例我们可以看到,Verilator仿真结果对覆盖率选项的敏感性实际上反映了测试代码中存在的潜在问题。正确的做法不是依赖特定仿真选项下的行为,而是编写符合规范的、确定性强的测试代码。这不仅能保证仿真结果的一致性,也能提高代码的可移植性和可维护性。
在实际工程中,建议开发团队建立编码规范,并通过静态检查工具确保代码质量,避免类似问题的发生。
登录后查看全文
热门项目推荐
相关项目推荐
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
项目优选
收起
deepin linux kernel
C
24
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
413
3.18 K
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
690
325
Ascend Extension for PyTorch
Python
229
258
暂无简介
Dart
679
160
React Native鸿蒙化仓库
JavaScript
265
326
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.21 K
660
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
492
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
346
147