使用大数据提高验证的可预测性和效率

大数据是一个已经存在了几十年的术语。它最初被定义为在超出正常软件工具能力的可容忍时间内捕获、管理和处理的数据集。在此期间，对于大数据规模而言，唯一不变的是，在并行处理能力不断提高和更便宜的存储容量的推动下，大数据一直是一个不断变化的目标。如今，大多数行业都使用 3V 模型将大数据的挑战和机遇定义为三维：数量、速度和多样性。最近，这已扩展到机器学习和数字足迹。应用程序列表无穷无尽，但其过程保持不变 - 捕获、处理和分析。为什么这项技术不能帮助提高验证流程效率并预测下一个芯片签核呢？

由于设备规模、团队地理位置分散以及上市时间压力，当今的验证环境必须具有协作性。它需要有效利用每个周期，管理硬件、软件和人力资源。

本文将定义典型的验证环境以及在项目期间通常未捕获的数据。它将展示如何应用捕获、处理和分析过程来提高整个验证过程的可预测性和效率。这需要一个灵活的基础设施，允许从构成典型验证流程的多个系统中提取数据。必须有一个能够以通用方式存储数据的中央存储库，以便可以管理数据，使其不仅在项目期间保持正确和相关，而且在未来也保持其相关性，以便对其他项目和新项目进行比较和预测。

本文将介绍如何将新的 Web 就绪技术应用于硬件开发流程，从而为协作提供即插即用的基础设施。它还将重点介绍通过将常见覆盖率指标与通常缺失的数据指标相结合，以及这些指标之间的相互关系，可以进行的一些分析和洞察类型。

如果能查看随时间推移收集的指标，就可以获得对流程的深刻见解。仅随时间变化的历史覆盖率数据就可以表明完成签核还需要多少时间。能够将这些单个指标一起绘制在同一图表上，还可以打开经常缺失的信息。

本文还将通过示例展示通过查看错误修复率和源代码改动之间的交叉分析可以获得的其他见解，这些见解与覆盖率指标相结合可以帮助预测签核进度。它将展示如何使用历史数据来发现类似的事件模式，以及如何在现有系统中记录更多的元数据，从而使交叉分析能够根据过去的项目找出新方法或工具的有效性等信息。它还允许计算数据中可用的更多指标，例如错误修复之间的平均时间、回归失败之间的平均时间、上次测试通过或失败的时间以及特定用户使用工具许可证的时间——使我们能够回答和预测诸如“我们是否有足够的正式许可证来应对下一个项目的峰值使用量”等问题。