一种计算芯片测试方法、系统、计算机设备和存储介质与流程

1.本发明涉及的技术领域是电力工控网络安全技术领域，尤其涉及一种计算芯片测试方法、系统、计算机设备和存储介质。


背景技术：

2.边缘计算和云计算都是处理大数据的计算运行方式，其中，边缘计算具体是将计算、网络、存储等能力扩展到物联网设备附近的网络边缘，如此，数据便不用再传到遥远的云端，某些复杂的智能应用可以在本地边缘端处理，这一技术进一步满足了敏捷连接、实时业务、数据优化、应用智能与隐私保护等方面的要求，使得数据传输更加高效以及安全。
3.目前，在电力行业中，由于芯片结构精细、以及制造工艺复杂，由此不可避免会在生产过程中留下潜在的缺陷，若无法及时对产生的缺陷进行精准检测，会对成品质量产生影响，严重情况下将会导致设备出现运行故障。现有技术为了确保芯片质量，通常会在芯片出厂之前进行测试，然而，针对芯片实际应用过程中却缺少相应的测试平台，无法保证对潜在故障的精准测试，存在测试不全面的问题。


技术实现要素：

4.本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本技术的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
5.鉴于上述存在的问题，提出了本发明。
6.因此，本发明解决的技术问题是：对芯片潜在故障进行精准测试，解决测试不全面的问题。
7.为解决上述技术问题，本发明提供如下技术方案：
8.第一方面，本发明实施例提供了一种计算芯片测试方法，包括：
9.获取目标芯片的运行数据，并根据所述运行数据进行故障运行风险的预测，以及生成相应的预测结果数据；
10.根据所述预测结果数据，判定目标芯片是否存在故障运行风险，若存在风险，则判定目标芯片对应风险等级，确定与所述风险等级相适应的目标测试方式；
11.获取目标芯片在所述目标测试方式下同步产生的测试结果数据，并根据所述测试结果数据，生成相应的修复决策。
12.作为计算芯片测试方法的一种优选方案，其中：
13.所述运行数据包括实时运行状态、所述实时运行状态下产生的计算性能参数、历史故障运行信息，以及在实时运行状态下产生的计算性能参数；所述计算性能参数包括运算速率、运算误差率以及运行频率；根据所述计算性能参数的实际取值以及对应的标准取值范围，通过综合评估的方式，进行风险概率的计算，根据计算得到的风险概率，进行故障运行风险的预测，生成相应的预测结果数据。
14.作为计算芯片测试方法的一种优选方案，其中：
15.所述风险概率的计算包括：
16.首先判定各项计算性能参数的实际取值是否处于预设的标准取值范围之内，若确定所述各项计算性能参数中的至少一种参数处于预设的标准取值范围之内，则调整测试周期，并在下一测试周期内进行风险概率的计算；若所述各项计算性能参数中无参数处于预设的标准取值范围之内，则根据综合相应计算性能参数的实际取值与对应标准取值之间的偏离程度，进行风险概率的加权计算；
17.所述加权计算包括：进行加权系数的设定，将加权系数的取值范围限定在0～1，相应计算性能参数的实际取值与对应标准取值之间的偏离程度越大、对于维持计算性能越重要，对应赋予的加权系数的取值将越接近于1。
18.作为计算芯片测试方法的一种优选方案，其中：
19.所述判定风险等级包括：根据所述预测结果数据，结合历史故障运行信息，进行风险趋势系数的计算；综合所述风险趋势系数、风险趋势特征、涵盖的影响范围以及对设备运行状态的影响程度，计算潜在故障所造成的相应风险值，并根据所述风险值进行风险等级的判定。
20.作为计算芯片测试方法的一种优选方案，其中：
21.所述风险趋势系数的取值范围为0～1，风险运行趋势对芯片计算性能的影响程度越大，对应风险趋势系数的取值将越接近1；
22.所述风险等级包括无、低、中、高以及极高风险这五种，其中，将风险值设为k，在k大于或等于80时，判定风险等级为极高风险等级；在k小于80但大于等于60时，判定风险等级为高风险等级；在k小于60但大于等于30时，判定风险等级为中风险；在k小于30但大于等于10时，判定风险等级为无风险等级。
23.第二方面，本发明实施例提供了一种计算芯片测试系统，其特征在于，包括：
24.风险预测模块，用于获取目标芯片的运行数据，并根据所述运行数据计算风险概率，进行故障运行风险的预测，以及生成相应的预测结果数据；
25.测试模块，用于根据获取到的预测结果数据，若判定目标芯片存在故障运行风险，则判定目标芯片对应风险等级，确定与所述风险等级相适应的目标测试方式；
26.修复建议模块，用于获取所述相应目标芯片在所述目标测试方式下同步产生的测试结果数据，并根据所述测试结果数据，生成相应的修复决策。
27.作为计算芯片测试系统的一种优选方案，其中：
28.所述系统还包括坏点记录模块，其中：
29.所述坏点记录模块，用于获取测试结果数据，并根据所述测试结果数据，进行坏点位置的记录。
30.作为计算芯片测试系统的一种优选方案，其中：
31.所述系统还包括决策分类模块以及决策调用模块，其中：
32.所述决策分类模块，用于针对获取到的各项修复决策进行数据分类，并按照数据分类情况对所得的各项修复决策进行分区存储，其中，存储过程中将对相应修复决策关联到的计算性能参数、对应取到的风险概率值以及风险运行趋势进行同步缓存；
33.所述决策调用模块，用于基于实时获取到的计算性能参数、风险概率值以及风险
运行趋势中的至少一种，从已存储的各项修复决策中进行目标决策的调用、以及反馈，并在匹配失败的情况下，触发所述修复建议模块进行对应修复决策的生成。
34.第三方面，本发明实施例提供了一种计算设备，包括：
35.存储器和处理器；
36.所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明任一实施例所述的计算芯片测试方法。
37.第四方面，本发明实施例提供了一种计算机可读存储介质，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现所述的计算芯片测试方法。
38.本发明的有益效果：本发明通过获取目标芯片的运行数据，并根据所述运行数据进行故障运行风险的预测，以保证在芯片运行的同时，能够实现对运行风险的及时把控，提高芯片测试全面性。另外，当相应目标芯片存在故障运行风险时，还可以根据获取到的预测结果数据，确定与对应风险等级相适应的目标测试方式，以及根据对应得到的测试结果数据，生成相应的修复决策，从而实现芯片故障的智能诊断与修复，提升故障诊断与修复效率以及自动化程度。
附图说明
39.为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
40.图1是本发明第一个实施例所述的计算芯片测试系统的结构示意图；
41.图2是本发明第二个实施例所述的计算芯片测试方法的整体流程图。
具体实施方式
42.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。
43.在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
44.其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
45.本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
46.同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位
或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
47.本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
48.实施例1
49.参照图1，为本发明的第一个实施例，该实施例提供了一种计算芯片测试系统，该系统100包括通讯连接的风险预测模块101、测试模块102以及修复建议模块103，其中：
50.所述风险预测模块101，用于获取目标芯片的运行数据，并根据所述运行数据进行故障运行风险的预测，以及生成相应的预测结果数据，其中，所述运行数据包括实时运行状态、所述实时运行状态下产生的计算性能参数以及历史故障运行信息。
51.所述测试模块102，用于根据获取到的预测结果数据，认为相应目标芯片存在故障运行风险时，确定与对应风险等级相适应的目标测试方式，
52.所述修复建议模块103，用于获取所述相应目标芯片在所述目标测试方式下同步产生的测试结果数据，并根据所述测试结果数据，生成相应的修复决策。
53.更进一步的，所述风险预测模块还用于通过以下步骤进行故障运行风险的预测：获取目标芯片的实时运行状态，以及在所述实时运行状态下产生的计算性能参数，所述计算性能参数包括运算速率、运算误差率以及运行频率。根据所述计算性能参数的实际取值以及对应的标准取值范围，通过综合评估的方式，进行风险概率的计算；根据计算得到的风险概率，进行故障运行风险的预测。
54.所述风险预测模块还用于通过以下步骤进行风险概率的计算：判定各项计算性能参数的实际取值是否处于预设的标准取值范围之内，若确定所述各项计算性能参数中的至少一种参数均判定上述条件，则调整测试周期，并在下一测试周期内进行风险概率的计算；否则，根据综合相应计算性能参数的实际取值与对应标准取值之间的偏离程度，进行风险概率的加权计算。
55.具体的，风险预测模块可以基于计算性能参数的实际取值与标准取值范围之间的比较结果，并在确定其实际取值处于标准取值范围时，则认为当前存在运行风险的概率较小，可以进入下一测试周期，随即可在调整测试周期的情况下，在下一测试周期内进行风险概率的计算。风险预测模块可以根据目标芯片的综合运行情况，调整测试周期，当每项计算性能参数均能够满足上述的判定条件时，则可以适当的延长测试周期。
56.应说明的是，风险预测模块根据目标芯片的综合运行情况调整测试周期，这避免了浪费资源，可以达到降低成本的效果。
57.针对存在运行风险的情况，风险预测模块还可以计算相应计算性能参数的实际取值与对应标准取值之间的偏离程度，并根据该偏离程度以及计算性能参数对于维持计算性能的重要性，进行加权系数的设定。例如，加权系数的取值范围限定在0～1，其中，若相应计算性能参数的实际取值与对应标准取值之间的偏离程度、且对于维持计算性能越重要，其
对应赋予的加权系数的取值将越接近于1。
58.应说明的是，通过刻画出计算性能参数不确定性给设备运行带来的风险，提升了设备对风险的预判能力，保障了设备的安全稳定运行。
59.更进一步的，所述测试模块还用于通过以下步骤判定风险等级：根据获取到的预测结果数据，结合历史故障运行信息，进行风险趋势系数的计算；综合所述风险趋势系数、风险趋势特征、涵盖的影响范围以及对设备运行状态的影响程度，计算潜在故障所造成的相应风险值，并根据所述风险值进行风险等级的判定。
60.具体的，测试模块可以根据获取到的预测结果数据，结合历史故障运行信息进行风险运行趋势的判断，并根据判断所得的风险运行趋势对芯片计算性能的影响程度进行风险趋势系数的计算。风险趋势系数的取值范围可以为0～1，其中，在风险运行趋势对芯片计算性能的影响程度越大的情况下，对应风险趋势系数的取值将越接近1。
61.具体的，风险等级可以包括无、低、中、高以及极高风险这五种，其中，若将风险值设为k，可以假设：(1)在k大于或等于80时，判定风险等级为极高风险等级；(2)在k小于80但大于或等于60时，判定风险等级为高风险等级；(3)在k小于60但大于或等于30时，判定风险等级为中风险；(4)在k小于30但大于或等于10时，判定风险等级为无风险等级。当前上述的判断范围并不限于这一种方式，不同实施方式中，可以根据设备运行状态、运行环境以及现有经验等进行灵活设定，本技术实施例对此不作限定。
62.该系统还包括坏点记录模块，其中：
63.所述坏点记录模块，还用于获取测试结果数据，并根据所述测试结果数据，进行坏点位置的记录。
64.应说明的是，通过坏点记录模块，坏点位置的记录数据可以同步反馈到设备运维人员，使得设备运维人员可以根据获取到的坏点位置数据，快速定位到故障点位，并对故障点位处产生的故障原因进行分析，提高了设备修复效率。
65.该系统还包括决策分类模块以及决策调用模块，其中：
66.所述决策分类模块，用于针对获取到的各项修复决策进行数据分类，并按照数据分类情况对所得的各项修复决策进行分区存储，其中，存储过程中将对相应修复决策关联到的计算性能参数、对应取到的风险概率值以及风险运行趋势进行同步缓存。
67.具体的，决策分类模块可以通过内置的缓存空间对获取到的各项修复决策数据进行分区存储，存储过程中还可以对各项存储数据的调用次数进行分析，针对调用次数少的目标存储数据，若存储之后，并没有调用过该数据，则优先将该目标存储数据移出存储区域，以释放缓存空间。
68.存储过程中，针对待缓存的待缓存数据，决策分类模块还可以根据剩余的可用缓存空间大小以及设备运行状态调整待缓存数据的缓存速度，或在确定剩余的可用缓存空间并不能够保证对待缓存数据的全盘存储时，可以采用相应的数据压缩方式，例如采用冗余压缩法或无损压缩法等(需要说明的是，冗余压缩法或无损压缩法又称为无失真压缩法或熵编码法。这类压缩方法只是去掉数据中的冗余部分，并没有损失熵，而这些冗余数据是可以重新插入到原数据中的。也就是说，去掉冗余不会减少信息量，而且仍可原样恢复数据。因此，这类压缩方法是可逆的)，在将数据进行压缩之后，在将其存入缓存空间中，以此提高数据缓存效率.
69.所述决策调用模块，用于基于实时获取到的计算性能参数、风险概率值以及风险运行趋势中的至少一种，从已存储的各项修复决策中进行目标决策的调用、以及反馈，并在匹配失败的情况下，触发所述修复建议模块进行对应修复决策的生成。
70.具体的，决策调用模块在对所得的各项修复决策进行分区存储时，可以同步对与该项修复决策相关的计算性能参数、风险概率值以及风险运行趋势中的至少一种进行关联存储。如此，下次测试的过程中，在计算得到例如相应风险运行趋势的情况下，即可根据相应风险运行趋势判断先前是否已生成与之相关的修复决策，若是，则直接调用即可，反之则再触发修复建议模块进行对应修复决策的生成。
71.应说明的是，决策调用模块通过避免重复生成修复决策，能够提高系统运行效率，也能够结合先前的处理经验进行数据处理，提高数据处理效率，降低使用成本。
72.实施例2
73.参照图2，为本发明的一个实施例，提供了一种计算芯片测试方法，为了验证本发明的有益效果，通过仿真实验进行科学论证。
74.s1：触发风险预测模块获取目标芯片的运行数据，并根据所述运行数据进行故障运行风险的预测，以及生成相应的预测结果数据，其中，所述运行数据包括实时运行状态、所述实时运行状态下产生的计算性能参数以及历史故障运行信息。
75.具体的，触发风险预测模块获取目标芯片的实时运行状态，以及在所述实时运行状态下产生的计算性能参数，所述计算性能参数包括运算速率、运算误差率以及运行频率。
76.触发风险预测模块根据所述计算性能参数的实际取值以及对应的标准取值范围，通过综合评估的方式，进行风险概率的计算。
77.触发风险预测模块根据计算得到的风险概率，进行故障运行风险的预测。
78.所述根据所述计算性能参数的实际取值以及对应的标准取值范围，通过综合评估的方式，进行风险概率的计算，包括：
79.触发风险预测模块判定各项计算性能参数的实际取值是否处于预设的标准取值范围之内，若确定所述各项计算性能参数中的至少一种参数处于预设的标准取值范围之内，则调整测试周期，并在下一测试周期内进行风险概率的计算；若所述各项计算性能参数中无参数处于预设的标准取值范围之内，则根据综合相应计算性能参数的实际取值与对应标准取值之间的偏离程度，进行风险概率的加权计算。
80.s2：触发测试模块根据获取到的预测结果数据，认为相应目标芯片存在故障运行风险时，确定与对应风险等级相适应的目标测试方式。
81.s3：触发修复建议模块获取所述相应目标芯片在所述目标测试方式下同步产生的测试结果数据，并根据所述测试结果数据，生成相应的修复决策。
82.本仿真实验中使用的计算芯片测试方法与传统计算芯片测试方法相比，实验效果如下表所示：
[0083] 传统方法本方法芯片测试覆盖率98％100％芯片故障平均诊断时间320ns240ns芯片故障修复效率48％79％
[0084]
由此可见，本实施例使用的计算芯片测试方法，通过获取目标芯片的运行数据，并
根据所述运行数据进行故障运行风险的预测，以保证在芯片运行的同时，能够实现对运行风险的及时把控，提高芯片测试全面性。另外，还可以根据获取到的预测结果数据，认为相应目标芯片存在故障运行风险时，确定与对应风险等级相适应的目标测试方式，以及根据对应得到的测试结果数据，生成相应的修复决策，如此能够实现芯片故障的智能诊断与修复，提升故障诊断与修复效率以及自动化程度。
[0085]
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。