使用循环环路图像对信号进行分离和分类的系统和方法
1.相关申请本公开要求保护于2020年6月11日提交的题为“pam4 cyclic eye image representation for waveform data”的美国临时专利申请no.63/038,040、于2020年6月15日提交的题为“read/write burst separation and measurement using novel cyclic eye plot and machine learning”的美国临时专利申请no.63/039,360、于2020年6月18日提交的题为“cyclic eye image representation for waveform data”的美国临时专利申请no.63/041,041以及于2021年4月21日提交的题为“cyclic eye with machine learning for measuring or tuning an optical transmitter”的美国临时专利申请no.63/177,930的权益，上述美国临时专利申请中的每一个特此通过引用以其整体并入本文。
2.本公开涉及以下专利申请：具有标题“system and method for separation and classification of signals using cyclic loop images”的于2021年6月11日提交的美国专利申请17/345,342（atty-dkt 12222-us1）、具有标题“a cyclic loop image representation for waveform data”的于2021年6月11日提交的美国专利申请17/345,283（atty-dkt 12223-us1）以及具有标题“system and method for multi-level signal cyclic loop image representations for measurements and machine learning”的于2021年6月11日提交的美国专利申请17/345,312（atty-dkt no. 12224-us2）。
技术领域
3.本公开涉及标识双向总线中的数据，更特别地涉及标识数据方向并且对其进行分类。
背景技术：
4.在一些情形下，标识双向总线上采集的数据脉冲串（burst），并且对数据信号正在行进的方向进行分类是有用的。如果像示波器之类的测试和测量仪器具有无限的信道，则它将提供采集所需命令总线的能力，以在这样的双向总线上分离读和写脉冲串。然而，当只有一个或两个探头可用时，这就成为了一个挑战。
5.这样的信号的示例在ddr5存储器中，即双倍数据速率存储器版本5存储器的标准。这表示计算存储器的下一个重大改变，即提高速度和密度，但保持类似尺寸的dimm（双列直插式存储器模块）。如在探头点处看到的，读操作和写操作之间的系统信道特性显著不同。读信号必须与写信号分离地处理和测量，所以它们必须被分离。
6.用户经常使用眼图来分析信号，之所以称为眼图是因为两个波形之间的开口看起来像眼睛。但是，相同印刷电路板（pcb）材料上的存储器速度的增加导致波形图对于到达存储器的写数据脉冲串具有“闭合的”眼睛。ddr5 dram支持从3200 mt/s至6400 mt/s的数据速率。这种数据速率的提高在不改变数据引脚的信令方案的情况下实现，即dq总线仍然是单端的——与ddr3/4相同。然而，由于ddr5信道中存在许多阻抗失配点，因此由于反射所致的符号间干扰（isi）预期会增加。在4800 mt/s或更高的数据速率下，dram探头点（例如焊
球）处的数据眼预期是闭合的。在ddr5 dram接收器中实现了4抽头dfe，以帮助均衡dq信号并缓解这一问题。
7.虽然其上安装存储器的dimm pcb和板的大小保持不变，但是存储器的大小加倍。此外，示波器通常仅具有四个信道，从而限制了可采集用于分析和测试的并行数据、时钟和命令地址线的数量。
8.通常，dqs时钟选通（strobe）信号和dq数据信号是最感兴趣进行分析的。需要两个探头。在每个数据脉冲串之前，前同步码出现在dqs信号上，并且这可以用于定位读或写数据脉冲串的开始。过去，对于像ddr3/ddr4之类的先前的ddr dram协议，读和写脉冲串之间存在相位差，这意味着写脉冲串上的dqs和dq是中心对准的，并且读脉冲串上的是边沿对准的。此外，命令总线具有分离的we（写使能）、ras（行访问选择）、cas（列地址选择）信号可用，其用于标识读或写脉冲串。然而，ddr5用紧凑的14引脚命令地址（ca）总线替换了we/cas/ras信号，并且需要解码来找出读/写命令。这通常意味着获得对所有14个ca引脚的访问，这是不切实际的。此外，dqs和dq信号之间不再存在像ddr4/ddr3中那样明显的相位差。在ddr5中，写路径上的dqs和dq可以具有高达3 ui（单位间隔）的固定偏移，该偏移在引导过程期间进行编程。
9.因此，需要一种仅使用数据线以便标识脉冲串信号是读还是写的方法。所公开的装置和方法的实施例解决了现有技术中的缺点。
附图说明
10.图1示出了循环环路图像的表示。
11.图2示出了ddr5存储器数据脉冲串信号的示例。
12.图3示出了具有来自失配负载的反射的ddr5存储器数据脉冲串信号的示例。
13.图4示出了ddr5存储器数据脉冲串信号的示例，其具有来自失配负载的反射，并且具有迹线符号间干扰（isi）损失。
14.图5示出了写操作的测试探头和失配负载之间的迹线。
15.图6示出了读操作的测试探头和失配负载之间的迹线。
16.图7示出了与两个实际测量迹线相比，由指数方程建模的迹线损失图。
17.图8示出了用于创建和分析循环环路图像的系统的实施例。
18.图9示出了用于创建循环环路图的波形的示波器屏幕的示例。
19.图10示出了循环环路图像的示例。
20.图11示出了没有反射且没有isi的dq随机数据信号和所得到的循环环路图像的示例。
21.图12示出了标准yt迹线显示的测量示例。
22.图13示出了测量反射延迟的示例。
23.图14示出了测量系数的示例。
24.图15示出了使用循环环路图来测量反射系数的示例。
具体实施方式
25.本公开的实施例解决了标识双向总线上采集的数据脉冲串并且对数据行进方向
进行分类的问题。对于ddr5存储器的情况，示波器一般没有信道和/或被测设备（dut）没有足够的空间用于连接足够的探头以采集所需的命令总线线路来在读和写数据脉冲串之间进行区分。然而，如在探头点处看到的，系统信道特性在读和写操作之间显著不同。读信号必须与写信号分离地处理和测量。这里的实施例解决了仅使用一个或两个探头执行这种分离的需要。实施例的一个方面在于使用比传统眼图更稀疏的独特循环环路图像。循环环路图像更聚焦于信号边沿，它包含了表征系统响应的大部分信息。
26.实施例利用装置和方法来创建循环环路图像作为传入信号的xy绘图。实施例的循环环路图像便于许多测量，并且提供了简化的图像，所述简化的图像适用于用作例如现有的预训练神经网络或其他机器学习系统的输入，用于对特定数据脉冲串中的读相对于写进行分类。实施例还可以应用于其他二进制编码信号，诸如不归零（nrz）或多电平信号，诸如脉冲幅度调制信号（例如pam4）。这些实施例还解决使用与机器学习相耦合的循环环路图像，以便对存储器系统执行读和写分离。图1示出了循环环路图10的示例。
27.实施例使用简单但鲁棒的算法创建输入信号的xy绘图。垂直y轴由信号本身组成。对于ddr5应用，该信号通常将是dq数据脉冲串信号或dqs数据选通时钟信号。水平x轴由通过处理dq或dqs信号创建的扫描信号组成。这种处理仅在数据模式中的边沿转变处创建独特的线性或稍微线性的斜坡扫描信号。在信号电平不改变的间隔——例如长间隔的高电平或长间隔的低电平——内不会出现斜坡。这采取了不同于经典lissajous图的独特方法。实施例自动定位这些斜坡，使得xy信号路径是包含环路上侧上方的所有上升沿和环路下侧的所有下降沿的闭合环路线。
28.由于系统中的边沿包含定义系统传递函数的大部分信息，因此该简单图像导致在一个图像中捕获波形的所有循环的循环显示，并且其消除了典型眼图将包含的大量额外的不必要的数据点。取决于波形特性，所得到的绘图可能具有与磁滞bh绘图的外观相似性。然而，在水平斜坡创建和它们如何生成以及它如何应用于prbs（伪随机二进制序列）数据模式的各方面中存在显著差异。
29.主要优势在于实现的简单性及其鲁棒性。总体方法表示了用于创建x轴斜坡状信号的若干种方法。下面关于图8讨论的特定实施例解决了复杂度和处理速度方面的简单过程。这种方法可能会在边沿形状上产生一些失真。出于机器学习系统识别的目的，该方法将提高计算速度，同时仍然允许机器学习算法对其进行分类。例如，机器学习系统可以通过仅观察dqs或dq信号来对存储器系统中的读操作相对于写操作进行分类。
30.人们应当注意的是，虽然下面的讨论涉及存储器信号的分类，但是实施例不限于该应用。不应推断出这样的限制。实施例可以用于其他双向系统，其中系统特性可以取决于信号传播的方向而不同。此外，信号可以由以下信号组成：读或写数据脉冲串信号、或者像不归零（nrz）信号之类的具有两个电平的任何二进制编码信号、或者诸如pam4的具有多于两个电平的脉冲幅度调制信号。
31.循环环路图像是简化绘图，其具体示出了信号属性，诸如系统响应、与下降沿相比较的上升沿的非线性、snr、幅度、反射延迟、反射系数等。所创建的xy图像具有减少波形显示的不必要部分并仅示出对写操作系统响应和读操作响应之间的差异进行分类所需的重要属性的方法。表示系统的减小的图像大小和简化的闭环路径充当预存在的、预训练的图像处理神经网络或其他机器学习网络或系统的理想输入。此外，可以使用循环环路图像进
行如上面所描述的多次测量。
32.一旦dqs和dq脉冲串已经被分类并分离成分离的波形，这些波形的幅度就为时间的函数，并可以利用操作进一步处理，所述操作诸如创建虚拟测试点滤波器以移动实际探头点的视图。这移除了与传输线不匹配的存储器负载的反射的阶跃。它实际上不会移除反射，但是它移除来自反射的延迟，从而导致上升沿和下降沿中没有阶跃，但是幅度通常会因反射而增加。在ddr5以及其他可能的应用的情况下，dfe均衡器被应用于分离的写脉冲串。最后，经处理的波形可以由ddr兼容应用或抖动分析应用软件来处理以供进一步分析。
33.因此，实施例需要并解决的是仅使用dqs和/或dq数据线来标识脉冲串信号是读还是写的方法。这些实施例还利用独特的方式来创建循环环路图像，而不是传统的眼图，以便于许多测量。该循环环路提供了一种简化的图像，该简化的图像适用于输入到现有的预训练神经网络，以用于对读信号脉冲串相对于写信号脉冲串进行分类。
34.图2-4示出了dqs脉冲串信号的示例。图2示出了ddr5存储器系统中的理想dqs脉冲串信号12的示例。图3示出了包括来自失配负载的反射的ddr5存储器dqs脉冲串信号14的示例。图4示出了ddr5 dqs信号16的示例，其具有来自失配负载的反射，并且具有迹线符号间干扰（isi）损失。
35.系统传递函数允许在读数据脉冲串和写数据脉冲串之间进行区分，因为两者之间通常不同。系统硬件对于读操作相对于写操作具有不同的特性。传输线端部处的负载可能不同。存储器发射器处的电压幅度可能不同于soc（片上系统）发射器处的电压幅度。反射的延迟时间可能不同。
36.此外，在许多情形下，探头物理连接到安装到非常接近存储器芯片且远离soc的插入器板。图5示出了来自测试和测量仪器26的探头22和失配的存储器负载24之间的被测设备上的迹线20。迹线20很短，其中在探头22点处观察到的信号具有大的反射。这导致高的反射系数和小的延迟。这导致探头点处的脉冲幅度大于来自soc 28的入射脉冲幅度。然而，从soc到探头22点的长迹线30将具有损失，这将导致来自soc的信号幅度的损失。因此，迹线isi损失倾向于降低探头点处的脉冲幅度，并且存储器反射系数倾向于增加该点处的幅度。此出现是因为存储器负载的阻抗大于传输线阻抗。这是典型的ddr5系统利用插入器32探测写操作的情形。
37.图6示出了读操作。对于这种情况，存储器24已经变成了发射器。通常通过插入器32连接的探头22仅通过具有低损失的短迹线34与存储器24分离。这使得探头22处的入射脉冲在幅度上类似于存储器传输的脉冲。信号然后沿着长迹线36行进到soc 28，具有大的阻抗失配，这将一些信号反射回到探头22。长迹线36具有反射信号的高损失降低幅度。该反射信号返回到探头22，并且通常增加在探头处看到的幅度，因为soc 28负载阻抗大于传输线特性阻抗。对于这种情况，延迟时间要更长得多，并且soc负载可能不同于其是接收器时的存储器负载。
38.可以通过对由探头22以及测试和测量仪器26（诸如示波器）采集的波形进行几次光标测量，来计算反射的延迟时间和反射系数值。然后，如果soc负载已知，则可以在给定反射系数和soc负载值的情况下计算迹线阻抗。或者如果迹线阻抗、即特性阻抗是已知的，则可以计算soc阻抗。即使用标准传输线理论方程：
其中z是soc存储器负载，并且z0是长迹线传输线阻抗。是反射系数。
39.总的来说，对于ddr5模型示例，影响脉冲形状的主要系统特性为：1）可以由单个参数表示的长迹线的损失，2）反射的延迟，3）反射系数，和4）发射器的输出电压增益常数k。基于观察工业中的若干示例，看来该模型在定义可以模拟在这些系统中观察到的波形类型的系统方程方面表现得相当好。这些参数可以被配置到下面在方程（6）中所示出的频域方程中。该模型近似图5和图6中所示出的系统的响应。
40.创建建模的传递函数h的第一步骤，以对soc和探头点之间的长迹线长度进行建模，如（2）中所示。其中，n是从dc到采样速率fs的样本中频域向量的长度。n的值是频域中各种样本的索引。
41.的值是确定不同pcb迹线长度的损失特性的常数。指数项仅定义幅度响应。为了分配适当的相位响应，最小相位响应可以从（4）获得。其中，rceps是返回y的最小相位脉冲响应的matlab函数。其中h现在是从soc到探头点的pcb迹线的建模的最小相位频率响应。其中，fs是以hz为单位的采样速率，并且n是频率指数，以及n是从dc到fs的样本数。是反射系数，并且是反射延迟。方程（2）中指数为的部分创建了与典型pcb迹线紧密匹配的幅度滚降，如图7中所示。因此，是确定创建哪个损失绘图的变量，如图7中的绘图中所示，x（n）表示模型的输入处的信号。
42.先前的讨论已经描述了ddr5存储器读相对于写分离所需的系统建模和测量问题。这为理解为什么需要本公开的实施例奠定了基础。
43.设置机器学习应用时通常使用的第一个程序是数据简化。例如，存在越多参数和数据输入被输入到机器学习算法中，就越难得到唯一正确的解决方案。此外，更多的输入数据需要更多的训练时间和更多的运行时处理。因此，第一步骤是观察所有输入参数和数据，并确定哪些参数和哪个数据对结果影响很小。这些项作为系统的输入应被消除。
44.上面的讨论呈现了理解ddr波形中常见形状所需的一组四个最基本元素。那四个参数是：，其表示模型中的长迹线isi；和，其表示反射延迟时间；以及，其表示反射系数；以及k，其表示写操作的soc传输和读操作的来自存储器的存储器传输幅度之间的幅度差常数。除了k之外，这三个参数可能影响isi、符号间干扰。的值表示由于迹线损失所致
的isi，并且反射系数和延迟表示由于负载失配阻抗引起的反射所致的isi。
45.图8示出了用于对数据脉冲串信号进行分类的系统的实施例。系统脉冲响应可以以多种不同方式查看和导出。例如，作为时间的函数的幅度波形图是一种方式。然而，从不同的比特率和不同的数据模式以及如何合并它的意义上来说，将该视图给予机器学习系统是存在缺点的。同样，信号可以在频域和倒谱域中查看。然而，如果试图将这些视图用于机器学习系统的输入，则存在如下问题：信号模式干扰试图查看系统响应的视图。需要去卷积。存在许多问题和细节使得实现这些视图难以设置和处理。
46.例如，可能需要复杂的时钟恢复技术，并且可能需要复杂的门控和内插作为去卷积过程的一部分。存在其他问题，诸如插入器的短反射延迟导致倒谱和频谱视图的分辨率问题。大的isi使得提取关键特征更加困难。
47.这里的实施例解决了这些其他方法中涉及的问题，并生成了循环环路图像，该循环环路图像将所有边沿转变捕获到单个闭环xy绘图中，该闭环xy绘图简单地在跨输入数据记录的整个长度的相同路径上循环。输入数据可以是脉冲串间隔期间的时钟信号，诸如在ddr5存储器系统中。输入信号可以是随机数据模式，诸如在ddr5存储器系统中的dq脉冲串间隔中。虽然这里没有示出，但是（一个或多个）输入信号可以经历内插或抽取，以增加或减少填充在所得到的图像中的样本数量，或者减少人工智能/机器学习系统中使用的数据量。减少数据量通常被称为降维，允许机器学习系统更高效且准确地运转。该系统还可以从传入信号减去传入信号的均值，以从传入信号移除dc偏移。
48.如上所述，输入信号可以是具有高电平和低电平的包括边沿转变的任何种类的波形，其中边沿转变的位置由系统时钟确定。x轴信号被视为从输入信号导出的线性扫描斜坡信号，或斜坡状的信号。这可以被认为是依据标准示波器水平扫描斜坡。该斜坡与输入信号直接同步，因为它依赖于输入信号生成。
49.上面提及的相关专利申请详述了生成循环环路图像及其相关联数据的不同方法。对于循环环路图像创建的特定实施例的示例，水平扫描斜坡是通过首先将输入信号运行通过创建输入信号的方波脉冲表示的电路来生成的，所述电路在这里称为限幅器电路42、43。在一个实施例中，该电路将该信号乘以一个大的值，例如500，并且然后如果该信号大于零，则它被分配给一个理想的高值常数，该常数将与输入电压标称高电平相同。如果信号小于或等于零，则它被分配给低电平常数值。在图8的实施例中，输入信号dq通过限幅电路43，并且dqs信号通过限幅器电路42。
50.在限幅电路之后，信号通过短期积分器40和45。在这个实施例中，积分器采用矩形窗（boxcar）滤波器的形式。矩形窗滤波器的宽度应当等于输入信号的一个ui的宽度。由于存在整数数量的系数，因此给定采样速率下的系数数量可以等于ui间隔、或者可以等于小于ui宽度的采样间隔的一部分。这在输入信号的正边沿时间段期间创建正向斜坡状信号，并且在输入信号的下降沿期间的时间段内创建负向斜坡状信号。对于不存在边沿的多个ui的长间隔，不存在斜坡，这是这种方法的一个独特特征。这导致仅正边沿位置和负边沿位置显现在循环环路图像的闭环路径中。
51.没有边沿的多个ui间隔的所有数据都在图像中，但是仅在屏幕上的两个位置处，使得仅示出系统模型特性的边沿在图像中非常简单的环形路径中完全可见。如果isi很高，那么围绕环路所遵循的路径将存在更大的变化。这将使得循环环路的中心更加闭合。对于
每个ui都改变的时钟信号，整个波形数据集在xy循环环路显示上围绕相同的闭环路径重复跟踪。这也是一个新颖的方面，因为所有的边沿都沿着循环路径被跟踪。这导致循环环路图像不具有像传统眼图中那样的大量正边沿和负边沿的重叠，所述重叠模糊了许多信号细节。
52.脉冲串检测器44检测读和写数据的脉冲串。必须检测每个数据脉冲串，使得可以将其作为读或写操作进行处理和分类。对于ddr5，脉冲串检测可以通过观察dqs时钟信号来完成。它保持在零处，直到脉冲串开始为止。存在若干ui间隔的前同步码，对于一行中的多于一个ui，该前同步码将具有低电平。该前同步码出现在dqs信号上。这是检测脉冲串开始的基础。此后，脉冲串中的dqs信号在每个ui在高电平和低电平之间交替。dq信号将在每个ui间隔处包含随机的高电平和低电平。
53.脉冲串门46和48基于来自脉冲串检测器的信号来控制用于产生循环环路图像的数据。在图8的实施例中，脉冲串门包括在输入信号和来自脉冲串检测器的1或0输入之间的乘法器。主系统控制器76将对整个系统排序，使得一次仅处理和分类一个脉冲串。
54.该系统可以创建一个或两个绘图，诸如50和52，一个绘图52具有在垂直轴上的采集的dqs，以及在水平x轴上的应用于dqs信号的限幅器和矩形窗滤波器的扫描斜坡输出。第二绘图50将具有在y轴上的dq信号和从应用于dq信号的循环环路算法创建的扫描斜坡。这两个绘图可以被表示为两个相对低分辨率的循环环路图像，其可以被用作深度学习神经网络的输入以进行训练用于分类。这两个绘图也可以渲染在显示屏上，供用户分析和用于测量输入波形dq和dqs的各种特性。在一些实施例中，系统可以将循环环路图像数据存储在存储器（未示出）中，并且不必将循环环路图像渲染在显示器上。
55.该系统可以使用测量单元54进行多次测量，根据观察循环环路图像或用于形成循环环路图像的数据来进行测量。这些测量可以可选地用作部分机器学习的参数输入。测量中的一些可以用于标识系统模型是由读还是由写组成。测量单元54可以包括一个或多个硬件电路、软件测量例程或硬件和软件实现的任何组合。
56.测量示例包括反射延迟、反射系数、isi、信噪比（snr）和非线性。该系统可以获得从环路的中心到反射延迟的闭环上的正确点的两条径向线之间的角度。该角度被转换成反射的时间延迟。由于上升和下降沿显现在xy显示中，因此可以测量入射和反射信号的比率，并可以计算反射系数。当迹线isi低时，这是最准确和最容易做到的。当迹线isi高时，变得更难以判断从哪里开始测量，并且变得不太准确。isi的相对值可以通过观察环路的总外径和环路的内径来获得。其中的一些将是由于噪声。但在无噪声系统中，没有isi被转化成单个细线环路路径。相比之下，高isi封闭了环路，并加宽了环路路径厚度。
57.此外，根据这些其他测量，系统可以计算信噪比。发射器的非线性对于下降沿相对于上升沿具有不同的边沿形状或斜率，这种非线性将很容易在循环环路的对称性中表现出来。测量可以将这种线性表示为单个数值，该数值可以充当机器学习的输入。
58.实施例的另一方面包括将测量组合到显示图像中。上面各种测量可以充当机器学习的输入参数。将它们输入到处理图像的现有经训练神经网络中的一种方法是将它们作为条形图或其他格式的数字编码数据合并到图像中。以这种方式，所提取的参数连同实际波形图像一起工作，以帮助分类过程。
59.机器学习系统56接收循环环路图像作为输入。系统或网络56的主要目的是观察循
环环路图像连同放置到图像中的任何数字编码的所提取的参数，然后将图像中表示的波形分类为写脉冲串或读脉冲串。可以存在训练阶段57，其中向网络呈现多个读和写循环环路图像的示例，以训练网络如何分类。在训练时段之后，输入图像由经训练的网络进行分析，并被分类为读或写。
60.机器学习系统56可以具有以下输入。循环环路xy绘图图像示出循环闭环路径，其将所有边沿重叠到路径中。所提取的测量参数（如果有的话）以分离图像的某种其他形式、或者作为数字向量、或者可以设计的其他形式被插入在循环环路图像中提供。当插入在图像中时，它可以具有简单的条形图或多个条形图或pi-chart形状的对象等的形式。例如，作为训练过程57的一部分，用户输入菜单72将允许用户观察所采集的脉冲串的循环环路图像，并告诉机器哪个是读，以及哪个是写。一旦机器知道哪个是哪个，它就可以在运行时过程58中从该点开始对它们进行分类。
61.这对于读和写之间没有非常大差异的系统或者对于上面所描述的关键模型假设不相同的系统将是有用的。例如，可以不存在插入器，并且探头可以定位在更接近中间总线的位置，在那里读反射的延迟可以与写反射的延迟相同，等。该系统还具有用户输入菜单74，其允许输入各种系统参数，诸如存储器负载、迹线阻抗、插入器使用和位置等。
62.机器学习系统56在读或写时输出经分类的数据脉冲串信号。块66或62创建多脉冲串波形。在一个实施例中，这可以包括将每个检测到的脉冲串连结成仅包含读脉冲串或写脉冲串的单个波形。在创建多脉冲串波形之后，可以为每个波形计算去嵌入滤波器64和68。由于读与写的系统传递函数不同，因此每个波形都将存在不同的滤波器。这些滤波器还将使插入器处的探头测试点移动到存储器或soc处的虚拟探头测试点。最优地，对于dq信号，可以应用dfe均衡器70。机器学习系统56还可以提供测量60的结果。
63.系统控制器76可以由控制和排序整个系统的通用处理器组成，或由测试和测量设备上的处理器组成，或分布在它们之间。系统控制器也可以跨若干处理器、云计算等分布。处理器可以被配置为执行代码，该代码使得处理器提供所有的处理功能，用于测量和神经网络或者可以采用的其他类型的机器学习。显然，该系统的任何部分都可以在其他类型的处理器（诸如asic、gpu、fpga等）上实现。
64.图9示出了示波器屏幕上用于制作循环环路图像的波形的示例。在该视图中，看起来有些正弦的波形是dqs时钟信号80。限幅器的输出被示出为方波82。斜坡信号是84处的矩形窗滤波器的输出。
65.图10示出了循环环路图像的示例。左边是高isi dqs写信号。中间是dqs读信号，其中反射是可见的。右边是dqs读和写这二者的叠加。图11示出了dq随机脉冲电平90和具有仅出现在dq信号的边沿转变期间的斜坡的相关联斜坡扫描信号92的示例，以及从dq信号90和斜坡扫描信号92构造的循环环路图像94。
66.可以根据如图12中所示出的标准yt迹线显示来测量探头和存储器负载之间的反射延迟。然后根据如下的（7）计算迹线延迟：延迟=t / 2
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（7）。
67.图13示出了如何使用循环环路图像测量迹线延迟，其中延迟表示为以度为单位的。对于这两种情况，波形示出无迹线isi损失，以便简化视图以示出在其处测量相位角的点，从而计算反射延迟时间。
68.延迟时间可以根据（8）计算。穿过环路的一个完整路径是360度，这是一个循环。对于nrz型信号，一个循环是两个ui或两个比特。其中以度为单位，并且延迟具有秒的单位。信号的数据速率是nrz型信号的比特率。
69.可以在如图14中所示的标准yt型波形显示上测量探头和存储器之间短迹线的反射系数。反射系数然后计算如下：。
70.一旦反射系数已知，就可以计算负载阻抗z或特性阻抗z0（如果其中之一已知的话）。
71.可以使用如下面的图15中所示出的循环环路图像测量反射系数。
72.以这种方式，系统可以创建和使用新的循环环路图像，并且可选地在图像中包括测量编码条形图。然后在深度学习环境中使用这些图像，以通过对信号进行分离和分类以供分析和其他用途，来确定信号的性质并且对其进行分类。
73.本公开的各方面可以在特别创建的硬件、固件上、数字信号处理器或包括根据编程指令操作的处理器的特殊编程的通用计算机上操作。如本文中使用的术语控制器或处理器旨在包括微处理器、微计算机、专用集成电路（asic）和专用硬件控制器。本公开的一个或多个方面可以体现在计算机可用数据和计算机可执行指令中，诸如由一个或多个计算机（包括监视模块）或其他设备执行的一个或多个程序模块中。一般而言，程序模块包括例程、程序、对象、组件、数据结构等，其在由计算机或其他设备中的处理器执行时执行特定的任务或实现特定的抽象数据类型。计算机可执行指令可以存储在非暂时性计算机可读介质上，所述非暂时性计算机可读介质诸如硬盘、光盘、可移除存储介质、固态存储器、随机存取存储器（ram）等。如本领域技术人员应当领会的，程序模块的功能性可以根据期望在各个方面中进行组合或分布。此外，该功能性可以全部或部分体现在固件或硬件等同物中，诸如集成电路fpga以及诸如此类。特定的数据结构可以用于更有效地实现本公开的一个或多个方面，并且这样的数据结构被设想在本文中描述的计算机可执行指令和计算机可用数据的范围内。
74.在一些情况下，所公开的方面可以以硬件、固件、软件或其任何组合来实现。所公开的方面还可以实现为由一个或多个或非暂时性计算机可读介质携带或存储在其上的指令，所述指令可以由一个或多个处理器读和执行。这样的指令可以被称为计算机程序产品。如本文中所讨论的，计算机可读介质意味着可以由计算设备访问的任何介质。作为示例而非限制，计算机可读介质可以包括计算机存储介质和通信介质。
75.计算机存储介质意指可以用于存储计算机可读信息的任何介质。作为示例而非限制，计算机存储介质可以包括ram、rom、电可擦除可编程只读存储器（eeprom）、闪速存储器或其他存储器技术、致密盘只读存储器（cd-rom）、数字视频盘（dvd）或其他光盘存储装置、盒式磁带、磁带、磁盘存储装置或其他磁存储设备，以及以任何技术实现的任何其他易失性
或非易失性、可移动或不可移动介质。计算机存储介质不包括信号本身和信号传输的暂时形式。
76.通信介质意指可以用于计算机可读信息通信的任何介质。作为示例而非限制，通信介质可以包括同轴线缆、光纤线缆、空气或适用于电、光、射频（rf）、红外、声或其他类型信号通信的任何其他介质。
77.附加地，该书面描述参考特定特征。应当理解，本说明书中的公开内容包括那些特定特征的所有可能的组合。例如，在特定方面的上下文中公开了特定特征的情况下，该特征也可以尽可能地用于其他方面的上下文中。
78.此外，当在本技术中引用具有两个或更多个定义的步骤或操作的方法时，定义的步骤或操作可以以任何次序或同时实行，除非上下文排除了那些可能性。
79.示例下面提供了所公开技术的说明性示例。所述技术的实施例可以包括下面描述的示例中的一个或多个以及任何组合。
80.示例1是一种对信号进行分类的系统，包括：输入，用于接收传入波形数据；存储器；以及一个或多个处理器，被配置为执行代码以使所述一个或多个处理器：从传入波形数据生成斜坡扫描信号；使用脉冲串检测器定位传入波形数据中的数据脉冲串；从脉冲串检测器接收信号，以使存储器以传入波形数据作为y轴数据并且斜坡扫描信号作为x轴数据的形式存储循环环路图像数据；以及采用机器学习系统来接收循环环路图像数据并且对数据脉冲串进行分类。
81.示例2是示例1所述的系统，进一步包括测试和测量仪器，用于从被测设备采集传入波形数据。
82.示例3是示例1或示例2所述的系统，其中使所述一个或多个处理器从传入波形数据生成斜坡扫描信号的代码进一步包括使所述一个或多个处理器进行如下各项的代码：使用限幅器从传入波形数据生成方波脉冲信号；以及使用积分器基于方波脉冲信号生成斜坡信号并将斜坡信号传输到脉冲串门。
83.示例4是示例3所述的系统，其中所述积分器包括矩形窗滤波器。
84.示例5是示例1-4中任一项所述的系统，进一步包括使用循环环路图像数据进行测量的测量单元。
85.示例6是示例5所述的系统，其中所述测量包括反射延迟、反射系数、符号间干扰、信噪比和非线性中的一个或多个。
86.示例7是示例5所述的系统，其中所述测量单元将测量发送到机器学习系统。
87.示例8是示例1-7中任一项所述的系统，进一步包括用于从来自机器学习系统的经分类的数据脉冲串创建多脉冲串波形的连结器。
88.示例9是示例8所述的系统，进一步包括应用于多脉冲串波形的滤波器。
89.示例10是示例1-9中任一项所述的系统，进一步包括用于协调系统操作的系统控制器。
90.示例11是一种对信号进行分类的方法，包括：从传入波形数据生成斜坡扫描信号；定位传入波形数据中的数据脉冲串；以传入波形数据作为y轴数据并且斜坡扫描信号作为x轴数据的形式存储数据脉冲串的循环环路图像数据；以及使用机器学习系统来接收循环环
路图像并且对数据脉冲串进行分类。
91.示例12是示例11所述的方法，进一步包括从用户接收系统参数。
92.示例13是示例11或12所述的方法，其中生成斜坡扫描信号包括：从传入波形数据生成方波脉冲信号；以及对方波脉冲信号进行积分以产生斜坡扫描信号。
93.示例14是示例13所述的方法，其中通过矩形窗滤波器对方波脉冲信号执行积分。
94.示例15是示例11-14中任一项所述的方法，进一步包括使用循环环路图像数据进行测量。
95.示例16是示例15所述的方法，其中进行测量包括测量反射延迟、反射系数、符号间干扰、信噪比和非线性中的一个或多个。
96.示例17是示例15所述的方法，进一步包括将测量发送到机器学习系统，其中所述机器学习系统使用循环环路图像数据和测量对数据脉冲串进行分类。
97.示例18是示例11-17中任一项所述的方法，进一步包括从来自机器学习系统的经分类的数据脉冲串创建多脉冲串波形。
98.示例19是示例11-18中任一项所述的方法，进一步包括训练机器学习系统，所述训练包括：提供循环环路图像的集合；接收对每个循环环路图像进行分类的用户输入；通过使机器学习系统提供分类并且对照用户输入验证所述分类来测试机器学习系统；以及重复测试，直到机器学习系统对循环环路图像进行正确分类。
99.示例20是一种对数据信号进行分类的系统，包括：斜坡生成器，用于从传入波形数据生成斜坡扫描信号；脉冲串检测器，用于定位传入波形数据中的数据脉冲串；脉冲串门，用于接收来自脉冲串检测器的信号，并且使存储器传入波形数据作为y轴数据并且斜坡扫描信号作为x轴数据的形式存储循环环路图像数据；以及机器学习系统，用于接收循环环路图像并且对数据脉冲串进行分类。
100.示例21是示例20所述的系统，其中从被测存储器设备采集传入波形数据，并且其中所述机器学习系统将数据脉冲串分类为由被测存储器设备的写操作或读操作之一产生。
101.说明书中公开的所有特征，包括权利要求、摘要和附图，以及公开的任何方法或过程中的所有步骤，可以以任何组合进行组合，除了其中这样的特征和/或步骤指代至少一些相互排斥的组合之外。除非另有明确说明，否则说明书（包括权利要求、摘要和附图）中公开的每个特征都可以被用于相同、等同或类似目的的替代特征所替换。
102.尽管出于说明目的已经对特定实施例进行了说明和描述，但是应当理解，在不脱离本公开精神和范围的情况下，可以进行各种修改。因此，除了如由所附权利要求限制的那样之外，本发明不应受到限制。
1.相关申请本公开要求保护于2020年6月11日提交的题为“pam4 cyclic eye image representation for waveform data”的美国临时专利申请no.63/038,040、于2020年6月15日提交的题为“read/write burst separation and measurement using novel cyclic eye plot and machine learning”的美国临时专利申请no.63/039,360、于2020年6月18日提交的题为“cyclic eye image representation for waveform data”的美国临时专利申请no.63/041,041以及于2021年4月21日提交的题为“cyclic eye with machine learning for measuring or tuning an optical transmitter”的美国临时专利申请no.63/177,930的权益，上述美国临时专利申请中的每一个特此通过引用以其整体并入本文。
2.本公开涉及以下专利申请：具有标题“system and method for separation and classification of signals using cyclic loop images”的于2021年6月11日提交的美国专利申请17/345,342（atty-dkt 12222-us1）、具有标题“a cyclic loop image representation for waveform data”的于2021年6月11日提交的美国专利申请17/345,283（atty-dkt 12223-us1）以及具有标题“system and method for multi-level signal cyclic loop image representations for measurements and machine learning”的于2021年6月11日提交的美国专利申请17/345,312（atty-dkt no. 12224-us2）。
技术领域
3.本公开涉及标识双向总线中的数据，更特别地涉及标识数据方向并且对其进行分类。
背景技术：
4.在一些情形下，标识双向总线上采集的数据脉冲串（burst），并且对数据信号正在行进的方向进行分类是有用的。如果像示波器之类的测试和测量仪器具有无限的信道，则它将提供采集所需命令总线的能力，以在这样的双向总线上分离读和写脉冲串。然而，当只有一个或两个探头可用时，这就成为了一个挑战。
5.这样的信号的示例在ddr5存储器中，即双倍数据速率存储器版本5存储器的标准。这表示计算存储器的下一个重大改变，即提高速度和密度，但保持类似尺寸的dimm（双列直插式存储器模块）。如在探头点处看到的，读操作和写操作之间的系统信道特性显著不同。读信号必须与写信号分离地处理和测量，所以它们必须被分离。
6.用户经常使用眼图来分析信号，之所以称为眼图是因为两个波形之间的开口看起来像眼睛。但是，相同印刷电路板（pcb）材料上的存储器速度的增加导致波形图对于到达存储器的写数据脉冲串具有“闭合的”眼睛。ddr5 dram支持从3200 mt/s至6400 mt/s的数据速率。这种数据速率的提高在不改变数据引脚的信令方案的情况下实现，即dq总线仍然是单端的——与ddr3/4相同。然而，由于ddr5信道中存在许多阻抗失配点，因此由于反射所致的符号间干扰（isi）预期会增加。在4800 mt/s或更高的数据速率下，dram探头点（例如焊
球）处的数据眼预期是闭合的。在ddr5 dram接收器中实现了4抽头dfe，以帮助均衡dq信号并缓解这一问题。
7.虽然其上安装存储器的dimm pcb和板的大小保持不变，但是存储器的大小加倍。此外，示波器通常仅具有四个信道，从而限制了可采集用于分析和测试的并行数据、时钟和命令地址线的数量。
8.通常，dqs时钟选通（strobe）信号和dq数据信号是最感兴趣进行分析的。需要两个探头。在每个数据脉冲串之前，前同步码出现在dqs信号上，并且这可以用于定位读或写数据脉冲串的开始。过去，对于像ddr3/ddr4之类的先前的ddr dram协议，读和写脉冲串之间存在相位差，这意味着写脉冲串上的dqs和dq是中心对准的，并且读脉冲串上的是边沿对准的。此外，命令总线具有分离的we（写使能）、ras（行访问选择）、cas（列地址选择）信号可用，其用于标识读或写脉冲串。然而，ddr5用紧凑的14引脚命令地址（ca）总线替换了we/cas/ras信号，并且需要解码来找出读/写命令。这通常意味着获得对所有14个ca引脚的访问，这是不切实际的。此外，dqs和dq信号之间不再存在像ddr4/ddr3中那样明显的相位差。在ddr5中，写路径上的dqs和dq可以具有高达3 ui（单位间隔）的固定偏移，该偏移在引导过程期间进行编程。
9.因此，需要一种仅使用数据线以便标识脉冲串信号是读还是写的方法。所公开的装置和方法的实施例解决了现有技术中的缺点。
附图说明
10.图1示出了循环环路图像的表示。
11.图2示出了ddr5存储器数据脉冲串信号的示例。
12.图3示出了具有来自失配负载的反射的ddr5存储器数据脉冲串信号的示例。
13.图4示出了ddr5存储器数据脉冲串信号的示例，其具有来自失配负载的反射，并且具有迹线符号间干扰（isi）损失。
14.图5示出了写操作的测试探头和失配负载之间的迹线。
15.图6示出了读操作的测试探头和失配负载之间的迹线。
16.图7示出了与两个实际测量迹线相比，由指数方程建模的迹线损失图。
17.图8示出了用于创建和分析循环环路图像的系统的实施例。
18.图9示出了用于创建循环环路图的波形的示波器屏幕的示例。
19.图10示出了循环环路图像的示例。
20.图11示出了没有反射且没有isi的dq随机数据信号和所得到的循环环路图像的示例。
21.图12示出了标准yt迹线显示的测量示例。
22.图13示出了测量反射延迟的示例。
23.图14示出了测量系数的示例。
24.图15示出了使用循环环路图来测量反射系数的示例。
具体实施方式
25.本公开的实施例解决了标识双向总线上采集的数据脉冲串并且对数据行进方向
进行分类的问题。对于ddr5存储器的情况，示波器一般没有信道和/或被测设备（dut）没有足够的空间用于连接足够的探头以采集所需的命令总线线路来在读和写数据脉冲串之间进行区分。然而，如在探头点处看到的，系统信道特性在读和写操作之间显著不同。读信号必须与写信号分离地处理和测量。这里的实施例解决了仅使用一个或两个探头执行这种分离的需要。实施例的一个方面在于使用比传统眼图更稀疏的独特循环环路图像。循环环路图像更聚焦于信号边沿，它包含了表征系统响应的大部分信息。
26.实施例利用装置和方法来创建循环环路图像作为传入信号的xy绘图。实施例的循环环路图像便于许多测量，并且提供了简化的图像，所述简化的图像适用于用作例如现有的预训练神经网络或其他机器学习系统的输入，用于对特定数据脉冲串中的读相对于写进行分类。实施例还可以应用于其他二进制编码信号，诸如不归零（nrz）或多电平信号，诸如脉冲幅度调制信号（例如pam4）。这些实施例还解决使用与机器学习相耦合的循环环路图像，以便对存储器系统执行读和写分离。图1示出了循环环路图10的示例。
27.实施例使用简单但鲁棒的算法创建输入信号的xy绘图。垂直y轴由信号本身组成。对于ddr5应用，该信号通常将是dq数据脉冲串信号或dqs数据选通时钟信号。水平x轴由通过处理dq或dqs信号创建的扫描信号组成。这种处理仅在数据模式中的边沿转变处创建独特的线性或稍微线性的斜坡扫描信号。在信号电平不改变的间隔——例如长间隔的高电平或长间隔的低电平——内不会出现斜坡。这采取了不同于经典lissajous图的独特方法。实施例自动定位这些斜坡，使得xy信号路径是包含环路上侧上方的所有上升沿和环路下侧的所有下降沿的闭合环路线。
28.由于系统中的边沿包含定义系统传递函数的大部分信息，因此该简单图像导致在一个图像中捕获波形的所有循环的循环显示，并且其消除了典型眼图将包含的大量额外的不必要的数据点。取决于波形特性，所得到的绘图可能具有与磁滞bh绘图的外观相似性。然而，在水平斜坡创建和它们如何生成以及它如何应用于prbs（伪随机二进制序列）数据模式的各方面中存在显著差异。
29.主要优势在于实现的简单性及其鲁棒性。总体方法表示了用于创建x轴斜坡状信号的若干种方法。下面关于图8讨论的特定实施例解决了复杂度和处理速度方面的简单过程。这种方法可能会在边沿形状上产生一些失真。出于机器学习系统识别的目的，该方法将提高计算速度，同时仍然允许机器学习算法对其进行分类。例如，机器学习系统可以通过仅观察dqs或dq信号来对存储器系统中的读操作相对于写操作进行分类。
30.人们应当注意的是，虽然下面的讨论涉及存储器信号的分类，但是实施例不限于该应用。不应推断出这样的限制。实施例可以用于其他双向系统，其中系统特性可以取决于信号传播的方向而不同。此外，信号可以由以下信号组成：读或写数据脉冲串信号、或者像不归零（nrz）信号之类的具有两个电平的任何二进制编码信号、或者诸如pam4的具有多于两个电平的脉冲幅度调制信号。
31.循环环路图像是简化绘图，其具体示出了信号属性，诸如系统响应、与下降沿相比较的上升沿的非线性、snr、幅度、反射延迟、反射系数等。所创建的xy图像具有减少波形显示的不必要部分并仅示出对写操作系统响应和读操作响应之间的差异进行分类所需的重要属性的方法。表示系统的减小的图像大小和简化的闭环路径充当预存在的、预训练的图像处理神经网络或其他机器学习网络或系统的理想输入。此外，可以使用循环环路图像进
行如上面所描述的多次测量。
32.一旦dqs和dq脉冲串已经被分类并分离成分离的波形，这些波形的幅度就为时间的函数，并可以利用操作进一步处理，所述操作诸如创建虚拟测试点滤波器以移动实际探头点的视图。这移除了与传输线不匹配的存储器负载的反射的阶跃。它实际上不会移除反射，但是它移除来自反射的延迟，从而导致上升沿和下降沿中没有阶跃，但是幅度通常会因反射而增加。在ddr5以及其他可能的应用的情况下，dfe均衡器被应用于分离的写脉冲串。最后，经处理的波形可以由ddr兼容应用或抖动分析应用软件来处理以供进一步分析。
33.因此，实施例需要并解决的是仅使用dqs和/或dq数据线来标识脉冲串信号是读还是写的方法。这些实施例还利用独特的方式来创建循环环路图像，而不是传统的眼图，以便于许多测量。该循环环路提供了一种简化的图像，该简化的图像适用于输入到现有的预训练神经网络，以用于对读信号脉冲串相对于写信号脉冲串进行分类。
34.图2-4示出了dqs脉冲串信号的示例。图2示出了ddr5存储器系统中的理想dqs脉冲串信号12的示例。图3示出了包括来自失配负载的反射的ddr5存储器dqs脉冲串信号14的示例。图4示出了ddr5 dqs信号16的示例，其具有来自失配负载的反射，并且具有迹线符号间干扰（isi）损失。
35.系统传递函数允许在读数据脉冲串和写数据脉冲串之间进行区分，因为两者之间通常不同。系统硬件对于读操作相对于写操作具有不同的特性。传输线端部处的负载可能不同。存储器发射器处的电压幅度可能不同于soc（片上系统）发射器处的电压幅度。反射的延迟时间可能不同。
36.此外，在许多情形下，探头物理连接到安装到非常接近存储器芯片且远离soc的插入器板。图5示出了来自测试和测量仪器26的探头22和失配的存储器负载24之间的被测设备上的迹线20。迹线20很短，其中在探头22点处观察到的信号具有大的反射。这导致高的反射系数和小的延迟。这导致探头点处的脉冲幅度大于来自soc 28的入射脉冲幅度。然而，从soc到探头22点的长迹线30将具有损失，这将导致来自soc的信号幅度的损失。因此，迹线isi损失倾向于降低探头点处的脉冲幅度，并且存储器反射系数倾向于增加该点处的幅度。此出现是因为存储器负载的阻抗大于传输线阻抗。这是典型的ddr5系统利用插入器32探测写操作的情形。
37.图6示出了读操作。对于这种情况，存储器24已经变成了发射器。通常通过插入器32连接的探头22仅通过具有低损失的短迹线34与存储器24分离。这使得探头22处的入射脉冲在幅度上类似于存储器传输的脉冲。信号然后沿着长迹线36行进到soc 28，具有大的阻抗失配，这将一些信号反射回到探头22。长迹线36具有反射信号的高损失降低幅度。该反射信号返回到探头22，并且通常增加在探头处看到的幅度，因为soc 28负载阻抗大于传输线特性阻抗。对于这种情况，延迟时间要更长得多，并且soc负载可能不同于其是接收器时的存储器负载。
38.可以通过对由探头22以及测试和测量仪器26（诸如示波器）采集的波形进行几次光标测量，来计算反射的延迟时间和反射系数值。然后，如果soc负载已知，则可以在给定反射系数和soc负载值的情况下计算迹线阻抗。或者如果迹线阻抗、即特性阻抗是已知的，则可以计算soc阻抗。即使用标准传输线理论方程：
其中z是soc存储器负载，并且z0是长迹线传输线阻抗。是反射系数。
39.总的来说，对于ddr5模型示例，影响脉冲形状的主要系统特性为：1）可以由单个参数表示的长迹线的损失，2）反射的延迟，3）反射系数，和4）发射器的输出电压增益常数k。基于观察工业中的若干示例，看来该模型在定义可以模拟在这些系统中观察到的波形类型的系统方程方面表现得相当好。这些参数可以被配置到下面在方程（6）中所示出的频域方程中。该模型近似图5和图6中所示出的系统的响应。
40.创建建模的传递函数h的第一步骤，以对soc和探头点之间的长迹线长度进行建模，如（2）中所示。其中，n是从dc到采样速率fs的样本中频域向量的长度。n的值是频域中各种样本的索引。
41.的值是确定不同pcb迹线长度的损失特性的常数。指数项仅定义幅度响应。为了分配适当的相位响应，最小相位响应可以从（4）获得。其中，rceps是返回y的最小相位脉冲响应的matlab函数。其中h现在是从soc到探头点的pcb迹线的建模的最小相位频率响应。其中，fs是以hz为单位的采样速率，并且n是频率指数，以及n是从dc到fs的样本数。是反射系数，并且是反射延迟。方程（2）中指数为的部分创建了与典型pcb迹线紧密匹配的幅度滚降，如图7中所示。因此，是确定创建哪个损失绘图的变量，如图7中的绘图中所示，x（n）表示模型的输入处的信号。
42.先前的讨论已经描述了ddr5存储器读相对于写分离所需的系统建模和测量问题。这为理解为什么需要本公开的实施例奠定了基础。
43.设置机器学习应用时通常使用的第一个程序是数据简化。例如，存在越多参数和数据输入被输入到机器学习算法中，就越难得到唯一正确的解决方案。此外，更多的输入数据需要更多的训练时间和更多的运行时处理。因此，第一步骤是观察所有输入参数和数据，并确定哪些参数和哪个数据对结果影响很小。这些项作为系统的输入应被消除。
44.上面的讨论呈现了理解ddr波形中常见形状所需的一组四个最基本元素。那四个参数是：，其表示模型中的长迹线isi；和，其表示反射延迟时间；以及，其表示反射系数；以及k，其表示写操作的soc传输和读操作的来自存储器的存储器传输幅度之间的幅度差常数。除了k之外，这三个参数可能影响isi、符号间干扰。的值表示由于迹线损失所致
的isi，并且反射系数和延迟表示由于负载失配阻抗引起的反射所致的isi。
45.图8示出了用于对数据脉冲串信号进行分类的系统的实施例。系统脉冲响应可以以多种不同方式查看和导出。例如，作为时间的函数的幅度波形图是一种方式。然而，从不同的比特率和不同的数据模式以及如何合并它的意义上来说，将该视图给予机器学习系统是存在缺点的。同样，信号可以在频域和倒谱域中查看。然而，如果试图将这些视图用于机器学习系统的输入，则存在如下问题：信号模式干扰试图查看系统响应的视图。需要去卷积。存在许多问题和细节使得实现这些视图难以设置和处理。
46.例如，可能需要复杂的时钟恢复技术，并且可能需要复杂的门控和内插作为去卷积过程的一部分。存在其他问题，诸如插入器的短反射延迟导致倒谱和频谱视图的分辨率问题。大的isi使得提取关键特征更加困难。
47.这里的实施例解决了这些其他方法中涉及的问题，并生成了循环环路图像，该循环环路图像将所有边沿转变捕获到单个闭环xy绘图中，该闭环xy绘图简单地在跨输入数据记录的整个长度的相同路径上循环。输入数据可以是脉冲串间隔期间的时钟信号，诸如在ddr5存储器系统中。输入信号可以是随机数据模式，诸如在ddr5存储器系统中的dq脉冲串间隔中。虽然这里没有示出，但是（一个或多个）输入信号可以经历内插或抽取，以增加或减少填充在所得到的图像中的样本数量，或者减少人工智能/机器学习系统中使用的数据量。减少数据量通常被称为降维，允许机器学习系统更高效且准确地运转。该系统还可以从传入信号减去传入信号的均值，以从传入信号移除dc偏移。
48.如上所述，输入信号可以是具有高电平和低电平的包括边沿转变的任何种类的波形，其中边沿转变的位置由系统时钟确定。x轴信号被视为从输入信号导出的线性扫描斜坡信号，或斜坡状的信号。这可以被认为是依据标准示波器水平扫描斜坡。该斜坡与输入信号直接同步，因为它依赖于输入信号生成。
49.上面提及的相关专利申请详述了生成循环环路图像及其相关联数据的不同方法。对于循环环路图像创建的特定实施例的示例，水平扫描斜坡是通过首先将输入信号运行通过创建输入信号的方波脉冲表示的电路来生成的，所述电路在这里称为限幅器电路42、43。在一个实施例中，该电路将该信号乘以一个大的值，例如500，并且然后如果该信号大于零，则它被分配给一个理想的高值常数，该常数将与输入电压标称高电平相同。如果信号小于或等于零，则它被分配给低电平常数值。在图8的实施例中，输入信号dq通过限幅电路43，并且dqs信号通过限幅器电路42。
50.在限幅电路之后，信号通过短期积分器40和45。在这个实施例中，积分器采用矩形窗（boxcar）滤波器的形式。矩形窗滤波器的宽度应当等于输入信号的一个ui的宽度。由于存在整数数量的系数，因此给定采样速率下的系数数量可以等于ui间隔、或者可以等于小于ui宽度的采样间隔的一部分。这在输入信号的正边沿时间段期间创建正向斜坡状信号，并且在输入信号的下降沿期间的时间段内创建负向斜坡状信号。对于不存在边沿的多个ui的长间隔，不存在斜坡，这是这种方法的一个独特特征。这导致仅正边沿位置和负边沿位置显现在循环环路图像的闭环路径中。
51.没有边沿的多个ui间隔的所有数据都在图像中，但是仅在屏幕上的两个位置处，使得仅示出系统模型特性的边沿在图像中非常简单的环形路径中完全可见。如果isi很高，那么围绕环路所遵循的路径将存在更大的变化。这将使得循环环路的中心更加闭合。对于
每个ui都改变的时钟信号，整个波形数据集在xy循环环路显示上围绕相同的闭环路径重复跟踪。这也是一个新颖的方面，因为所有的边沿都沿着循环路径被跟踪。这导致循环环路图像不具有像传统眼图中那样的大量正边沿和负边沿的重叠，所述重叠模糊了许多信号细节。
52.脉冲串检测器44检测读和写数据的脉冲串。必须检测每个数据脉冲串，使得可以将其作为读或写操作进行处理和分类。对于ddr5，脉冲串检测可以通过观察dqs时钟信号来完成。它保持在零处，直到脉冲串开始为止。存在若干ui间隔的前同步码，对于一行中的多于一个ui，该前同步码将具有低电平。该前同步码出现在dqs信号上。这是检测脉冲串开始的基础。此后，脉冲串中的dqs信号在每个ui在高电平和低电平之间交替。dq信号将在每个ui间隔处包含随机的高电平和低电平。
53.脉冲串门46和48基于来自脉冲串检测器的信号来控制用于产生循环环路图像的数据。在图8的实施例中，脉冲串门包括在输入信号和来自脉冲串检测器的1或0输入之间的乘法器。主系统控制器76将对整个系统排序，使得一次仅处理和分类一个脉冲串。
54.该系统可以创建一个或两个绘图，诸如50和52，一个绘图52具有在垂直轴上的采集的dqs，以及在水平x轴上的应用于dqs信号的限幅器和矩形窗滤波器的扫描斜坡输出。第二绘图50将具有在y轴上的dq信号和从应用于dq信号的循环环路算法创建的扫描斜坡。这两个绘图可以被表示为两个相对低分辨率的循环环路图像，其可以被用作深度学习神经网络的输入以进行训练用于分类。这两个绘图也可以渲染在显示屏上，供用户分析和用于测量输入波形dq和dqs的各种特性。在一些实施例中，系统可以将循环环路图像数据存储在存储器（未示出）中，并且不必将循环环路图像渲染在显示器上。
55.该系统可以使用测量单元54进行多次测量，根据观察循环环路图像或用于形成循环环路图像的数据来进行测量。这些测量可以可选地用作部分机器学习的参数输入。测量中的一些可以用于标识系统模型是由读还是由写组成。测量单元54可以包括一个或多个硬件电路、软件测量例程或硬件和软件实现的任何组合。
56.测量示例包括反射延迟、反射系数、isi、信噪比（snr）和非线性。该系统可以获得从环路的中心到反射延迟的闭环上的正确点的两条径向线之间的角度。该角度被转换成反射的时间延迟。由于上升和下降沿显现在xy显示中，因此可以测量入射和反射信号的比率，并可以计算反射系数。当迹线isi低时，这是最准确和最容易做到的。当迹线isi高时，变得更难以判断从哪里开始测量，并且变得不太准确。isi的相对值可以通过观察环路的总外径和环路的内径来获得。其中的一些将是由于噪声。但在无噪声系统中，没有isi被转化成单个细线环路路径。相比之下，高isi封闭了环路，并加宽了环路路径厚度。
57.此外，根据这些其他测量，系统可以计算信噪比。发射器的非线性对于下降沿相对于上升沿具有不同的边沿形状或斜率，这种非线性将很容易在循环环路的对称性中表现出来。测量可以将这种线性表示为单个数值，该数值可以充当机器学习的输入。
58.实施例的另一方面包括将测量组合到显示图像中。上面各种测量可以充当机器学习的输入参数。将它们输入到处理图像的现有经训练神经网络中的一种方法是将它们作为条形图或其他格式的数字编码数据合并到图像中。以这种方式，所提取的参数连同实际波形图像一起工作，以帮助分类过程。
59.机器学习系统56接收循环环路图像作为输入。系统或网络56的主要目的是观察循
环环路图像连同放置到图像中的任何数字编码的所提取的参数，然后将图像中表示的波形分类为写脉冲串或读脉冲串。可以存在训练阶段57，其中向网络呈现多个读和写循环环路图像的示例，以训练网络如何分类。在训练时段之后，输入图像由经训练的网络进行分析，并被分类为读或写。
60.机器学习系统56可以具有以下输入。循环环路xy绘图图像示出循环闭环路径，其将所有边沿重叠到路径中。所提取的测量参数（如果有的话）以分离图像的某种其他形式、或者作为数字向量、或者可以设计的其他形式被插入在循环环路图像中提供。当插入在图像中时，它可以具有简单的条形图或多个条形图或pi-chart形状的对象等的形式。例如，作为训练过程57的一部分，用户输入菜单72将允许用户观察所采集的脉冲串的循环环路图像，并告诉机器哪个是读，以及哪个是写。一旦机器知道哪个是哪个，它就可以在运行时过程58中从该点开始对它们进行分类。
61.这对于读和写之间没有非常大差异的系统或者对于上面所描述的关键模型假设不相同的系统将是有用的。例如，可以不存在插入器，并且探头可以定位在更接近中间总线的位置，在那里读反射的延迟可以与写反射的延迟相同，等。该系统还具有用户输入菜单74，其允许输入各种系统参数，诸如存储器负载、迹线阻抗、插入器使用和位置等。
62.机器学习系统56在读或写时输出经分类的数据脉冲串信号。块66或62创建多脉冲串波形。在一个实施例中，这可以包括将每个检测到的脉冲串连结成仅包含读脉冲串或写脉冲串的单个波形。在创建多脉冲串波形之后，可以为每个波形计算去嵌入滤波器64和68。由于读与写的系统传递函数不同，因此每个波形都将存在不同的滤波器。这些滤波器还将使插入器处的探头测试点移动到存储器或soc处的虚拟探头测试点。最优地，对于dq信号，可以应用dfe均衡器70。机器学习系统56还可以提供测量60的结果。
63.系统控制器76可以由控制和排序整个系统的通用处理器组成，或由测试和测量设备上的处理器组成，或分布在它们之间。系统控制器也可以跨若干处理器、云计算等分布。处理器可以被配置为执行代码，该代码使得处理器提供所有的处理功能，用于测量和神经网络或者可以采用的其他类型的机器学习。显然，该系统的任何部分都可以在其他类型的处理器（诸如asic、gpu、fpga等）上实现。
64.图9示出了示波器屏幕上用于制作循环环路图像的波形的示例。在该视图中，看起来有些正弦的波形是dqs时钟信号80。限幅器的输出被示出为方波82。斜坡信号是84处的矩形窗滤波器的输出。
65.图10示出了循环环路图像的示例。左边是高isi dqs写信号。中间是dqs读信号，其中反射是可见的。右边是dqs读和写这二者的叠加。图11示出了dq随机脉冲电平90和具有仅出现在dq信号的边沿转变期间的斜坡的相关联斜坡扫描信号92的示例，以及从dq信号90和斜坡扫描信号92构造的循环环路图像94。
66.可以根据如图12中所示出的标准yt迹线显示来测量探头和存储器负载之间的反射延迟。然后根据如下的（7）计算迹线延迟：延迟=t / 2
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（7）。
67.图13示出了如何使用循环环路图像测量迹线延迟，其中延迟表示为以度为单位的。对于这两种情况，波形示出无迹线isi损失，以便简化视图以示出在其处测量相位角的点，从而计算反射延迟时间。
68.延迟时间可以根据（8）计算。穿过环路的一个完整路径是360度，这是一个循环。对于nrz型信号，一个循环是两个ui或两个比特。其中以度为单位，并且延迟具有秒的单位。信号的数据速率是nrz型信号的比特率。
69.可以在如图14中所示的标准yt型波形显示上测量探头和存储器之间短迹线的反射系数。反射系数然后计算如下：。
70.一旦反射系数已知，就可以计算负载阻抗z或特性阻抗z0（如果其中之一已知的话）。
71.可以使用如下面的图15中所示出的循环环路图像测量反射系数。
72.以这种方式，系统可以创建和使用新的循环环路图像，并且可选地在图像中包括测量编码条形图。然后在深度学习环境中使用这些图像，以通过对信号进行分离和分类以供分析和其他用途，来确定信号的性质并且对其进行分类。
73.本公开的各方面可以在特别创建的硬件、固件上、数字信号处理器或包括根据编程指令操作的处理器的特殊编程的通用计算机上操作。如本文中使用的术语控制器或处理器旨在包括微处理器、微计算机、专用集成电路（asic）和专用硬件控制器。本公开的一个或多个方面可以体现在计算机可用数据和计算机可执行指令中，诸如由一个或多个计算机（包括监视模块）或其他设备执行的一个或多个程序模块中。一般而言，程序模块包括例程、程序、对象、组件、数据结构等，其在由计算机或其他设备中的处理器执行时执行特定的任务或实现特定的抽象数据类型。计算机可执行指令可以存储在非暂时性计算机可读介质上，所述非暂时性计算机可读介质诸如硬盘、光盘、可移除存储介质、固态存储器、随机存取存储器（ram）等。如本领域技术人员应当领会的，程序模块的功能性可以根据期望在各个方面中进行组合或分布。此外，该功能性可以全部或部分体现在固件或硬件等同物中，诸如集成电路fpga以及诸如此类。特定的数据结构可以用于更有效地实现本公开的一个或多个方面，并且这样的数据结构被设想在本文中描述的计算机可执行指令和计算机可用数据的范围内。
74.在一些情况下，所公开的方面可以以硬件、固件、软件或其任何组合来实现。所公开的方面还可以实现为由一个或多个或非暂时性计算机可读介质携带或存储在其上的指令，所述指令可以由一个或多个处理器读和执行。这样的指令可以被称为计算机程序产品。如本文中所讨论的，计算机可读介质意味着可以由计算设备访问的任何介质。作为示例而非限制，计算机可读介质可以包括计算机存储介质和通信介质。
75.计算机存储介质意指可以用于存储计算机可读信息的任何介质。作为示例而非限制，计算机存储介质可以包括ram、rom、电可擦除可编程只读存储器（eeprom）、闪速存储器或其他存储器技术、致密盘只读存储器（cd-rom）、数字视频盘（dvd）或其他光盘存储装置、盒式磁带、磁带、磁盘存储装置或其他磁存储设备，以及以任何技术实现的任何其他易失性
或非易失性、可移动或不可移动介质。计算机存储介质不包括信号本身和信号传输的暂时形式。
76.通信介质意指可以用于计算机可读信息通信的任何介质。作为示例而非限制，通信介质可以包括同轴线缆、光纤线缆、空气或适用于电、光、射频（rf）、红外、声或其他类型信号通信的任何其他介质。
77.附加地，该书面描述参考特定特征。应当理解，本说明书中的公开内容包括那些特定特征的所有可能的组合。例如，在特定方面的上下文中公开了特定特征的情况下，该特征也可以尽可能地用于其他方面的上下文中。
78.此外，当在本技术中引用具有两个或更多个定义的步骤或操作的方法时，定义的步骤或操作可以以任何次序或同时实行，除非上下文排除了那些可能性。
79.示例下面提供了所公开技术的说明性示例。所述技术的实施例可以包括下面描述的示例中的一个或多个以及任何组合。
80.示例1是一种对信号进行分类的系统，包括：输入，用于接收传入波形数据；存储器；以及一个或多个处理器，被配置为执行代码以使所述一个或多个处理器：从传入波形数据生成斜坡扫描信号；使用脉冲串检测器定位传入波形数据中的数据脉冲串；从脉冲串检测器接收信号，以使存储器以传入波形数据作为y轴数据并且斜坡扫描信号作为x轴数据的形式存储循环环路图像数据；以及采用机器学习系统来接收循环环路图像数据并且对数据脉冲串进行分类。
81.示例2是示例1所述的系统，进一步包括测试和测量仪器，用于从被测设备采集传入波形数据。
82.示例3是示例1或示例2所述的系统，其中使所述一个或多个处理器从传入波形数据生成斜坡扫描信号的代码进一步包括使所述一个或多个处理器进行如下各项的代码：使用限幅器从传入波形数据生成方波脉冲信号；以及使用积分器基于方波脉冲信号生成斜坡信号并将斜坡信号传输到脉冲串门。
83.示例4是示例3所述的系统，其中所述积分器包括矩形窗滤波器。
84.示例5是示例1-4中任一项所述的系统，进一步包括使用循环环路图像数据进行测量的测量单元。
85.示例6是示例5所述的系统，其中所述测量包括反射延迟、反射系数、符号间干扰、信噪比和非线性中的一个或多个。
86.示例7是示例5所述的系统，其中所述测量单元将测量发送到机器学习系统。
87.示例8是示例1-7中任一项所述的系统，进一步包括用于从来自机器学习系统的经分类的数据脉冲串创建多脉冲串波形的连结器。
88.示例9是示例8所述的系统，进一步包括应用于多脉冲串波形的滤波器。
89.示例10是示例1-9中任一项所述的系统，进一步包括用于协调系统操作的系统控制器。
90.示例11是一种对信号进行分类的方法，包括：从传入波形数据生成斜坡扫描信号；定位传入波形数据中的数据脉冲串；以传入波形数据作为y轴数据并且斜坡扫描信号作为x轴数据的形式存储数据脉冲串的循环环路图像数据；以及使用机器学习系统来接收循环环
路图像并且对数据脉冲串进行分类。
91.示例12是示例11所述的方法，进一步包括从用户接收系统参数。
92.示例13是示例11或12所述的方法，其中生成斜坡扫描信号包括：从传入波形数据生成方波脉冲信号；以及对方波脉冲信号进行积分以产生斜坡扫描信号。
93.示例14是示例13所述的方法，其中通过矩形窗滤波器对方波脉冲信号执行积分。
94.示例15是示例11-14中任一项所述的方法，进一步包括使用循环环路图像数据进行测量。
95.示例16是示例15所述的方法，其中进行测量包括测量反射延迟、反射系数、符号间干扰、信噪比和非线性中的一个或多个。
96.示例17是示例15所述的方法，进一步包括将测量发送到机器学习系统，其中所述机器学习系统使用循环环路图像数据和测量对数据脉冲串进行分类。
97.示例18是示例11-17中任一项所述的方法，进一步包括从来自机器学习系统的经分类的数据脉冲串创建多脉冲串波形。
98.示例19是示例11-18中任一项所述的方法，进一步包括训练机器学习系统，所述训练包括：提供循环环路图像的集合；接收对每个循环环路图像进行分类的用户输入；通过使机器学习系统提供分类并且对照用户输入验证所述分类来测试机器学习系统；以及重复测试，直到机器学习系统对循环环路图像进行正确分类。
99.示例20是一种对数据信号进行分类的系统，包括：斜坡生成器，用于从传入波形数据生成斜坡扫描信号；脉冲串检测器，用于定位传入波形数据中的数据脉冲串；脉冲串门，用于接收来自脉冲串检测器的信号，并且使存储器传入波形数据作为y轴数据并且斜坡扫描信号作为x轴数据的形式存储循环环路图像数据；以及机器学习系统，用于接收循环环路图像并且对数据脉冲串进行分类。
100.示例21是示例20所述的系统，其中从被测存储器设备采集传入波形数据，并且其中所述机器学习系统将数据脉冲串分类为由被测存储器设备的写操作或读操作之一产生。
101.说明书中公开的所有特征，包括权利要求、摘要和附图，以及公开的任何方法或过程中的所有步骤，可以以任何组合进行组合，除了其中这样的特征和/或步骤指代至少一些相互排斥的组合之外。除非另有明确说明，否则说明书（包括权利要求、摘要和附图）中公开的每个特征都可以被用于相同、等同或类似目的的替代特征所替换。
102.尽管出于说明目的已经对特定实施例进行了说明和描述，但是应当理解，在不脱离本公开精神和范围的情况下，可以进行各种修改。因此，除了如由所附权利要求限制的那样之外，本发明不应受到限制。
再多了解一些
本文用于创业者技术爱好者查询，仅供学习研究，如用于商业用途，请联系技术所有人。
