01
仿真脚本基础
什么是仿真脚本、为什么需要批量运行、脚本语言选型 (Python vs Shell)
概念选型
02
环境准备
Python环境搭建、必要的第三方库安装 (os, subprocess, argparse, logging)
环境库安装
03
第一个自动化脚本
使用subprocess运行单个仿真命令，捕获输出与错误
subprocess实战
04
参数化设计
使用argparse解析命令行参数，让脚本更灵活
argparse灵活
05
批量执行策略
顺序执行、并行执行 (多线程/多进程) 的优缺点与选择
策略并行
06
并行执行实战
使用concurrent.futures模块实现多进程批量仿真
concurrent多进程
07
日志系统搭建
使用logging模块记录每次仿真的开始、结束、状态与错误信息
logging日志
08
结果收集与解析
自动扫描仿真输出目录，提取关键指标 (PASS/FAIL、覆盖率)
解析指标
09
超时处理机制
为每个仿真任务设置超时时间，防止死锁卡死整个流程
超时健壮性
10
重试机制
仿真失败后自动重试，并记录重试次数与最终状态
重试可靠性
11
报告生成
将批量运行结果汇总为CSV或HTML报告，方便查看
报告CSV
12
邮件通知
运行结束后自动发送结果摘要邮件给团队成员
邮件通知
13
配置文件管理
使用YAML/JSON配置文件管理测试用例列表与参数
YAMLJSON
14
测试用例依赖管理
处理用例间的依赖关系 (如B依赖A先运行成功)
依赖拓扑
15
资源竞争与锁机制
多进程访问共享资源 (文件、数据库) 时的冲突解决
锁并发
16
分布式仿真
将任务分发到多台机器上执行，提升整体效率
分布式效率
17
Docker容器化
将仿真环境打包成Docker镜像，确保环境一致性
Docker容器
18
持续集成集成
将批量仿真脚本集成到Jenkins/GitLab CI流水线中
CIJenkins
19
错误分类与告警
对仿真错误进行分类 (编译错、运行时错、超时)，并触发不同告警
告警分类
20
性能监控
监控仿真过程中的CPU、内存、磁盘IO，定位性能瓶颈
监控性能
21
数据可视化
使用matplotlib或plotly绘制仿真结果趋势图
matplotlibplotly
22
回归测试套件
构建每日/每周回归测试集，自动触发并对比基线
回归基线
23
覆盖率合并
合并多个测试用例的覆盖率数据，生成整体覆盖率报告
覆盖率合并
24
随机测试生成
结合脚本自动生成随机测试向量，提高测试覆盖面
随机向量
25
Golden Model比对
将仿真结果与参考模型输出进行自动比对
比对Golden
26
波形自动截取
仿真失败时自动截取关键波形，辅助Debug
波形Debug
27
脚本健壮性
处理异常信号、磁盘满、权限不足等边界情况
健壮性边界
28
版本管理
脚本与测试用例的版本控制，确保可追溯
Git版本
29
实战案例一
基于Verilog仿真器的批量回归测试系统
Verilog回归
30
实战案例二
基于Spice仿真器的批量PVT corner仿真系统
SpicePVT