第二章：测试激励基础——激励的类型与覆盖率的关系

大家好，我是老李。做芯片验证这么多年，我越来越觉得一个道理：测试激励的质量，直接决定了验证的成败。你想想看，设计再复杂，如果激励写不好，覆盖率就是虚的，bug 也跑不出来。

这一章，我们来聊聊测试激励的基础。我会结合自己的项目经验，把定向激励、随机激励、约束随机激励这些概念讲透。更重要的是，我会告诉你它们和覆盖率之间到底是什么关系。

2.1 激励的三种基本类型

我个人习惯把激励分成三类：定向、随机、约束随机。这三类各有各的用处，也各有各的坑。

2.1.1 定向激励

定向激励，说白了就是「我明确知道要测什么」。比如我要测一个加法器，我就直接给它输入 3 和 5，然后检查输出是不是 8。

优点：

• 目标明确，能快速验证特定功能
• 调试方便，出问题一眼就能看出来
• 适合回归测试中的关键场景

缺点：

• 覆盖范围有限，你只能测到你想测的
• 写起来费劲，尤其是复杂协议
• 容易遗漏边界情况

2.1.2 随机激励

随机激励，就是让工具自动生成各种输入组合。你想想看，如果让一个加法器随机跑 10000 次，它能覆盖到多少种情况？

优点：

• 覆盖范围广，能发现你没想到的 bug
• 自动化程度高，写一个随机生成器就能跑很多 case
• 适合压力测试和长时测试

缺点：

• 完全随机可能产生大量无效场景
• 覆盖率提升慢，很多随机值其实在重复测同一个功能
• 调试困难，复现问题需要固定种子

2.1.3 约束随机激励

约束随机，就是给随机加一些「规矩」。比如我要测一个 FIFO，我可以约束：写操作和读操作的比例在 3:1 到 1:3 之间，这样既能随机，又能保证场景有效。

优点：

• 兼顾了随机性和有效性
• 能定向覆盖边界条件
• 覆盖率提升效率最高

缺点：

• 约束写不好，可能过度限制随机性
• 调试时约束冲突比较头疼
• 需要一定的经验来设计约束

2.2 激励与覆盖率的关系

很多人问我：「老李，激励和覆盖率到底是什么关系？」

嗯，这个问题问得好。我打个比方：激励就像你撒出去的网，覆盖率就是网眼的大小。网撒得再大，如果网眼太大，小鱼小虾（小 bug）还是会漏掉。

2.2.1 激励决定覆盖率的「广度」

你想想看，如果只写定向激励，你的覆盖率就是「点状」的——只覆盖了你想到的那些点。而随机激励能帮你覆盖到「面」——那些你没想到的输入组合。

举个例子：

// 定向激励：只测几个固定值
write_data(0x0000);
write_data(0xFFFF);
write_data(0xAAAA);

// 约束随机：覆盖整个地址空间
rand bit [15:0] addr;
constraint c_addr {
  addr inside {[0:65535]};
  addr % 4 == 0;  // 对齐约束
}

你看，定向激励只测了 3 个值，而约束随机能测到 16384 个对齐地址。这就是广度上的差异。

2.2.2 激励决定覆盖率的「深度」

广度重要，深度更重要。什么叫深度？就是同一个功能点，你用不同的激励去反复验证。

我记得在一个 AXI 总线项目中，我们测「写响应」这个功能点。定向激励只测了「正常写完成」和「写错误」两种情况。但约束随机能生成：

• 正常写完成
• 写错误（地址不对）
• 写错误（数据不对）
• 写错误（保护属性不对）
• 写错误（多个错误同时发生）
• 写完成但延迟很大
• 写完成但乱序返回

这就是深度。同一个功能点，用不同的激励去「敲打」它，才能发现隐藏的 bug。

2.2.3 覆盖率反馈驱动激励优化

这里我要说一个很重要的理念：覆盖率不是终点，而是起点。

我见过很多团队，跑完一轮回归，看一眼覆盖率报告就完事了。这不对。正确的做法是：

1. 跑一轮回归，收集覆盖率
2. 分析哪些功能点覆盖率低
3. 针对性地优化激励
4. 再跑一轮，看覆盖率是否提升
5. 重复这个过程，直到达标

2.3 三种激励的覆盖率对比

为了让你更直观地理解，我整理了一个对比表：

你看，约束随机在三种覆盖率上表现都比较均衡。这也是为什么它成为主流的原因。

2.4 知识体系图

下面我用一张 SVG 图来总结本章的核心逻辑：

2.5 避坑指南

最后，我分享几个我在项目中踩过的坑：

好了，这一章就到这里。记住一句话：激励是验证的子弹，覆盖率是瞄准镜。子弹再好，瞄不准也打不中目标。