4. 激励生成基础：$random与$urandom、约束块、随机化类、权重分布

各位同学，今天我们来聊聊验证中最核心的一个话题——激励生成。说白了，就是怎么给我们的DUT（待测设计）喂数据。

我刚入行那会儿，写测试用例都是手动算好每个值，然后一个个塞进去。后来发现，这根本行不通。一个稍微复杂点的模块，手动构造的测试向量连10%的覆盖率都跑不到。嗯，从那时起，我就彻底倒向了随机化验证。

4.1 $random 与 $urandom：随机数的起点

SystemVerilog里最基础的随机函数，就是这两个。很多新手会问：它们到底有什么区别？

函数	返回值范围	特点
$random	32位有符号整数	可能返回负数，每次调用种子自动更新
$urandom	32位无符号整数	只返回正数，行为更可预测

我个人习惯用 $urandom。为什么？因为负数的处理在验证中容易出边界问题，你想想看，地址、长度这些值，哪有负的？

// 基础用法示例
bit [7:0] data;
data = $urandom;           // 生成0-255之间的随机数
data = $urandom_range(100, 50);  // 生成50-100之间的随机数

4.2 约束块：让随机变得有意义

纯随机是没用的。你想想看，如果给一个FIFO的写地址随机生成0到1百万之间的值，但实际设计只支持0到1023，那99.9%的随机都是浪费仿真时间。

约束块就是干这个的——给随机加上边界，让它落在我们关心的区域。

class Packet;
    rand bit [7:0] length;
    rand bit [7:0] payload [$];
    
    // 约束块
    constraint valid_length {
        length inside {[10:100]};  // 长度必须在10到100之间
        length % 2 == 0;           // 长度必须是偶数
    }
    
    constraint max_payload {
        payload.size() == length;
    }
endclass

这里要注意一个细节：约束块是声明式的，不是过程式的。你不需要告诉工具怎么去求解，它自己会找到满足所有约束的解。

4.3 随机化类：把数据和行为打包

有了约束块，我们还需要一个容器来装这些随机数据。这就是随机化类的作用。

SystemVerilog中，用 rand 和 randc 来声明随机变量：

• rand：每次随机化时，变量独立取值
• randc：循环随机，在所有可能值遍历完之前，不会重复

class Transaction;
    rand bit [31:0] addr;
    randc bit [3:0] id;    // 0-15循环随机，不会重复
    
    constraint addr_range {
        addr inside {[0:255], [1024:2047]};
    }
    
    function void display();
        $display("addr=%0d, id=%0d", addr, id);
    endfunction
endclass

// 使用示例
Transaction tr = new();
repeat(20) begin
    assert(tr.randomize());
    tr.display();
end

我个人特别喜欢 randc。为什么？因为它能保证所有ID都被覆盖到。在验证总线仲裁器时，我用randc来生成master ID，确保每个master都能被测试到，而不是随机到某个master被反复测试而其他master被冷落。

4.4 权重分布：控制随机倾向

有时候，我们希望某些值出现的概率更高一些。比如，测试一个缓存模块，我们希望大部分访问命中，少部分访问缺失。这时候就需要权重分布。

SystemVerilog提供了两种权重分布方式：

操作符	语法	说明
:=	value := weight	指定具体值的权重
:/	value :/ weight	指定范围的权重，内部均匀分布

class CacheTest;
    rand bit [1:0] access_type;
    
    constraint weight_dist {
        access_type dist {
            0 := 70,    // 读操作，权重70%
            1 := 20,    // 写操作，权重20%
            2 :/ 10     // 其他操作，权重10%
        };
    }
endclass

我在项目中遇到过这样一个场景：测试一个网络交换机，需要模拟90%的普通包和10%的控制包。用权重分布轻松搞定，而且仿真效率很高。如果用手动构造，你得写一堆条件判断，代码量翻倍不说，还容易出错。

知识体系总览

下面这张图，是我自己总结的激励生成知识体系。每次带新人，我都会先让他们看这张图，建立整体认知。

这张图把四个知识点串起来了。你从下往上看：最底层是随机函数，提供原始随机能力；往上是约束块，给随机加规则；再往上是随机化类，把数据和规则打包；最顶层是权重分布，控制随机倾向。每一层都在前一层的基础上增加了智能性。

好了，关于激励生成的基础，我就讲到这里。记住，验证的核心不是写多少代码，而是用最少的代码覆盖最多的场景。随机化就是实现这个目标的最强工具。