📚 课程目录第4章 DRC规则分类与依赖分析

4. DRC规则分类与依赖分析

在多规则并行验证场景中，规则之间的依赖关系是影响验证效率和结果正确性的关键因素。本章深入分析DRC规则的分类体系、依赖关系类型，以及如何构建无依赖规则集以实现高效的并行执行。

4.1 规则分类体系

DRC规则按检查对象和验证目标可分为三大类：几何规则、电气规则和密度规则。每类规则在验证流程中扮演不同角色，其计算特性和依赖关系也各不相同。

规则类别	检查对象	典型规则示例	计算特性
几何规则	图形形状、间距、包围	最小宽度、最小间距、包围规则	局部计算，依赖邻近图形
电气规则	电学参数、连接关系	天线效应、电流密度、电压降	全局计算，依赖网络拓扑
密度规则	图形分布、面积比例	金属密度、通孔密度、密度梯度	区域统计，依赖全局分布

分类要点：几何规则是DRC的基础，通常最先执行；电气规则依赖几何规则的结果构建网络；密度规则通常独立执行，但可能受几何规则修正影响。

4.2 规则间的依赖关系

规则依赖关系决定了并行验证的可行性。依赖关系主要分为以下三种类型：

数据依赖：规则B需要规则A的输出结果作为输入。例如，天线规则需要先完成金属图形的几何检查。
资源依赖：两条规则共享同一数据源或计算资源，需要协调访问顺序。
逻辑依赖：规则B的检查条件依赖于规则A的检查结果。例如，密度规则需要先确认图形宽度满足最小宽度要求。

    依赖分析实践：在脚本开发中，通过解析规则定义中的输入输出参数，可以自动构建依赖图。依赖图是有向无环图（DAG），用于指导并行调度。

4.3 依赖关系可视化

下图展示了一个典型的DRC规则依赖关系图，包含几何、电气和密度三类规则之间的依赖路径：

4.4 构建无依赖规则集

无依赖规则集是指一组可以同时执行而互不影响的规则集合。构建无依赖规则集是实现并行验证的核心步骤，具体流程如下：

规则依赖图构建：解析所有规则定义，提取输入输出参数，构建有向无环图（DAG）。
拓扑排序：对DAG进行拓扑排序，确定规则的执行层级。
层级分组：将同一拓扑层级的规则归为一组，组内规则无依赖关系。
并行度评估：根据计算资源（CPU核心数、内存）确定每组可并行执行的规则数量。
动态调度：在运行时根据实际资源占用情况动态调整并行策略。

常见陷阱：部分规则可能存在隐式依赖，例如两条规则虽然不直接依赖，但都修改同一层数据。这种情况下需要添加显式依赖声明，避免数据竞争。

4.5 无依赖规则集构建示例

以下代码展示了如何通过脚本自动构建无依赖规则集：

# 规则依赖图构建与无依赖规则集提取
class RuleDependencyAnalyzer:
    def __init__(self, rules):
        self.rules = rules
        self.dag = {}  # 依赖图
        self.indegree = {}  # 入度表
    
    def build_dependency_graph(self):
        """构建规则依赖图"""
        for rule in self.rules:
            self.dag[rule.name] = []
            self.indegree[rule.name] = 0
        
        for rule in self.rules:
            for dep in rule.dependencies:
                if dep in self.dag:
                    self.dag[dep].append(rule.name)
                    self.indegree[rule.name] += 1
    
    def extract_independent_sets(self):
        """提取无依赖规则集（拓扑排序）"""
        queue = [r for r in self.rules if self.indegree[r.name] == 0]
        independent_sets = []
        
        while queue:
            current_set = []
            next_queue = []
            
            for rule in queue:
                current_set.append(rule)
                for dependent in self.dag[rule.name]:
                    self.indegree[dependent] -= 1
                    if self.indegree[dependent] == 0:
                        next_queue.append(
                            next(r for r in self.rules if r.name == dependent)
                        )
            
            independent_sets.append(current_set)
            queue = next_queue
        
        return independent_sets

4.6 并行验证策略对比

不同的并行策略适用于不同的规则集特征，下表对比了三种常见策略：

策略名称	适用场景	优势	劣势
层级并行	依赖层级清晰，层级内规则多	实现简单，资源利用率高	层级间需同步等待
流水线并行	规则链较长，单规则计算量大	减少空闲等待，吞吐量高	调度复杂度高
动态调度	规则计算量差异大，资源波动	自适应性强，鲁棒性好	调度开销较大

    最佳实践：在实际项目中，通常采用层级并行与动态调度相结合的方式。先通过依赖分析确定层级，再在层级内部使用动态调度分配计算资源。

4.7 依赖分析工具链

为了高效管理规则依赖，建议建立以下工具链：

规则解析器：自动解析规则脚本，提取依赖声明和输入输出参数。
依赖可视化工具：生成依赖图，辅助人工审查和调试。
并行调度引擎：根据依赖图和资源约束，自动生成并行执行计划。
结果校验器：验证并行执行结果与串行执行结果的一致性。

通过系统化的规则分类与依赖分析，可以显著提升DRC验证的并行效率，减少验证周期，同时保证验证结果的正确性和一致性。