解释智能回归测试选择算法
解读
在国内SoC/ASIC项目里，回归测试动辄几万条用例、几十小时仿真，一旦RTL改动就“全量跑一遍”的做法已无法承受Tape-Out窗口压力。
“智能回归测试选择”（Intelligent Regression Test Selection, IRTS）就是利用静态+动态分析，自动识别“本次代码变更可能影响到的用例集合”，从而把回归量级从“万”级压缩到“百”级甚至“十”级，同时保证缺陷检出率不降低。
面试官问该题，核心想验证三点：
- 是否理解“变更影响传导”原理；
- 能否把算法落地到SystemVerilog/UVM环境；
- 是否具备覆盖率收敛与风险量化的意识。
知识点
- 变更影响分析（CIA）
– 静态：基于RTL语法树、层次化实例、always块敏感信号、跨模块引用（XMR）建立“影响网表”。
– 动态：利用仿真波形回注（Wave-Replay）或FSDB/VCD信号翻转，计算信号级“扇出-扇入”权重。 - 用例-覆盖反向索引（Test-Coverage Inverted Index）
– 每条用例在仿真结束时dump出“覆盖项集合”（covergroup bin、assertion hit、FSM state、toggle、code line）。
– 建立倒排表：覆盖项 → 用例列表，时间复杂度O(1)即可查到“某行代码变更会冲击哪些覆盖项”，进而映射到用例。 - 风险权重模型
– 变更频率、历史缺陷密度、协议关键度、时钟域跨越、低功耗域隔离，分别打分；
– 用XGBoost或轻量级LR训练，输出“用例优先级P值”。 - 静态形式化快速过滤
– 对“只改常数/参数”的变更，先跑JasperGold做“sequential equivalence check”，若证明无功能差异，可直接跳过动态用例。 - 增量覆盖率收敛准则
– 设定“行覆盖率≥98 %且变更相关断言100 % hit”为退出条件；
– 若IRTS选取的用例集达不到，则自动回退到二级用例池（邻居覆盖项），实现“自适应扩容”。 - 工程落地要点
– 与持续集成（Jenkins+GitLab CI）对接，MR触发IRTS；
– 用Python解析diff（git diff --no-index），调用Verible或Slang生成AST，再与倒排表匹配；
– 最终输出YAML清单给LSF/Slurm，只派发“被选中的用例”到回归farm；
– 结果回写Coverage Dashboard，若发现新漏检，自动把漏检用例加入“基线池”，实现模型自迭代。
答案
智能回归测试选择算法分五步：
第一步，提取变更。通过git diff拿到本次提交的修改文件、行号及信号名，利用Verible生成AST，标记出所有受影响的always块、assign语句、接口信号及跨模块引用。
第二步，建立映射。事先在 nightly full-regression 阶段把每条用例的“覆盖指纹”落库，形成“覆盖项→用例”倒排索引；同时把RTL每行代码与可覆盖项做双向绑定。
第三步，计算候选集。将变更点映射到覆盖项，再用倒排索引一次性查到“高概率受影响用例”，形成Candidate List。
第四步，风险排序。引入轻量级机器学习模型：特征包括①变更行历史缺陷数、②信号扇出深度、③协议状态机关键路径标记、④低功耗域隔离属性，输出用例优先级P值；按P值降序取Top-K（K由farm资源与Tape-Out剩余时间动态决定）。
第五步，增量验证与反馈。跑完精选用例后，若行覆盖率≥98 %且变更相关断言全部命中，即判为sign-off；否则自动扩容“邻居覆盖项”对应的用例，直到满足退出条件。整个流程嵌入CI，平均可把回归时间从36小时压缩到2.5小时，缺陷逃逸率<0.3 %，在国内14nm AI芯片项目中已量产验证。
拓展思考
- 若变更位于通用模块（如AXI Interconnect），如何避免“过度选取”导致候选集爆炸？
→ 可引入“模块复用度”指标：若该模块实例数>50，则先对端口信号做“常量传播+等价类合并”，只保留一个代表实例做全量，其余实例用形式化等价检查，显著降低用例规模。 - 面对“时序约束变更”这类不影响功能但影响性能的场景，IRTS如何适配？
→ 需要把SDC约束也纳入变更影响分析：解析约束中的时钟、多周期路径、false path，建立“时序路径→用例”映射；性能回归用例（如DDR带宽测试）会被单独加标签，确保在IRTS中被优先召回。 - 未来结合大模型能否进一步进化？
→ 正在探索用CodeBERT对RTL patch进行语义嵌入，直接预测“最可能失败的用例Top-10”，离线实验显示召回率提升7 %，但需解决GPU资源与代码保密问题，国内头部厂商已在试点私有化部署。