IEEE 1149.10協(xié)議的多掃描通道同步測試數(shù)據(jù)包優(yōu)化策略

摘" 要： 為了提高IEEE 1149.10協(xié)議中多掃描通道同步測試數(shù)據(jù)包編碼效率，提出一種基于多策略改進(jìn)野狗算法（mMDOA）的多掃描通道數(shù)據(jù)包優(yōu)化方法。首先，多策略改進(jìn)野狗算法使用自適應(yīng)追擊步長與螺旋游走結(jié)合的迫害策略，并通過基于反向精英的食腐策略，幫助算法跳出局部最優(yōu)，提升全局搜索的能力；其次，根據(jù)IEEE 1149.10多掃描通道同步測試數(shù)據(jù)包編碼格式，提出新的掃描通道分組方法，通過掃描數(shù)據(jù)大小和數(shù)據(jù)交織大小計算組內(nèi)掃描通道數(shù)目，以組內(nèi)長度差為目標(biāo)函數(shù)，使用mMDOA選擇組內(nèi)掃描通道。經(jīng)實(shí)驗(yàn)驗(yàn)證，使用mMDOA算法能減少約30%數(shù)據(jù)包數(shù)量，并有效地縮短了數(shù)據(jù)包編碼時間。

關(guān)鍵詞： IEEE 1149.10協(xié)議； 多掃描通道同步測試； 改進(jìn)野狗算法； 螺旋游走策略； 通道分組； 數(shù)據(jù)包編碼

中圖分類號： TN911?34； TP391.76" " " " " " " " 文獻(xiàn)標(biāo)識碼： A" " " " " " " " " " "文章編號： 1004?373X（2025）02?0055?06

Multi?scanning channels synchronous testing packet optimization strategy

in IEEE 1149.10 protocol

YANG Jingbo， HUANG Xin， HE Tangquan

（School of Electronic Engineering and Automation， Guilin University of Electronic Technology， Guilin 541004， China）

Abstract： In order to improve the coding efficiency of multi?scanning channels synchronous testing packet in the IEEE 1149.10 protocol， a method of multi?scanning channels packet optimization based on multi?strategy modified dingo optimization algorithm （mMDOA） is proposed. In the mMDOA， the persecution strategy that combines adaptive pursuit step size and spiral migration is used to help the algorithm jump out of the local optimum by means of reverse elite?based scavenging strategy， and improve the ability of global search. According to the encoding format of the IEEE 1149.10 multi?scanning channels synchronous testing packet， a method of new scanning channel grouping is proposed， which can calculate the number of scanning channels within the group by means of SCAN_DATA_SIZE and INTERLEAVE_SIZE. The mMDOA is used to select scanning channels within the group by taking length difference within the group as the objective function. The experimental verification results show that the mMDOA algorithm can reduce the number of packets by about 30%， and effectively shorten the packet encoding time.

Keywords： IEEE 1149.10 protocol; multi?scanning channels simultaneous testing; modified dingo optimization algorithm; spiral migration strategy; channel grouping; packet encoding

0" 引" 言

2013年，IEEE協(xié)會修訂了IEEE 1149.1標(biāo)準(zhǔn)[1]，主要應(yīng)用于測試大規(guī)模芯片。IEEE 1149.1標(biāo)準(zhǔn)使用測試矢量對芯片進(jìn)行測試，但不是所有測試矢量都有效，并且可能存在重復(fù)測試、測試漏檢等問題。因此優(yōu)化測試矢量一直是芯片測試的重要方向。

在優(yōu)化測試矢量方面，文獻(xiàn)[2]提出了一種全面的混合測試矢量壓縮方法，減少測試矢量大小和硬件開銷。文獻(xiàn)[3]提出一種下一代測試數(shù)據(jù)壓縮方案，在等距壓縮范例基礎(chǔ)上改進(jìn)，提升編碼效率。文獻(xiàn)[4]提出一種基于改進(jìn)BAT算法的測試調(diào)度方法，使算法更快地收斂到最優(yōu)解。此外，隨著數(shù)字電路工作頻率的提高，文獻(xiàn)[5]提出一種生成高速數(shù)字測試矢量的方法；文獻(xiàn)[6?7]為提高測試效率，提出一種多點(diǎn)測試通道并行測試方法；文獻(xiàn)[8]提出減少測試數(shù)據(jù)量的隨機(jī)測試方法；文獻(xiàn)[9]提出新的篩選方法來減少芯片測試漏檢情況；文獻(xiàn)[10]中研究發(fā)現(xiàn)，近似計算（AxC）在特定情況下能用于集成電路測試。

集成電路集成度的提高，以及IEEE 1149.1測試訪問端口（TAP）的片上操作的增加，使得IEEE 1149.1協(xié)議測試結(jié)構(gòu)效率降低，并且多個IEEE 1149.1 TAP所需的引腳數(shù)眾多，限制了小封裝芯片的測試。為提升集成電路測試效率，IEEE協(xié)會在2017年提出了IEEE 1149.10標(biāo)準(zhǔn)。IEEE 1149.10標(biāo)準(zhǔn)提出一種只用4個引腳、速度能達(dá)到Gbps級別的高速測試方案[11]，為超大規(guī)模芯片的測試提供了技術(shù)改進(jìn)路線，對芯片測試技術(shù)的發(fā)展具有十分重要的意義[12]。

在IEEE 1149.10標(biāo)準(zhǔn)中，測試類型可以分為單掃描通道測試和多掃描通道同步測試。單掃描通道測試是對一個掃描通道進(jìn)行測試。多掃描通道同步測試是同時對多個掃描通道進(jìn)行測試，即同時向多個掃描通道發(fā)送數(shù)據(jù)。多掃描通道同步測試中，由于每個掃描通道數(shù)據(jù)長度不一致和多掃描通道數(shù)據(jù)包編碼格式，多掃描通道同步測試的數(shù)據(jù)包中會產(chǎn)生填充數(shù)據(jù)。如果只是簡單地將掃描通道分組進(jìn)行測試，將會產(chǎn)生大量填充數(shù)據(jù)，所以減少數(shù)據(jù)包中的填充數(shù)據(jù)能降低數(shù)據(jù)包的數(shù)量，減少測試時間。

本文在基本野狗算法的基礎(chǔ)上，對野狗的迫害策略和食腐策略進(jìn)行了優(yōu)化，提出了多策略改進(jìn)的野狗算法（mMDOA）。采用mMDOA算法的迫害策略提高野狗對食物的敏感度，提升算法收斂速度；并擴(kuò)大野狗搜索區(qū)域范圍，使搜索結(jié)果更加精準(zhǔn)。食腐策略采用反向精英策略增加野狗對空間的搜索，使全局搜索更加精細(xì)，增強(qiáng)了算法的全局搜索能力。

在多掃描通道同步測試方面，提出新的掃描通道分組方法，合理分配組內(nèi)掃描通道數(shù)量；以組內(nèi)長度差為目標(biāo)函數(shù)，通過mMDOA算法選擇組內(nèi)掃描通道。在進(jìn)行實(shí)驗(yàn)驗(yàn)證后，新的掃描通道分組方法和mMDOA算法能有效減少數(shù)據(jù)包編碼數(shù)量。

1" 野狗算法改進(jìn)

1.1" 基本野狗算法

野狗算法（DOA）是Herna′n Peraza?Va′zquez等人根據(jù)澳洲野狗的狩獵行為提出的算法[13]，有群體攻擊、迫害、食腐、生存四個策略，具有收斂速度快、搜索能力強(qiáng)的特點(diǎn)。

1.1.1" 種群初始化

[xim=lb+α（ub-lb）]" "（1）

式中：[xim]是種群個體；[lb]和[ub]分別表示取值的下界和上界；[α]為[0，1]之間均勻分布的隨機(jī)數(shù)。

1.1.2" 群體攻擊策略

在澳洲野狗狩獵大型獵物時，野狗會成群結(jié)隊(duì)地包圍獵物，這種行為可以描述為：

[xit+1=β1k=1naφkt-xitna-x*t] （2）

式中：[xit+1]是個體移動的新位置；[na]是[2，[SizePop2]]之間隨機(jī)生成的整數(shù)，SizePop為野狗種群規(guī)模；[φkt]是進(jìn)行群體攻擊個體的子集；[xit]是當(dāng)前個體；[x*t]表示當(dāng)前迭代最優(yōu)適應(yīng)度的個體；[β1]是在[-2，2]區(qū)間內(nèi)均勻生成的隨機(jī)數(shù)，是一個比例因子，可以改變個體的進(jìn)攻軌跡。

1.1.3" 迫害策略

迫害策略是澳洲野狗通常捕食小獵物，獵物被追逐直到被單獨(dú)捕獲。以下公式可以模擬這種行為：

[xit+1=x*t+β1·eβ2·xr1t-xit] （3）

式中：[β2]是在[-1，1]區(qū)間內(nèi)均勻生成的隨機(jī)數(shù)；[xr1t]是選擇種群中第[r1]個個體，并且[r1≠i]，[r1]是在從1到最大種群規(guī)模大小的區(qū)間內(nèi)生成的隨機(jī)整數(shù)。

1.1.4" 食腐策略

食腐策略定義為當(dāng)野狗在棲息地隨機(jī)行走時發(fā)現(xiàn)并進(jìn)食腐肉的行為，可以描述為：

[xit+1=12·eβ2·xr1t-（-1）σ·xit] （4）

式中：[β2]、[r1]、[xr1t]與式（3）中參數(shù)值相同；[σ]為{0，1}之間的隨機(jī)數(shù)。

1.1.5" 生存策略

在野狗算法中，個體野狗的生存率公式如下：

[s（i）=fmax-fifmax-fmin] （5）

式中：[s（i）]為種群內(nèi)第[i]個個體的生存率，取值范圍在[0，1]之間；[fmax]和[fmin]分別是當(dāng)前迭代中最好的適應(yīng)值和最壞的適應(yīng)值。如果算法需要更新生存率低于閾值的種群個體，則按照下式進(jìn)行更新：

[xit+1=x*t+12xr1t--1σ*xr2t] （6）

式中[r1]和[r2]是從1到最大種群規(guī)模大小的區(qū)間內(nèi)生成的隨機(jī)整數(shù)，并且[r1≠r2]。

1.1.6" 策略選擇

針對野狗的三種狩獵策略，個體通過隨機(jī)的方法選擇執(zhí)行策略，判斷方法為：

[r3lt;P 且r4lt;Q，" " " " 群攻策略r3lt;P 且r4≥Q，" " " " 迫害策略r3≥P，" " " " " " " " " " " " " 食腐策略] （7）

式中：[r3]和[r4]是[0，1]均勻分布的隨機(jī)數(shù)；[P]、[Q]為野狗個體執(zhí)行策略的概率值。本文中[r3]為0.5；[r4]為0.7。

1.2" 多策略改進(jìn)野狗算法

1.2.1" 改進(jìn)迫害策略

在基本野狗算法中執(zhí)行迫害策略的野狗，其移動是隨機(jī)的，是根據(jù)隨機(jī)一個同伴的位置來更新自身位置，降低了算法的收斂速度。因此將野狗移動參照對象改為適應(yīng)度最優(yōu)的個體，能增加算法的收斂速度。多策略改進(jìn)野狗算法的迫害策略的規(guī)則有兩個。

規(guī)則一：某只野狗個體執(zhí)行迫害策略時采用自適應(yīng)追擊步長的迫害策略，具體公式為：

[xit+1=xit+0.2cosπ2-1-ttmax·xit-x*t] （8）

式中：t為當(dāng)前迭代次數(shù)；tmax為總迭代次數(shù)。在迭代次數(shù)較小時，野狗個體以較小的步長向種群最優(yōu)個體靠近，多搜索距最優(yōu)個體遠(yuǎn)的區(qū)域，以增強(qiáng)算法全局尋優(yōu)能力。當(dāng)個體與適應(yīng)度最優(yōu)的個體距離較遠(yuǎn)時，能快速向適應(yīng)度最優(yōu)的個體移動；當(dāng)個體與適應(yīng)度最優(yōu)的個體距離較近時，以較小的步長向適應(yīng)度最優(yōu)的個體移動。

規(guī)則二：野狗個體執(zhí)行螺旋游走策略，具體公式為：

[xit+1=x*t+b·D·el·cos（2πl(wèi)）] （9）

式中：[b=e5cosπ·1-ttmax]；[D=2R2]，R為[0，1]均勻分布隨機(jī)數(shù)；[l]為[-1，1]均勻分布的隨機(jī)數(shù)。

規(guī)則二使野狗以螺旋的方式搜尋獵物，增加野狗的搜索能力，進(jìn)而提升算法全局搜索能力。基于規(guī)則一和規(guī)則二，多策略改進(jìn)野狗算法的迫害策略為：取一個在[0，1]均勻分布的隨機(jī)數(shù)，當(dāng)隨機(jī)數(shù)大于等于0.5時選擇規(guī)則一，當(dāng)隨機(jī)數(shù)小于0.5時選擇規(guī)則二。

1.2.2" 改進(jìn)食腐策略

基本野狗算法的食腐策略是根據(jù)兩個隨機(jī)選取的野狗來確定野狗下一個位置，這能增加算法的收斂速度，但影響了算法全局搜索能力。改進(jìn)食腐策略使野狗個體遠(yuǎn)離適應(yīng)度最優(yōu)的個體，從而增大野狗種群搜索區(qū)域，增加了算法的全局搜索能力，具體公式如下：

[xit+1=xit+（lb+ub-x*t）] （10）

式中：[lb]為種群下界；[ub]為種群上界。

1.3" 多策略改進(jìn)野狗算法實(shí)驗(yàn)分析

為測試多策略改進(jìn)野狗算法（mMDOA）的性能，使用多個標(biāo)準(zhǔn)測試函數(shù)進(jìn)行測試。本文使用的測試函數(shù)如表1所示。本文選取野狗算法（DOA）[13]、灰狼算法（GWO）[14]、鯨魚算法（WOA）[15]、粒子群算法（PSO）[16]進(jìn)行對比實(shí)驗(yàn)。測試函數(shù)運(yùn)行測試40次，最大迭代次數(shù)設(shè)置為500，種群規(guī)模設(shè)置為40。為降低結(jié)果隨機(jī)性，使用40次測試結(jié)果的平均值（AVE）和標(biāo)準(zhǔn)差（SD）為評價指標(biāo)，測試結(jié)果見表2。根據(jù)表2實(shí)驗(yàn)結(jié)果可知：多策略改進(jìn)的野狗算法（mMDOA）的平均值更接近測試函數(shù)的最優(yōu)解，搜索能力強(qiáng)于其他算法；標(biāo)準(zhǔn)差較小，說明mMDOA算法有較強(qiáng)的魯棒性。mMDOA的平均值與標(biāo)準(zhǔn)差均優(yōu)于DOA，驗(yàn)證了改進(jìn)迫害策略和食腐策略能增強(qiáng)原始DOA算法的尋優(yōu)能力以及跳出局部最優(yōu)能力。

2 IEEE 1149.10多掃描通道同步測試

2.1" IEEE 1149.10數(shù)據(jù)包編碼參數(shù)

在BSDL文件中定義了IEEE 1149.10多掃描通道同步測試的數(shù)據(jù)包編碼參數(shù)。BSDL文件中的Packet_Map attribute定義了PEDDA的掃描通道所屬組號（SCAN_GROUP）、數(shù)據(jù)包中數(shù)據(jù)大小（SCAN_DATA_SIZE）、分組的數(shù)據(jù)交織大小（INTERLEAVE_SIZE）、打包（PACK）等參數(shù)，其中數(shù)據(jù)包中數(shù)據(jù)大小（SCAN_DATA_SIZE）、分組的數(shù)據(jù)交織大?。↖NTERLEAVE_SIZE）是多掃描通道同步測試的重要參數(shù)。SCAN_DATA_SIZE參數(shù)確定一個數(shù)據(jù)包中數(shù)據(jù)的大小，數(shù)據(jù)大小不足SCAN_DATA_SIZE時需要將數(shù)據(jù)填充到SCAN_DATA_SIZE；INTERLEAVE_SIZE確定組內(nèi)掃描通道交織數(shù)據(jù)大小，即掃描通道數(shù)據(jù)映射一次的大小。

2.2" IEEE 1149.10多掃描通道同步測試數(shù)據(jù)包編碼

在SCAN_DATA_SIZE和INTERLEAVE_SIZE確定后，根據(jù)數(shù)據(jù)包編碼流程，每個組中的掃描通道數(shù)量會影響最終編碼產(chǎn)生的數(shù)據(jù)包數(shù)量，因此需要確定組內(nèi)掃描通道數(shù)目。在IEEE 1149.10多掃描通道同步測試中，需要所有掃描通道接收完數(shù)據(jù)后才進(jìn)行測試。如果按照PDL指令順序編碼數(shù)據(jù)包，如將數(shù)據(jù)長度相差過大的掃描通道分為一組不僅會增加填充比特，而且會增加掃描通道等待時間；如將數(shù)據(jù)長度相似的掃描通道分為一組，可能會增加無效數(shù)據(jù)包。因此一組中的掃描通道需要合適的長度差。

2.3" 目標(biāo)函數(shù)描述

本文將數(shù)據(jù)包中填充比特數(shù)作為目標(biāo)函數(shù)，依據(jù)目標(biāo)函數(shù)最小值來進(jìn)行掃描通道的分組。假設(shè)在多掃描通道同步測試中，將全部掃描通道分為G組，一組中有N個掃描通道，目標(biāo)函數(shù)為：

[L=i=1Gj=1Ndi（cj+1，cj）] （11）

式中：L為需要填充的總字節(jié)數(shù)；i為組數(shù)；[di（cj+1，cj）]為第j+1個與第j個掃描通道分為同一組時的填充比特數(shù)。在整個分組過程中，怎么使L取得最小值是關(guān)鍵。

3" IEEE 1149.10多掃描通道數(shù)據(jù)包優(yōu)化方法

IEEE 1149.10多掃描通道數(shù)據(jù)包優(yōu)化方法會減少生成數(shù)據(jù)包的數(shù)量以及掃描通道開始測試前的等待時間。按照數(shù)據(jù)包編碼格式，數(shù)據(jù)包由有效數(shù)據(jù)和填充數(shù)據(jù)組成，減少數(shù)據(jù)包數(shù)量就是減少填充數(shù)據(jù)。

3.1" 組內(nèi)掃描通道數(shù)目

根據(jù)SCAN_DATA_SIZE和INTERLEAVE_SIZE的值來對掃描通道分組，依據(jù)SCAN_DATA_SIZE和INTERLEAVE_SIZE計算出最合理的分組方式。本文根據(jù)IEEE 1149.10多掃描通道同步測試數(shù)據(jù)包編碼格式，結(jié)合SCAN_DATA_SIZE和INTERLEAVE_SIZE的大小，提出新的掃描通道分組方式。

首先計算最小余數(shù)，公式為：

[RE=min（S%（n·I）），" " " 2≤n≤SI] （12）

式中：[RE]為余數(shù)；[S]為SCAN_DATA_SIZE，單位為bit；[I]為INTERLEAVE_SIZE，單位為bit；[S]對[n·I]取余數(shù)，N取[S%（n·I）]最小時的[n]，當(dāng)不同的[n]都能得到最小余數(shù)時，則取最大的[n]值為每一組的掃描通道數(shù)目。

最后可得每一組的掃描通道數(shù)目[N]公式為：

[N=max（n）] （13）

3.2" 組內(nèi)掃描通道長度差

選擇掃描通道為一組的依據(jù)是組內(nèi)長度差，以最后選擇的掃描通道數(shù)據(jù)長度為基準(zhǔn)數(shù)，加上長度差，得到下一次要選擇的掃描通道數(shù)據(jù)長度。下一次選擇的掃描通道數(shù)據(jù)長度應(yīng)盡可能等于基準(zhǔn)數(shù)與長度差之和，但不能大于基準(zhǔn)數(shù)與長度差之和。長度差[LEND]計算公式為：

[LEND=SNI·I] （14）

4" IEEE 1149.10多掃描通道數(shù)據(jù)包優(yōu)化實(shí)驗(yàn)

4.1" 組內(nèi)掃描通道數(shù)目驗(yàn)證

由上文知，影響IEEE 1149.10多掃描通道同步測試數(shù)據(jù)包的參數(shù)有SCAN_DATA_SIZE與INTERLEAVE_SIZE。當(dāng)SCAN_DATA_SIZE=8 bit、INTERLEAVE_SIZE=4 bit時，按照公式（12）可知，N=16，生成數(shù)據(jù)包數(shù)量最少。為驗(yàn)證掃描通道分組方法的性能，按照測試矢量順序編碼數(shù)據(jù)包的方式進(jìn)行測試。本實(shí)驗(yàn)使用1 000個測試矢量，通過設(shè)置不同的N值進(jìn)行比較，各個測試矢量的長度保持一致，最終實(shí)驗(yàn)比較結(jié)果如圖1所示。從實(shí)驗(yàn)結(jié)果可知，當(dāng)N取16時，生成的數(shù)據(jù)包數(shù)量最小。與公式（12）的結(jié)論一致，證明公式（12）的分組方法能有效減少生成數(shù)據(jù)包的數(shù)量。

4.2" 數(shù)據(jù)包編碼優(yōu)化算法驗(yàn)證

IEEE 1149.10中根據(jù)測試矢量（iWrite指令）對多少個掃描通道寫數(shù)據(jù)來判斷是否屬于多掃描通道同步測試，PDL文件中每個iWrite指令會編碼成一個或多個數(shù)據(jù)包。因此使用iWrite指令數(shù)量不同的PDL文件驗(yàn)證mMDOA算法在IEEE 1149.10多掃描通道同步測試的應(yīng)用效果。使用編碼數(shù)據(jù)包的數(shù)量與所需時間作為評價指標(biāo)，測試文件由測試數(shù)據(jù)長度一致的6個PDL文件隨機(jī)生成，測試硬件條件為CPU：i3?8100，內(nèi)存16 GB。

為減少實(shí)驗(yàn)結(jié)果隨機(jī)性，取30次測試結(jié)果的平均值作為最終結(jié)果，使用數(shù)據(jù)包數(shù)量（PN）和數(shù)據(jù)包編碼所需時間（RT，單位為s）表示測試結(jié)果。共分為5個對照實(shí)驗(yàn)組，測試矢量順序組是按SCAN_DATA_SIZE和INTERLEAVE_SIZE確定一組的掃描通道數(shù)后，使用遍歷操作分組；WPA組、DOA組和mMDOA組是按SCAN_DATA_SIZE和INTERLEAVE_SIZE確定一組的掃描通道數(shù)后，分別使用WPA算法、DOA算法和mMDOA算法分組；PDL組中每一組的掃描通道數(shù)量均與SI組一致。

各組測試結(jié)果如表3所示。

表3實(shí)驗(yàn)結(jié)果表明：IEEE 1149.10多掃描通道同步測試使用mMDOA優(yōu)化算法后，相對PDL組最大能減少35.78%的數(shù)據(jù)包數(shù)量，在PDL指令越多的情況下，提升效果越明顯；相對DOA算法，最大能減少11.88%的數(shù)據(jù)包數(shù)量。由此表明mMDOA算法對IEEE 1149.10多掃描通道同步測試數(shù)據(jù)包有明顯優(yōu)化效果，能有效減少數(shù)據(jù)包數(shù)量。從表3結(jié)果可知：SI組在TEST_1～TEST_4的測試中，耗費(fèi)時間與PDL組相差較小，但是能有效減少約30%的數(shù)據(jù)包數(shù)量，可以減少硬件資源開銷，說明在指令數(shù)量少的情況下使用SI組的分組方式較佳；而在TEST_5和TEST_6中，mMDOA組減少數(shù)據(jù)包數(shù)量效果較好，所用時間也較少，說明在指令數(shù)量多的情況下使用mMDOA組的分組方式較佳。因此在綜合考慮測試時間與數(shù)據(jù)包數(shù)量的情況下，測試矢量數(shù)目少時可考慮使用SI組方法編碼數(shù)據(jù)包，在測試矢量數(shù)目較多時可考慮使用mMDOA組方法編碼數(shù)據(jù)包。

5" 結(jié)" 語

在基本野狗算法的基礎(chǔ)上，對野狗的迫害策略和食腐策略進(jìn)行了優(yōu)化，提出基于多策略改進(jìn)的野狗算法（mMDOA）。首先增加了迫害策略對食物的敏感度與搜索區(qū)域，提升算法收斂速度與跳出局部最優(yōu)的能力；然后食腐策略采用反向精英策略，增加野狗對空間的搜索，使全局搜索更加精細(xì)，增強(qiáng)算法全局搜索能力。使用標(biāo)準(zhǔn)測試函數(shù)對mMDOA算法進(jìn)行測試，得出相較于DOA算法，mMDOA尋優(yōu)能力較強(qiáng)，解的平均值更接近最優(yōu)值，標(biāo)準(zhǔn)差更優(yōu)，具有較強(qiáng)的魯棒性。

對IEEE 1149.10多掃描通道同步測試進(jìn)行深入研究后，根據(jù)PDL指令和BSDL文件信息提出新的掃描通道分組方法，計算出每一組的掃描通道數(shù)目，并通過組內(nèi)掃描通道數(shù)據(jù)的長度差，使用mMDOA優(yōu)化算法進(jìn)行分組操作；最后對分組后的掃描通道數(shù)據(jù)進(jìn)行數(shù)據(jù)包編碼。經(jīng)實(shí)驗(yàn)驗(yàn)證，使用最小余數(shù)法和mMDOA優(yōu)化算法生成的數(shù)據(jù)包比按照測試矢量順序編碼生成的數(shù)據(jù)包數(shù)量少30%，表明mMDOA在IEEE 1149.10多掃描通道同步測試數(shù)據(jù)包優(yōu)化方面有優(yōu)異效果。

參考文獻(xiàn)

[1] Test Technology Standards Committee. IEEE standard for test access port and boundary?scan architecture [EB/OL]. [2023?07?19]. https：//ieeexplore.ieee.org/servlet/opac？punumber=7481.

[2] BISWAS S N， DAS S R， PETRIU E M. On system?on?chip testing using hybrid test vector compression [J]. IEEE transactions on instrumentation and measurement， 2014， 63（11）： 2611?2619.

[3] HUANG Y， MILEWSKI S， RAJSKI J， et al. Low cost hypercompression of test data [J]. IEEE transactions on computer?aided design of integrated circuits and systems， 2019， 39（10）： 2964?2975.

[4] CHANDRASEKARAN G， KUMAR N S， KARTHIKEYAN P R， et al. Test scheduling and test time minimization of system?on?chip using modified BAT algorithm [J]. IEEE access， 2022， 10： 126199?126216.

[5] YANG W， HUI J， YIN K， et al. Test vector generation for high?speed digital integrated circuits [C]// 2021 IEEE 4th Advanced Information Management， Communicates， Electronic and Automation Control Conference （IMCEC）. [S.l.]： IEEE， 2021： 1516?1521.

[6] SEO S， LEE Y W， LIM H， et al. Advanced low pin count test architecture for efficient multi?site testing [J]. IEEE transactions on semiconductor manufacturing， 2020， 33（3）： 391?403.

[7] LIM H， YUN H， KANG S. A hybrid test scheme for automotive ic in multisite testing [J]. IEEE transactions on computer?aided design of integrated circuits and systems， 2022， 41（12）： 5671?5680.

[8] POMERANZ I. Storage?based logic built?in self?test with multicycle tests [J]. IEEE transactions on computer?aided design of integrated circuits and systems， 2021， 41（10）： 3553?3557.

[9] ZHANG J， YOU H， JIA R， et al. The research on screening method to reduce chip test escapes by using multi?correlation analysis of parameters [J]. IEEE transactions on semiconductor manufacturing， 2022， 35（2）： 266?271.

[10] TRAIOLA M， VIRAZEL A， GIRARD P， et al. A survey of testing techniques for approximate integrated circuits [J]. Proceedings of the IEEE， 2020， 108（12）： 2178?2194.

[11] Test Technology Standards Committee. Standard for high?speed test access port and on?chip distribution architecture [EB/OL]. [2023?07?18]. https：//www.doc88.com/p?3327479602965.html.

[12] HUANG Y， FU H， DENG B， et al. The Advancement of 1149.10 [C]// 2021 IEEE International Test Conference in Asia （ITC?Asia）. Shanghai： IEEE， 2021： 1.

[13] PERAZA?VáZQUEZ H， PE?A?DELGADO A F， ECHAVARRíA?CASTILLO G， et al. A bio?inspired method for engineering design optimization inspired by dingoes hunting strategies [J]. Mathematical problems in engineering， 2021， 2021： 1?19.

[14] MIRJALILI S， MIRJALILI S M， LEWIS A. Grey wolf optimizer [J]. Advances in engineering software， 2014， 69： 46?61.

[15] MIRJALILI S， LEWIS A. The whale optimization algorithm [J]. Advances in engineering software， 2016， 95： 51?67.

[16] KENNEDY J， EBERHART R. Particle swarm optimization [C]// Proceedings of ICNN'95?International Conference on Neural Networks. [S.l.]： IEEE， 1995： 1942?1948.