CN117009303B - 一种芯片视觉测试数据的存储方法 - Google Patents
一种芯片视觉测试数据的存储方法 Download PDFInfo
- Publication number
- CN117009303B CN117009303B CN202310824790.4A CN202310824790A CN117009303B CN 117009303 B CN117009303 B CN 117009303B CN 202310824790 A CN202310824790 A CN 202310824790A CN 117009303 B CN117009303 B CN 117009303B
- Authority
- CN
- China
- Prior art keywords
- test
- data
- sets
- storage
- sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 434
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000003860 storage Methods 0.000 claims abstract description 247
- 238000011156 evaluation Methods 0.000 claims abstract description 79
- 238000013210 evaluation model Methods 0.000 claims abstract description 22
- 230000000007 visual effect Effects 0.000 claims abstract description 16
- 238000007621 cluster analysis Methods 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims description 35
- 238000012549 training Methods 0.000 claims description 23
- 238000009826 distribution Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 16
- 230000015556 catabolic process Effects 0.000 claims description 13
- 238000006731 degradation reaction Methods 0.000 claims description 13
- 230000005540 biological transmission Effects 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000013500 data storage Methods 0.000 abstract description 8
- 230000000694 effects Effects 0.000 abstract description 7
- 239000002699 waste material Substances 0.000 abstract description 5
- 238000012545 processing Methods 0.000 abstract description 2
- 238000010998 test method Methods 0.000 abstract 1
- 238000007726 management method Methods 0.000 description 23
- 230000035945 sensitivity Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000013523 data management Methods 0.000 description 2
- 238000012942 design verification Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/10—File systems; File servers
- G06F16/17—Details of further file system functions
- G06F16/172—Caching, prefetching or hoarding of files
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种芯片视觉测试数据的存储方法,属于数据处理领域,其中方法包括:获得目标芯片的Q个测试点位集合并对存储模块进行空间划分,获得Q个存储空间划分结果;采集目标芯片的M个测试点位输出的M个测试数据集合,并对数据集合进行聚类分析,获得P个待分配测试数据集合;获取P个数据指标参数集合;将数据量参数集合、关注度参数集合和时延因子输入存储评价模型中,获得P个评价值集合根据评价值集合、待分配测试数据集合存储空间划分结果,获得存储方案。本申请解决了现有技术中芯片视觉测试数据存储资源浪费、数据访问低效的技术问题,达到了优化存储资源和提高数据访问效率的技术效果。
Description
技术领域
本发明涉及数据处理领域,具体涉及一种芯片视觉测试数据的存储方法。
背景技术
随着集成电路技术的发展,芯片的功能和集成度不断提高,导致芯片测试数据量呈***式增长。目前,芯片视觉测试数据的存储方式主要采用总体存储的方式,即将所有测试数据集中存储。这种存储方式无法实现对不同测试数据的区分存储,导致存储资源的浪费和测试数据访问的低效。
发明内容
本申请通过提供了一种芯片视觉测试数据的存储方法,旨在解决现有技术中芯片测试数据存储资源浪费、数据访问低效的技术问题。
鉴于上述问题,本申请提供了一种芯片视觉测试数据的存储方法。
本申请公开的第一个方面,提供了一种芯片视觉测试数据的存储方法,该方法包括:根据目标芯片的测试项目信息获得Q个测试点位集合,Q个测试点位集合具有测试项目标识;根据Q个测试点位集合对存储模块进行空间划分,获得Q个存储空间划分结果,其中,Q个存储空间划分结果具有更新速度标识;采集当前时刻目标芯片的M个测试点位输出的M个测试数据集合,并根据测试项目标识对M个测试数据集合进行聚类分析,获得P个待分配测试数据集合;获取P个待分配测试数据集合的P个数据指标参数集合,其中,数据指标参数集合包括数据量参数,关注度参数和时延因子;将P个数据量参数集合、P个关注度参数集合和P个时延因子输入存储评价模型中,获得P个评价值集合;根据P个评价值集合、P个待分配测试数据集合、Q个存储空间划分结果,获得存储方案。
本申请公开的另一个方面,提供了一种芯片视觉测试数据的存储***,该***包括:测试点位集合模块,用于根据目标芯片的测试项目信息获得Q个测试点位集合,Q个测试点位集合具有测试项目标识;存储空间划分模块,用于根据Q个测试点位集合对存储模块进行空间划分,获得Q个存储空间划分结果,其中,Q个存储空间划分结果具有更新速度标识;数据聚类分析模块,用于采集当前时刻目标芯片的M个测试点位输出的M个测试数据集合,并根据测试项目标识对M个测试数据集合进行聚类分析,获得P个待分配测试数据集合;指标参数集合模块,用于获取P个待分配测试数据集合的P个数据指标参数集合,其中,数据指标参数集合包括数据量参数,关注度参数和时延因子;评价模型输出模块,用于将P个数据量参数集合、P个关注度参数集合和P个时延因子输入存储评价模型中,获得P个评价值集合;存储方案获取模块,用于根据P个评价值集合、P个待分配测试数据集合、Q个存储空间划分结果,获得存储方案。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
由于采用了首先根据目标芯片的测试项目信息获取多个测试点集合,并根据测试点集合对存储模块进行空间划分;然后采集当前时刻目标芯片多个测试点输出的测试数据集合,并根据测试项目对测试数据集合进行聚类,得到多个待分配测试数据集合;继而获取多个待分配测试数据集合的多个数据指标,包括数据量、关注度和时延因子;进而将多个数据指标输入存储评价模型,得到多个评价值;最后,根据多个评价值、多个待分配测试数据集合和存储空间划分结果,确定测试数据的存储方案的技术方案,解决了现有技术中芯片测试数据存储资源浪费、数据访问低效的技术问题,达到了优化存储资源和提高数据访问效率的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例提供了一种芯片视觉测试数据的存储方法可能的流程示意图;
图2为本申请实施例提供了一种芯片视觉测试数据的存储方法中获得Q个更新速度可能的流程示意图;
图3为本申请实施例提供了一种芯片视觉测试数据的存储方法中获得存储方案可能的流程示意图;
图4为本申请实施例提供了一种芯片视觉测试数据的存储***可能的结构示意图。
附图标记说明:测试点位集合模块11,存储空间划分模块12,数据聚类分析模块13,指标参数集合模块14,评价模型输出模块15,存储方案获取模块16。
具体实施方式
本申请提供的技术方案总体思路如下:
本申请实施例提供了一种芯片视觉测试数据的存储方法。通过评估不同测试数据的存储特征,动态确定测试数据的存储位置,实现对测试数据的区分存储,优化存储资源的利用和提高数据访问效率。
首先根据目标芯片的测试项目信息获取多个测试点集合,并根据测试点集合对存储模块进行空间划分,为测试数据的动态存储分配提供空间基础。然后采集当前时刻目标芯片多个测试点输出的测试数据集合,并根据测试项目对测试数据集合进行聚类,得到多个待分配测试数据集合,用于后续的存储评估。继而,获取多个待分配测试数据集合的多个数据指标,评估不同测试数据的存储特征,包括数据量、关注度和时延等因素。进而将多个数据指标输入存储评价模型,得到多个评价值,用于测试数据的存储位置确定。最后,根据多个评价值、多个待分配测试数据集合和存储空间划分结果,确定测试数据的存储方案,使相同测试项目下和访问频繁的数据集中存储,不同测试项目下和访问频率低的数据分散存储,实现测试数据的动态区分存储。
在介绍了本申请基本原理后,下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示,本申请实施例提供了一种芯片视觉测试数据的存储方法,该方法包括:
步骤S1000:根据目标芯片的测试项目信息获得Q个测试点位集合,所述Q个测试点位集合具有测试项目标识;
具体而言,目标芯片是指要检测的大量芯片,将按照设定的测试项目信息对芯片依次进行检测。获取目标芯片的测试项目信息,从而确定需要测试的点位集合。其中,测试项目信息来源于整个芯片制造流程,包括设计验证、过程检测、晶圆测试、成品测试和IC测试等测试项目,每个项目对应一个测试点位,每个测试点位集合中包括需要进行检测和测试的具体数据指标,如功能描述、性能指标、信号延迟指标、功耗指标等。根据测试项目信息划分出相应的测试点位,获得Q个测试点位集合,分布在不同的测试阶段,具有不同的测试指标,以完成对目标芯片全面且***的测试。
为了对采集到的大量测试数据进行有效管理,对每个测试点位集合进行标识。测试项目标识是赋予每个测试点位集合的一个标识码,用于区分不同的测试项目和对应的数据内容。其中,测试项目标识的设定具有唯一性,每个测试点位集合对应一个标识码。
例如,设计验证、过程检测、晶圆测试、成品测试和IC测试这几个测试项目的标识分别为001、002、003、004、005,在某类芯片测试中,仅对芯片进行晶圆测试和IC测试,则该目标芯片的测试项目信息包括晶圆测试003和IC测试005,包含有2个测试点位集合。
通过获取目标芯片的测试项目信息,根据测试项目信息获得Q个测试点位集合,为后续的测试数据采集和存储提供基础。Q个测试点位集合对应目标芯片的各项测试项目,并带有相应的测试项目标识,用于测试数据的分类管理。
步骤S2000:根据所述Q个测试点位集合对存储模块进行空间划分,获得Q个存储空间划分结果,其中,所述Q个存储空间划分结果具有更新速度标识;
具体而言,存储模块通常半导体存储器件,如闪存、动态随机存取存储器等。为了合理利用存储模块有限的存储空间资源,根据每个测试点位集合的数据量、更新频率以及用户关注度等因素,确定不同测试点位集合对应的存储空间规模。例如,根据历史测试数据计算每个测试点位集合的数据生成频率、访问频率以及数据量的增长率,数据生成频率和访问频率较高的测试点位,配置更大的存储空间,数据量增长率较大的测试点位,也需要扩大其存储空间,以应对未来的数据增长;又如,根据用户对不同测试点位集合的数据关注度,配置不同的存储空间,用户关注度较高的测试点位集合,分配更大存储空间,以保证测试数据的实时性,关注度较低的测试点位集合存储空间可适当压缩。
另外,由于半导体测试数据的动态变化特性,空间划分结果同时具有更新速度标识,用于提示存储空间规模的调整方向和幅度。更新速度标识基于历史测试数据中的数据生成频率、访问频率和数据量增长率获得,采用相对定量来表示,如+-10%、+-30%等。其中,正的标识代表需要增加存储空间规模,负的标识代表需要减小存储空间规模。标识的值越大,表示存储空间调整的幅度越大。
通过根据Q个测试点位集合,对存储模块的有限存储空间进行划分,为每个测试点位集合确定存储区域和初始存储空间规模。同时,考虑到测试数据的动态变化特性,对空间划分结果进行更新速度标识,以指导存储空间规模的调整,实现对空间划分的初始化和划分结果的可动态调整性,以动态优化存储资源。
步骤S3000:采集当前时刻目标芯片的M个测试点位输出的M个测试数据集合,并根据测试项目标识对M个测试数据集合进行聚类分析,获得P个待分配测试数据集合;
具体而言,在芯片测试流程中,为了提高对芯片的测试效率,对芯片进行流水线式检测。首先,根据测试项目信息对目标芯片进行测试点位布局;然后,开启对目标芯片的测试项目,每个测试项目对应唯一的测试项目标识,每个测试点位采集芯片在当前测试项目上的测试数据,组成该测试点位上的测试数据集合。接着,采集当前时刻目标芯片的所有测试点位的输出数据,得到M个测试数据集合。
为方便后续的存储空间划分和数据管理,对这M组测试数据进行分析和分类。根据为每个测试点位集合设定的测试项目标识,对M组测试数据进行聚类,将同一测试项目的数据聚集在一起,以将原有的M组测试数据分类为P个待分配测试数据集合,其中P值小于M值。每个分类后的测试数据集合对应唯一的测试项目标识。
通过获取目标芯片各测试点位的实时测试数据,并根据测试项目的内容对数据进行分类和聚集,获得P个待分配测试数据集合,每个分类后的测试数据集合对应目标芯片的一项测试项目,含有相关测试点位的数据内容,以高效管理庞大的测试数据集合,为测试数据的存取和使用提供方便,提高数据访问效率。
步骤S4000:获取所述P个待分配测试数据集合的P个数据指标参数集合,其中,数据指标参数集合包括数据量参数,关注度参数和时延因子;
具体而言,对于获得的P个待分配测试数据集合,为了对存储模块的存储空间进行合理划分,需要分析每个数据集合的具体特征参数,这些特征参数包括数据量参数、关注度参数和时延因子3个方面。其中,数据量参数用于表示每个数据集合的存储空间需求,与数据集合的数据规模直接相关,数据量大的测试数据集合,其数据量参数值也较大,需要配置更大的存储空间;关注度参数用于表示用户对每个数据集合的关注程度,用户关注度较高的测试数据集合,其关注度参数值也较大,应当分配给更大的存储空间,以保证测试数据的时效性;时延因子用于表示测试数据集合的时延敏感程度,与数据集合对应测试点位的通信速率相关,通信速率较高的测试点位,其产生的数据集合时延敏感性较强,时延因子值较小,通信速率较低的测试点位,其数据集合时延敏感性较弱,时延因子值较大。
其中,数据量参数通过统计每个数据集合的实际数据规模直接获得。关注度参数基于用户对历史测试数据的访问频率和访问时间分布统计分析获得,访问频率和访问时间较长的数据集合,其关注度参数值较大;也可以通过用户对测试数据的重要性排序直接获取关注度参数。时延因子根据存储模块与各测试点位之间的通信网络情况计算获得,如通过测试点位的平均数据传输时延与存储模块连接各测试点位的平均数据传输时延的比值得到时延因子,网络带宽较高和时延较低的测试点位,其对应数据集合的时延因子值较小。
通过获取P个待分配测试数据集合的特征参数,这些特征参数从数据量、关注度和时延敏感性3方面综合判断每个数据集合的存储需求,为取得测试数据集合与存储空间的最优匹配提供基础,为后续的存储空间划分提供依据。
步骤S5000:将P个数据量参数集合、P个关注度参数集合和P个时延因子输入存储评价模型中,获得P个评价值集合;
具体而言,为了对P个待分配测试数据集合实现优化的存储空间划分,需要对每个数据集合的存储需求进行评估和判断,采用存储评价模型对各数据集合的特征参数进行计算,以获得各数据集合的存储评价值。存储评价模型用于对P个待分配测试数据集合的P个数据指标参数集合进行综合判断,存储评价模型可以采用加权因子法、模糊评判法和神经网络等算法实现。其中,加权因子法是将各特征参数按一定权重相加,然后映射至评价值,权重的设定根据存储资源情况和数据管理策略确定;模糊评判法是基于专家知识构建模糊规则,并将不用测试数据集合的数据量参数、关注度参数和时延因子带入规则计算出评价值区间,再进行去模糊处理得到评价值;神经网络模型是基于大量历史数据得到训练,并以数据量参数、关注度参数和时延因子作为输入,评价值作为输出。
P个待分配测试数据集合的评价值是综合各个特征参数,并考虑它们之间的相互影响,给出客观的评价结果。例如,若某数据集合的数据规模较小但时延敏感性很高,其评价值不会过低;若数据集合关注度较高但实时性要求不强,其评价值也不会过高。
通过采用存储评价模型对各数据集合的特征参数进行综合计算和判断,得到各数据集合的评价值,用于指导后续的数据集合存储空间的划分和管理。
步骤S6000:根据P个评价值集合、P个待分配测试数据集合、Q个存储空间划分结果,获得存储方案。
具体而言,在得到各待分配测试数据集合的存储评价值后,根据评价值确定每个数据集合对应的存储空间划分结果,以制定最终的存储方案。存储方案用于指导测试数据集合存储到存储模块的具体存储区域及空间大小,根据数据集合的存储评价值、存储空间划分结果的参数及剩余存储空间制定。其中,评价值较高的数据集合分配给存储空间较大的存储空间划分结果;评价值较低的数据集合分配给存储空间较小的划分结果。
若划分结果的存储空间不足以容纳评价值较高的某数据集合,需要对该划分结果的存储空间进行扩容;若划分结果的存储空间过剩,也可以适当减小空间大小,以节省资源。存储方案的设定过程是匹配和优化的迭代过程,不断调整和修正,直到各数据集合与存储空间划分结果达到最优匹配。
通过根据评价值和存储空间划分结果匹配各数据集合与存储空间,制定最终的存储方案,实现资源的合理分配和配置,其配置过程逐步优化和调整,以达到测试数据存储的最优效果,有助于高效管理和利用有限的存储资源,达到了优化存储资源和提高数据访问效率的技术效果。
进一步的,本申请实施例还包括:
步骤S2100:获取历史时间段内Q个测试点位集合的测试频率,将Q个测试频率作为第一约束因子;
步骤S2200:获取历史时间段内Q个测试点位集合输出的测试数据被调取的次数与测试数据调取总次数的比值,将Q个比值作为第二约束因子;
步骤S2300:获取Q个测试点位集合的测试容量,将Q个测试容量作为第三约束因子;
步骤S2400:将第一约束因子、第二约束因子和第三约束因子输入更新速度计算单元中,获得Q个更新速度;
步骤S2500:根据Q个更新速度对Q个测试点位集合进行更新速度标识。
具体而言,为了对存储模块的Q个存储空间进行合理有效的动态管理,需要分析各存储空间对应的测试点位集合的特征参数,获得其更新速度和更新速度标识。
首先,获取历史时间段内每个测试点位集合的测试频率,作为第一约束因子,测试频率与测试点位集合的数据生成频率直接相关,测试频率越高,对应存储空间的数据更新频率也越高。例如,统计过去1个月内每个测试点位集合被调用的总次数,然后除以总天数,得到平均每天被调用的次数,即为测试频率,作为第一约束因子。
然后,获取每个测试点位集合输出的数据被访问次数与总访问次数的比例,作为第二约束因子,被访问次数与数据集合的重要程度和实用价值相关,该比例越大,对应存储空间的数据更新频率越高。例如,统计最近一段时间(如1周或1个月)内每个测试点位集合输出的数据被访问次数,以及同期所有测试数据的总访问次数,然后计算二者的比例,作为访问比例参数。
接着,获取每个测试点位集合的测试容量,作为第三约束因子,测试容量与对应存储空间的空间需求直接相关,容量越大,存储空间扩容的频率越高,更新速度越快。例如,统计一定时间段内(如1周或1个月)该测试点位集合实际产生的数据总量,作为其测试容量。
最后,将获得的3个约束因子输入更新速度计算单元,综合判断各存储空间的更新特征,计算获得Q个更新速度。更新速度越大,表示对应存储空间的数据更新频率越快,存储管理的难度越高。首先,标准化处理3个约束因子,使其量纲统一,便于后续计算;其次,根据存储空间动态管理的具体策略确定3个因子的权重;之后,利用加权求和法计算更新速度,更新速度的大小表示对应存储空间管理的难易程度,值越大表示管理难度越高,存储空间的动态调整频率也越高;接着,根据更新速度设置相应的更新速度级别,例如,更新速度在0-0.3之间为低速级别,0.3-0.6为中速级别,0.6-1为高速级别。
通过获取各存储空间管理因素,计算其更新速度和设定更新速度标识,为存储空间的动态优化配置和管理提供基础,有利于根据测试点位集合及其存储数据的变化及时调节存储空间,实现动态优化存储资源。
进一步的,本申请实施例还包括:
步骤S2410:获取多个样本测试频率、多个样本比值、多个样本测试容量和多个样本更新速度,生成构建数据;
步骤S2420:基于测试频率生成更新速度计算单元的x轴,基于比值生成更新速度计算单元的y轴,基于测试容量生成更新计算单元的z轴;
步骤S2430:将构建数据中的多个样本测试频率、多个样本比值、多个样本测试容量输入更新计算单元中,获得多个样本坐标点,并根据多个样本更新速度对多个样本坐标点进行标识;
步骤S2440:将第一约束因子、第二约束因子和第三约束因子输入更新速度计算单元中,获得Q个坐标点;
步骤S2450:根据Q个坐标点获得Q个更新速度。
具体而言,为提高更新速度计算单元运算的准确性,需要基于大量历史样本数据构建更新速度计算模型,再将当前输入的约束因子代入模型计算更新速度。
首先,根据历史测试记录和访问日志统计分析获得获取多个样本测试频率、多个样本比值、多个样本测试容量和多个样本更新速度,生成构建数据;例如,统计过去6—12个月内的测试频率、访问比例、测试容量的数据,以及存储管理员在该期间根据这些参数计算的更新速度,作为构建数据的样本,构建数据越丰富,构建的速度计算模型越精确。然后,基于构建数据生成更新速度计算单元的坐标***,其中x轴对应测试频率,y轴对应访问比例,z轴对应测试容量。接着,将构建数据中的样本测试频率、访问比例和测试容量输入坐标***,获得多个样本坐标点,再将样本更新速度划分为若干级别,例如低速更新、中速更新、高速更新,根据样本更新速度为各样本坐标点设定标识,更新速度较快的样本坐标点分配至高速级别,更新速度较慢的样本坐标点分配至低速级别。随后,将第一约束因子、第二约束因子和第三约束因子代入坐标***,获得Q个坐标点,表示Q个存储空间在3个维度上的位置参数,为每个存储空间获得更新速度值。
通过历史测试数据构建更新速度计算单元,再将约束因子代入模型判断管理Q个测试点位集合的更新速度,减小更新速度的主观性,提高其精准性和合理性,为优化存储资源和提高数据访问效率提供基础。
进一步的,如图2所示,本申请实施例还包括:
步骤S2451:从Q个坐标点中任意选取一个坐标点作为第一坐标点;
步骤S2452:获取所述第一坐标点最邻近的M个样本坐标点对应的M个样本更新速度,M为大于等于3的整数;
步骤S2453:计算所述M个样本更新速度的均值,获得第一更新速度;
步骤S2454:根据Q-1个坐标点,获得Q-1个更新速度,结合第一更新速度,获得Q个更新速度。
具体而言,为提高更新速度的计算准确度,在确定每个存储空间的更新速度时,参考多个相近的样本坐标点及其更新速度,综合判断当前存储空间的更新速度和管理难易程度。
首先,从待计算更新速度的Q个坐标点中选取任意一个坐标点作为第一坐标点。第一坐标点采用随机的方式进行一一抽取,直至将Q个坐标点的更新速度计算完毕。其次,获取与第一坐标点最相近的M个样本坐标点,M大于等于3,以获得更加准确的参考判断,其中,M个样本坐标点越多,参考的样本信息越丰富。然后,计算M个最相近样本坐标点的更新速度标识的均值,作为第一坐标点的第一更新速度,以表示所抽取的坐标点更新速度。以此类推,计算完剩余Q-1的更新速度,在计算后续的坐标点的更新速度时,其相邻坐标点的更新速度按照重新计算后的更新速度进行计算,从而获得Q个存储空间的更新速度。
通过查找最相近的多个样本,综合其更新速度判断当前管理对象的更新速度,相比直接选用单一样本更新速度,计算结果更加合理可靠,达到提高更新速度的准确性的目的。
进一步的,本申请实施例还包括:
步骤S510:所述存储评价模型包括存储评价函数;
所述存储评价函数为:
其中,Y是评价值,μ是数据量参数对应的经验系数,由工作人员自行设定,是关注度参数的经验系数,σ是时延因子的经验系数,x2i是第i个待分配测试数据调取量,为第i个待分配测试数据对应的待分配测试数据集合中测试数据被调取的总数量,x3i是第i个待分配测试数据对应测试点位的传输速度,/>是Q个测试点位集合的传输速度均值。
具体而言,存储评价模型采用存储评价函数表示,评价函数综合考虑数据量、关注度和时延3个影响因素。其中,数据量由待分配测试数据的调取量表示;关注度由该测试数据被调取频率表示;时延由测试数据对应测试点位的传输速度表示。
存储评价函数中,Y代表待分配测试数据集合的评价值,评价值越大,表示存储要求越高。μ是数据量因子的经验系数,用以反映数据量对数据存储要求的影响程;是关注度因子的经验系数,用以反映测试数据被访问频次对数据存储要求的影响程度;σ是时延因子的经验系数,用以反映测试数据传输速度对数据存储要求的影响程度。μ、/>σ均由工作人员根据管理经验自行设定。x2i表示第i个待分配测试数据被调取的量,/>表示第i个待分配测试数据所属的待分配测试数据集合中所有测试数据被调取的总量,x3i表示第i个待分配测试数据对应的测试点位的传输速度,/>表示所有Q个测试点位的平均传输速度。因此,根据存储评价函数,数据量越大,对待分配测试数据集合的存储要求越高;关注度越高,对待分配测试数据集合的存储要求越高;时延越小,对待分配测试数据集合的存储要求越高。
通过评价函数的方式来综合各测试数据集合的特征参数刻画数据的存储空间要求,相比单一影响因素的判断,量化了数据的存储空间要求的判断,评价结果更加准确全面,为优化存储资源提供支持。
进一步的,如图3所示,本申请实施例还包括:
步骤S6100:构建存储方案分配模型,其中,所述存储方案分配模型包括输入层、方案分配层和输出层;
步骤S6200:根据多个历史评级值、多个历史待分配测试数据集合和多个存储空间划分结果,多个历史存储方案生成训练集;
步骤S6300:利用训练集对以BP神经网络为基础构建的框架进行监督训练,根据训练输出的差值对模型参数进行更新,直至输出达到收敛,获得所述存储方案分配模型;
步骤S6400:将P个评价值集合、P个待分配测试数据集合、Q个存储空间划分结果输入存储方案分配模型中,获得所述存储方案。
具体而言,确定模型的网络结构,包括输入层、方案分配层和输出层,其中,输入层接收存储管理相关信息,包括P个评价值集合、P个待分配测试数据集合和Q个存储空间划分结果等;方案分配层负责生成存储管理方案;输出层输出分配层生成的存储管理方案。然后,以BP神经网络的监督学习算法为模型学习算法。接着,采集历史芯片检测数据,进行数据的预处理,获得多个历史评级值、多个历史待分配测试数据集合和多个存储空间划分结果,构建成多个历史存储方案生成训练集,作为模型所需的训练数据,其中,输入信息由评级值、待分配测试数据集合和存储空间划分结果等组成,输出结果为对应输入的历史存储管理方案。
之后,设定模型各参数,包括各层节点函数、学习率、训练轮数等,节点函数选择S型函数;学习率取值范围在0到1之间,通过多次试验确定最优值;训练轮数由样本数据和方案分配层的复杂度决定,可设置为500~2000轮。随后,输入训练数据,以训练集中样本数据的输出作为监督信号,执行监督训练,与模型输出的差值反馈给模型,调整方案分配层各连接权重,直至输出收敛,模型训练完成。最后,将P个评价值集合、P个待分配测试数据集合、Q个存储空间划分结果作为当前存储管理信息输入训练完成的模型,生成相应的存储管理方案。
通过监督学习训练模型,实现管理方案的动态生成,减轻管理工作量,减少现有技术中芯片测试数据存储资源浪费,提高管理效率和标准化程度,达到优化存储资源的技术效果。
进一步的,本申请实施例还包括:
步骤S6510:根据P个数据量参数集合获得P个数据量均值;
步骤S6520:基于所述P个数据量均值的宽容阈值判断所述P个数据量参数集合中是否存在劣化数据,若存在,则根据劣化程度对P个评价值集合进行更新调整,获得P个更新评价值;
步骤S6530:根据P个更新评价值、P个待分配测试数据集合、Q个存储空间划分结果,获得存储方案。
具体而言,在存储芯片测试的场景下,劣化测试数据的产生表明相应芯片的性能较差,为了提高芯片质量的改进,会多次对性能差的芯片数据进行调取,这会导致存储管理方案对该未来芯片数据存储要求的判断出现偏差,不利于后续芯片数据的访问,为修正该误差,基于数据量参数集合中的劣化数据对存储方案进行优化修正。
首先,对P个数据量参数集合中的数据量进行加和,得到总的数据量,再除以P,得到P个数据量均值。然后,基于测试数据量参数平均值上下浮动一定范围进行宽容阈值的设置,如上下浮动试数据量参数平均值的10%,如果P个测试数据量参数集合中存在数据量不属于该宽容阈值内,则代表P个测试数据量参数集合中存在劣化数据;超出该宽容阈值的数量越大,劣化程度越高,进而得到P个数据量参数集合的劣化程度,根据劣化程度修改P个评价值集合,获得P个更新评价值。其中,劣化程度越高,表明对应的目标芯片的性能越差,在未来被调取的频率越大,对应的其评价值越大。最后,根据更新后的评价值、P个待分配测试数据集合和Q个存储空间划分结果,生成更新的存储管理方案。
通过判断P个待分配测试数据集合中劣质数量的劣质程度,对P个评价值集合进行更新调整,相当于对未来数据集合的调取量进行了预测,与仅采用历史数据评估的数据量参数更加能反映数据之后的调取量,实现存储资源优化和提高数据访问效率。
综上所述,本申请实施例所提供的一种芯片视觉测试数据的存储方法具有如下技术效果:
根据目标芯片的测试项目信息获得Q个测试点位集合,Q个测试点位集合具有测试项目标识,为测试数据的动态存储分配提供空间基础;根据Q个测试点位集合对存储模块进行空间划分,获得Q个存储空间划分结果,其中,Q个存储空间划分结果具有更新速度标识,通过获取需要存储的测试数据,为后续的存储评估提供数据基础;采集当前时刻目标芯片的M个测试点位输出的M个测试数据集合,并根据测试项目标识对M个测试数据集合进行聚类分析,获得P个待分配测试数据集合,通过评估不同测试数据的存储特征,为测试数据的存储位置确定提供评估依据;获取P个待分配测试数据集合的P个数据指标参数集合,其中,数据指标参数集合包括数据量参数,关注度参数和时延因子,给不同测试数据的存储位置确定提供量化评估;将P个数据量参数集合、P个关注度参数集合和P个时延因子输入存储评价模型中,获得P个评价值集合,通过评估结果和空间划分,确定测试数据的最终存储位置;根据P个评价值集合、P个待分配测试数据集合、Q个存储空间划分结果,获得存储方案,实施测试数据的动态区分存储,实现存储资源优化和提高数据访问效率。
实施例二
基于与前述实施例中一种芯片视觉测试数据的存储方法相同的发明构思,如图4所示,本申请实施例提供了一种芯片视觉测试数据的存储***,该***包括:
测试点位集合模块11,用于根据目标芯片的测试项目信息获得Q个测试点位集合,所述Q个测试点位集合具有测试项目标识;
存储空间划分模块12,用于根据所述Q个测试点位集合对存储模块进行空间划分,获得Q个存储空间划分结果,其中,所述Q个存储空间划分结果具有更新速度标识;
数据聚类分析模块13,用于采集当前时刻目标芯片的M个测试点位输出的M个测试数据集合,并根据测试项目标识对M个测试数据集合进行聚类分析,获得P个待分配测试数据集合;
指标参数集合模块14,用于获取所述P个待分配测试数据集合的P个数据指标参数集合,其中,数据指标参数集合包括数据量参数,关注度参数和时延因子;
评价模型输出模块15,用于将P个数据量参数集合、P个关注度参数集合和P个时延因子输入存储评价模型中,获得P个评价值集合;
存储方案获取模块16,用于根据P个评价值集合、P个待分配测试数据集合、Q个存储空间划分结果,获得存储方案。
进一步的,存储空间划分模块12包括以下执行步骤:
获取历史时间段内Q个测试点位集合的测试频率,将Q个测试频率作为第一约束因子;
获取历史时间段内Q个测试点位集合输出的测试数据被调取的次数与测试数据调取总次数的比值,将Q个比值作为第二约束因子;
获取Q个测试点位集合的测试容量,将Q个测试容量作为第三约束因子;
将第一约束因子、第二约束因子和第三约束因子输入更新速度计算单元中,获得Q个更新速度;
根据Q个更新速度对Q个测试点位集合进行更新速度标识。
进一步的,存储空间划分模块12还包括以下执行步骤:
获取多个样本测试频率、多个样本比值、多个样本测试容量和多个样本更新速度,生成构建数据;
基于测试频率生成更新速度计算单元的x轴,基于比值生成更新速度计算单元的y轴,基于测试容量生成更新计算单元的z轴;
将构建数据中的多个样本测试频率、多个样本比值、多个样本测试容量输入更新计算单元中,获得多个样本坐标点,并根据多个样本更新速度对多个样本坐标点进行标识;
将第一约束因子、第二约束因子和第三约束因子输入更新速度计算单元中,获得Q个坐标点;
根据Q个坐标点获得Q个更新速度。
进一步的,存储空间划分模块12还包括以下执行步骤:
从Q个坐标点中任意选取一个坐标点作为第一坐标点;
获取所述第一坐标点最邻近的M个样本坐标点对应的M个样本更新速度,M为大于等于3的整数;
计算所述M个样本更新速度的均值,获得第一更新速度;
根据Q-1个坐标点,获得Q-1个更新速度,结合第一更新速度,获得Q个更新速度。
进一步的,评价模型输出模块15包括以下内容:
所述存储评价模型包括存储评价函数;
所述存储评价函数为:
其中,Y是评价值,μ是数据量参数对应的经验系数,由工作人员自行设定,是关注度参数的经验系数,σ是时延因子的经验系数,x2i是第i个待分配测试数据调取量,为第i个待分配测试数据对应的待分配测试数据集合中测试数据被调取的总数量,x3i是第i个待分配测试数据对应测试点位的传输速度,/>是Q个测试点位集合的传输速度均值。
进一步的,存储方案获取模块16包括以下内容:
构建存储方案分配模型,其中,所述存储方案分配模型包括输入层、方案分配层和输出层;
根据多个历史评级值、多个历史待分配测试数据集合和多个存储空间划分结果,多个历史存储方案生成训练集;
利用训练集对以BP神经网络为基础构建的框架进行监督训练,根据训练输出的差值对模型参数进行更新,直至输出达到收敛,获得所述存储方案分配模型;
将P个评价值集合、P个待分配测试数据集合、Q个存储空间划分结果输入存储方案分配模型中,获得所述存储方案。
进一步的,存储方案获取模块16包括还以下内容:
根据P个数据量参数集合获得P个数据量均值;
基于所述P个数据量均值的宽容阈值判断所述P个数据量参数集合中是否存在劣化数据,若存在,则根据劣化程度对P个评价值集合进行更新调整,获得P个更新评价值;
根据P个更新评价值、P个待分配测试数据集合、Q个存储空间划分结果,获得存储方案。
综上所述的方法的任意步骤都可作为计算机指令或者程序存储在不设限制的计算机存储器中,并可以被不设限制的计算机处理器调用识别用以实现本申请实施例中的任一项方法,在此不做多余限制。
进一步的,综上所述的第一或第二可能不止代表次序关系,也可能代表某项特指概念,和/或指的是多个元素之间可单独或全部选择。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (6)
1.一种芯片视觉测试数据的存储方法,其特征在于,所述方法包括:
根据目标芯片的测试项目信息获得Q个测试点位集合,所述Q个测试点位集合具有测试项目标识;
根据所述Q个测试点位集合对存储模块进行空间划分,获得Q个存储空间划分结果,其中,所述Q个存储空间划分结果具有更新速度标识;
采集当前时刻目标芯片的M个测试点位输出的M个测试数据集合,并根据测试项目标识对M个测试数据集合进行聚类分析,获得P个待分配测试数据集合;
获取所述P个待分配测试数据集合的P个数据指标参数集合,其中,数据指标参数集合包括数据量参数,关注度参数和时延因子;
将P个数据量参数集合、P个关注度参数集合和P个时延因子输入存储评价模型中,获得P个评价值集合;
根据P个评价值集合、P个待分配测试数据集合、Q个存储空间划分结果,获得存储方案;
其中,根据所述Q个测试点位集合对存储模块进行空间划分,获得Q个存储空间划分结果,其中,所述Q个存储空间划分结果具有更新速度标识,所述方法包括:
获取历史时间段内Q个测试点位集合的测试频率,将Q个测试频率作为第一约束因子;
获取历史时间段内Q个测试点位集合输出的测试数据被调取的次数与测试数据调取总次数的比值,将Q个比值作为第二约束因子;
获取Q个测试点位集合的测试容量,将Q个测试容量作为第三约束因子;
将第一约束因子、第二约束因子和第三约束因子输入更新速度计算单元中,获得Q个更新速度;
根据Q个更新速度对Q个测试点位集合进行更新速度标识;
所述将第一约束因子、第二约束因子和第三约束因子输入更新速度计算单元中,获得Q个更新速度,所述方法包括:
获取多个样本测试频率、多个样本比值、多个样本测试容量和多个样本更新速度,生成构建数据;
基于测试频率生成更新速度计算单元的x轴,基于比值生成更新速度计算单元的y轴,基于测试容量生成更新计算单元的z轴;
将构建数据中的多个样本测试频率、多个样本比值、多个样本测试容量输入更新计算单元中,获得多个样本坐标点,并根据多个样本更新速度对多个样本坐标点进行标识;
将第一约束因子、第二约束因子和第三约束因子输入更新速度计算单元中,获得Q个坐标点;
根据Q个坐标点获得Q个更新速度。
2.如权利要求1所述的方法,其特征在于,所述方法包括:
从Q个坐标点中任意选取一个坐标点作为第一坐标点;
获取所述第一坐标点最邻近的M个样本坐标点对应的M个样本更新速度,M为大于等于3的整数;
计算所述M个样本更新速度的均值,获得第一更新速度;
根据Q-1个坐标点,获得Q-1个更新速度,结合第一更新速度,获得Q个更新速度。
3.如权利要求1所述的方法,其特征在于,所述方法包括:
所述存储评价模型包括存储评价函数;
所述存储评价函数为:
;
其中,Y是评价值,是数据量参数对应的经验系数,由工作人员自行设定,/>是关注度参数的经验系数,/>是时延因子的经验系数,/>是第i个待分配测试数据调取量,/>为第i个待分配测试数据对应的待分配测试数据集合中测试数据被调取的总数量,/>是第i个待分配测试数据对应测试点位的传输速度,/>是Q个测试点位集合的传输速度均值。
4.如权利要求1所述的方法,其特征在于,所述方法包括:
构建存储方案分配模型,其中,所述存储方案分配模型包括输入层、方案分配层和输出层;
根据多个历史评级值、多个历史待分配测试数据集合和多个存储空间划分结果,多个历史存储方案生成训练集;
利用训练集对以BP神经网络为基础构建的框架进行监督训练,根据训练输出的差值对模型参数进行更新,直至输出达到收敛,获得所述存储方案分配模型;
将P个评价值集合、P个待分配测试数据集合、Q个存储空间划分结果输入存储方案分配模型中,获得所述存储方案。
5.如权利要求1所述的方法,其特征在于,所述方法包括:
根据P个数据量参数集合获得P个数据量均值;
基于所述P个数据量均值的宽容阈值判断所述P个数据量参数集合中是否存在劣化数据,若存在,则根据劣化程度对P个评价值集合进行更新调整,获得P个更新评价值;
根据P个更新评价值、P个待分配测试数据集合、Q个存储空间划分结果,获得存储方案。
6.一种芯片视觉测试数据的存储***,其特征在于,所述***包括:
测试点位集合模块,所述测试点位集合模块用于根据目标芯片的测试项目信息获得Q个测试点位集合,所述Q个测试点位集合具有测试项目标识;
存储空间划分模块,所述存储空间划分模块用于根据所述Q个测试点位集合对存储模块进行空间划分,获得Q个存储空间划分结果,其中,所述Q个存储空间划分结果具有更新速度标识;
数据聚类分析模块,所述数据聚类分析模块用于采集当前时刻目标芯片的M个测试点位输出的M个测试数据集合,并根据测试项目标识对M个测试数据集合进行聚类分析,获得P个待分配测试数据集合;
指标参数集合模块,所述指标参数集合模块用于获取所述P个待分配测试数据集合的P个数据指标参数集合,其中,数据指标参数集合包括数据量参数,关注度参数和时延因子;
评价模型输出模块,所述评价模型输出模块用于将P个数据量参数集合、P个关注度参数集合和P个时延因子输入存储评价模型中,获得P个评价值集合;
存储方案获取模块,所述存储方案获取模块用于根据P个评价值集合、P个待分配测试数据集合、Q个存储空间划分结果,获得存储方案;
所述存储空间划分模块还用于:
获取历史时间段内Q个测试点位集合的测试频率,将Q个测试频率作为第一约束因子;
获取历史时间段内Q个测试点位集合输出的测试数据被调取的次数与测试数据调取总次数的比值,将Q个比值作为第二约束因子;
获取Q个测试点位集合的测试容量,将Q个测试容量作为第三约束因子;
将第一约束因子、第二约束因子和第三约束因子输入更新速度计算单元中,获得Q个更新速度;
根据Q个更新速度对Q个测试点位集合进行更新速度标识;
所述将第一约束因子、第二约束因子和第三约束因子输入更新速度计算单元中,获得Q个更新速度,包括:
获取多个样本测试频率、多个样本比值、多个样本测试容量和多个样本更新速度,生成构建数据;
基于测试频率生成更新速度计算单元的x轴,基于比值生成更新速度计算单元的y轴,基于测试容量生成更新计算单元的z轴;
将构建数据中的多个样本测试频率、多个样本比值、多个样本测试容量输入更新计算单元中,获得多个样本坐标点,并根据多个样本更新速度对多个样本坐标点进行标识;
将第一约束因子、第二约束因子和第三约束因子输入更新速度计算单元中,获得Q个坐标点;
根据Q个坐标点获得Q个更新速度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310824790.4A CN117009303B (zh) | 2023-07-06 | 2023-07-06 | 一种芯片视觉测试数据的存储方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310824790.4A CN117009303B (zh) | 2023-07-06 | 2023-07-06 | 一种芯片视觉测试数据的存储方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117009303A CN117009303A (zh) | 2023-11-07 |
CN117009303B true CN117009303B (zh) | 2024-02-13 |
Family
ID=88570113
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310824790.4A Active CN117009303B (zh) | 2023-07-06 | 2023-07-06 | 一种芯片视觉测试数据的存储方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117009303B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111079827A (zh) * | 2019-12-13 | 2020-04-28 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 一种铁路数据状态评估方法及*** |
WO2020189706A1 (ja) * | 2019-03-20 | 2020-09-24 | 株式会社日立産業制御ソリューションズ | クラスタ分割評価装置、クラスタ分割評価方法及びクラスタ分割評価プログラム |
CN112435706A (zh) * | 2020-11-05 | 2021-03-02 | 北京中电华大电子设计有限责任公司 | 一种非易失性存储器应用级擦写寿命评价方法 |
CN113900869A (zh) * | 2021-09-28 | 2022-01-07 | 普赛微科技(杭州)有限公司 | 一种芯片测试数据判断方法、装置、存储介质及测试方法 |
CN114428590A (zh) * | 2022-01-27 | 2022-05-03 | 新拓尼克科技(成都)有限公司 | 一种大幅度增加固态硬盘使用寿命的存储方案 |
CN114462353A (zh) * | 2022-03-17 | 2022-05-10 | 苏州盛科通信股份有限公司 | 芯片存储器功耗优化方法、装置、电子设备及存储介质 |
CN114611572A (zh) * | 2022-01-28 | 2022-06-10 | 北京工商大学 | 基于改进rbf神经网络的数据分级存储算法 |
CN115346589A (zh) * | 2021-05-12 | 2022-11-15 | 中国科学院微电子研究所 | 存储器芯片测试的失效比特图制作方法、装置及电子设备 |
CN115421672A (zh) * | 2022-11-04 | 2022-12-02 | 中诚华隆计算机技术有限公司 | 一种基于芯片的数据存储方法、***及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111753443A (zh) * | 2020-07-29 | 2020-10-09 | 哈尔滨工业大学 | 一种基于能力累积的武器装备联合试验设计方法 |
-
2023
- 2023-07-06 CN CN202310824790.4A patent/CN117009303B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020189706A1 (ja) * | 2019-03-20 | 2020-09-24 | 株式会社日立産業制御ソリューションズ | クラスタ分割評価装置、クラスタ分割評価方法及びクラスタ分割評価プログラム |
CN111079827A (zh) * | 2019-12-13 | 2020-04-28 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 一种铁路数据状态评估方法及*** |
CN112435706A (zh) * | 2020-11-05 | 2021-03-02 | 北京中电华大电子设计有限责任公司 | 一种非易失性存储器应用级擦写寿命评价方法 |
CN115346589A (zh) * | 2021-05-12 | 2022-11-15 | 中国科学院微电子研究所 | 存储器芯片测试的失效比特图制作方法、装置及电子设备 |
CN113900869A (zh) * | 2021-09-28 | 2022-01-07 | 普赛微科技(杭州)有限公司 | 一种芯片测试数据判断方法、装置、存储介质及测试方法 |
CN114428590A (zh) * | 2022-01-27 | 2022-05-03 | 新拓尼克科技(成都)有限公司 | 一种大幅度增加固态硬盘使用寿命的存储方案 |
CN114611572A (zh) * | 2022-01-28 | 2022-06-10 | 北京工商大学 | 基于改进rbf神经网络的数据分级存储算法 |
CN114462353A (zh) * | 2022-03-17 | 2022-05-10 | 苏州盛科通信股份有限公司 | 芯片存储器功耗优化方法、装置、电子设备及存储介质 |
CN115421672A (zh) * | 2022-11-04 | 2022-12-02 | 中诚华隆计算机技术有限公司 | 一种基于芯片的数据存储方法、***及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117009303A (zh) | 2023-11-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114298863B (zh) | 一种智能抄表终端的数据采集方法及*** | |
CN106095639A (zh) | 一种集群亚健康预警方法及*** | |
CN108345908A (zh) | 电网数据的分类方法、分类设备及存储介质 | |
CN111752678A (zh) | 面向边缘计算中分布式协同学习的低功耗容器放置方法 | |
CN117113235B (zh) | 一种云计算数据中心能耗优化方法及*** | |
CN107291539A (zh) | 基于资源重要程度的集群程序调度方法 | |
KR20200010624A (ko) | 머신러닝을 이용한 빅데이터 통합진단 예측 시스템 | |
CN108733003A (zh) | 基于kmeans聚类算法的回转类零件工序工时预测方法及*** | |
CN113139880A (zh) | 风电机组实际功率曲线拟合方法、装置、设备及存储介质 | |
CN111160404A (zh) | 配电网线损标杆合理值的分析方法及装置 | |
CN117170848A (zh) | 一种资源调度方法及装置 | |
CN109858667A (zh) | 一种基于雷电气候对负荷影响的短期负荷聚类方法 | |
CN117009303B (zh) | 一种芯片视觉测试数据的存储方法 | |
CN117910668A (zh) | 一种考虑多不确定性因素的电力***演化路径规划方法 | |
CN113919266A (zh) | 可编程器件的时钟规划方法、装置、电子设备及存储介质 | |
CN113127464A (zh) | 农业大数据环境特征处理方法、装置及电子设备 | |
CN115207909B (zh) | 一种台区拓扑识别方法、装置、设备及存储介质 | |
CN110058942B (zh) | 基于层次分析法的资源分配***及方法 | |
CN110175705B (zh) | 一种负荷预测方法及包含该方法的存储器、*** | |
CN102958089A (zh) | 一种进行仿真的方法和设备 | |
CN110020756A (zh) | 一种基于大数据聚类与分级优化的输电网规划方法 | |
CN118034609B (zh) | 一种分布式数字化资源存储方法及*** | |
CN117180899B (zh) | 一种水泥生产粉尘清理方法及*** | |
CN117237130B (zh) | 一种税务风险数据采集监控方法及*** | |
CN115983663B (zh) | 基于新能源的发电分析方法及相关设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |