Analisis Waktu Statis Statis Non-Parametrik:

Kerangka SSTA untuk Distribusi Sewenang-wenang

Noriaki Nakayama †, dan Kazuya Masu ‡
Masanori Imai †, Takashi Sato ‡,

† Interdisipliner Graduate School of Science and Engineering , Tokyo Institute of Technology

‡ Terpadu Research Institute, Tokyo Institute of Technology
Pusat Penelitian Akademik Teknologi Semikonduktor
ABSTRAK
Kami menyajikan kerangka kerja STA statistik baru berdasarkan Monte
Analisis Carlo yang bisa menangani statistik distri-
model bution and delay. Statistik pesanan (non-parametrik)
secara konsisten diadopsi oleh mana analisis waktu dan
Perhitungan kekritisan menjadi distribusi-independen
membuat proses Monte Carlo secara komputasi praktis, de-
Keduanya ditangani sebagai vektor sehingga iterasi dieliminasi.
Dimensi vektor atau jumlah yang dibutuhkan Monte Carlo
iterasi yang menjamin tidak ada pelanggaran waktu pada setiap user-
Probabilitas tertentu ditentukan secara analitis. Path crit-
icality metric menggunakan statistik pesanan juga didefinisikan. Experi-
Hasil mental menggunakan berbagai model delay menunjukkan validitasnya
dan kegunaan algoritma yang kami usulkan.
Kategori dan Deskriptor Subjek
B8.2 [Hardware]: Kinerja dan keandalan -Kinerja
Alat Bantu Analisis dan Desain
Persyaratan Umum
Algoritma, Kinerja, Verifikasi
Kata kunci
SSTA, STA, Simulasi Monte Carlo, Non Parametrik, Or-
der Statistik
1. PENDAHULUAN
Pada teknologi maju, variasi intra-die, yang digunakan
menjadi kecil di generasi proses sebelumnya [1], telah menjadi
faktor penentu utama kinerja chip. Yang disebut
Analisis kasus sudut cenderung terlalu pesimis saat simul-
Berbagai pertimbangan variasi berbagai sumber adalah neces-
sary [2]. Analisis waktu yang tepat harus dilakukan saat
mengingat sifat statistik sumber variasi termasuk-
ing proses, suhu dan tegangan suplai, dll. Agar
untuk secara akurat mempertimbangkan beberapa variasi, statistik STA
(SSTA) telah diusulkan. Seperti diketahui, SSTA memiliki
sejarah yang relatif panjang [3] [4]. Baru-baru ini, SSTA telah berada di-
Menggabungkan minat baru dari banyak peneliti
mengatasi kesulitan menangani variasi [5] [6].
Secara umum, desain parameter kinerja seperti oper-
Ating frekuensi dan konsumsi daya adalah desain utama
Izin membuat salinan digital atau keras dari semua atau sebagian dari karya ini
penggunaan pribadi atau kelas diberikan tanpa biaya asalkan salinannya ada
tidak dibuat atau didistribusikan untuk keuntungan atau keuntungan komersial dan
salinan itu
Berikan pemberitahuan ini dan kutipan lengkap di halaman pertama. Untuk
menyalinnya, ke
ulangi, untuk posting di server atau untuk mendistribusikan ke daftar, memerlukan
spesifik sebelumnya
izin dan / atau biaya.
DAC 2008, 08-13 Juni 2008, Anaheim, California, USA.
Copyright 2008 ACM 978-1-60558-115-6 / 08/0006 ... $ 5,00.
target ini dipengaruhi oleh variasi dalam manu-
parameter facturing seperti tegangan ambang transistor atau
panjang gerbang.Untuk memudahkan perawatan analitis dan untuk reduc-
Saat ini, distribusi normal telah menjadi pilihan utama
sebagai distribusi statistik. Model keterlambatan Canonical adalah
juga dipilih sebagai fungsi yang memetakan variasi proses
untuk merancang parameter kinerja [6] .Namun, pada kenyataannya,
Parameter manufaktur mungkin tidak terdistribusi secara normal
dan penundaan memiliki distribusi non-normal karena non-
linearitas model penundaan aktual. Dalam situasi tersebut, Monte
Analisis Carlo adalah satu-satunya cara yang menjanjikan untuk mengobati arbi-
distribusi trary secara konsisten. Zhang, dkk mengusulkan
penggunaan simulasi Monte Carlo untuk jalur kritis statistik
analisis [7] .Namun, pembuatan ulang SSTA berbasis blok adalah re-
Diperlukan untuk menghitung potensi jalur terburuk dan untuk menentukan
semua parameter yang diperlukan untuk membentuk fungsi waktu kedatangan
di semua titik akhir yang ditargetkan. Jadi, ini harus disebut sebagai a
pendekatan semi-parametrik Wong et al. lebih baru-baru ini pro-
mengajukan pendekatan lain untuk mengurangi biaya komputasi
Monte Carlo berbasis SSTA [9]. STA mereka didasarkan pada non-
fungsi penghitungan parametrik smoothing kernel untuk diestimasi
bentuk distribusi, namun pemilihan yang tepat
fungsi kernel tertimbang adalah non-sepele karena tergantung
fungsi distribusi yang ditargetkan. Dalam pengertian ini, ini adalah a
pendekatan semi-non-parametrik.
Berbeda dengan pendekatan yang ada, kami melakukan investigasi-
gerbang SSTA non-parametrik murni yang mewujudkan kemandirian
dari jenis distribusi dan bentuk persamaan delay. Untuk ini
Tujuannya, kita mengadopsi gagasan rangking dan non parametrik
operasi secara konsisten untuk kedua operasi fundamental
STA dan perhitungan kekritisan. Persyaratan minimum
adalah adanya model distribusi dan penundaan untuk primi-
tive delay busur dan masukan penundaan.Untuk yang terbaik dari knowl-
tepi, ini adalah kertas pertama yang mengusulkan kerangka kerja untuk
nyata non-parametrik SSTA.
2. Ketidakseimbangan DISTRIBUSI INDE-
DIA
2.1 Motivasi
Kami pertama kali menghadirkan dua orang yang kurang beruntung
kerangka parametrik SSTA.
1) Sesak: mari kita mempertimbangkan gerbang dua-masukan yang
Waktu kedatangan secara independen mengikuti distribusi normal
dengan mean dan berbeda varian yang sama, misalnya N (0, 1) dan
N (0, 2
2
). Kemudian, sebagai hasil dari operasi max, keberangkatan
Waktu yang memiliki nilai lebih besar pada output gate tidak merata
dipilih, lebih mungkin dari input dengan varians lebih besar
(N (0, 2
2
)) Definisi ketepatan yang lebih akurat diperlukan.
2) Perkiraan distribusi statistik:
Sekali lagi, mari kita pertimbangkan sebuah gerbang dua masukan yang
kedatangannya tiba
X dan Y mengikuti distribusi yang miring ke kanan
mandiri Ini adalah situasi yang umum karena jalan de-
Distribusi berbaring di simpul internal cenderung miring
698
39.5

Halaman 2
123
0
Tingkatan:
Kecil ← Jalur delay → Besar
ε
k
K max
1
N
Rasio:
1-ε
Gambar 1: Pengaturan elemen vektor delay.
untuk operasi max. Hal ini dapat dipastikan bahwa ap- Gaussian
Aproksimasi tidak hanya menghasilkan varians yang lebih kecil daripada yang
sebenarnya
nilai tapi terlalu panjang dan ekor yang berat.Jadi, Gaussian ap-
Aproksimasi menjadi terlalu pesimis.
Ini adalah masalah umum dalam kerangka parametrik SSTA-
bekerja dan sebagainya untuk memperhitungkan sewenang-wenang berbentuk dis-
Perluasan, pendekatan yang lebih kuat dan fleksibel diperlukan.
2.2 Gagasan utama
Secara umum, Monte Carlo berbasis SSTA (MC-STA) adalah rec-
ognized menjadi komputasi terlalu mahal [9] [10] [11] al-
Meski memiliki banyak karakteristik menarik seperti dis-
kemerdekaan distribusi, pertimbangan otomatis corre-
lations, dll Untuk runtime runtime reduction, kami mengusulkan sebuah
rumus analitik yang menentukan jumlah yang dibutuhkan
Uji coba Monte Carlo. Ini didefinisikan untuk dimasukkan setidaknya
salah satu data yang besar berpangkat (misalnya di luar ± 3 σ dari delay) yang
juga dianggap sebagai besar berpangkat (misalnya di luar ± 3 σ) di
distribusi induk. Derivasi analitis dari jumlah
Uji coba Monte Carlo yang diperlukan memastikan bahwa setiap vektor penundaan
memiliki setidaknya satu besar nilai delay misalnya . Hal ini memungkinkan
kita untuk mewujudkan delay-vector based analysis. Alih-alih iterat-
Percobaan Monte Carlo, pendekatan kami menyebarkan prede-
termined berukuran delay-vektor yang saya -th elemen di tertentu
node sesuai dengan nilai delay pada node yang sama di
i th percobaan MC-STA ketika dijalankan dalam seri. akhirat, yang
dimensi vektor dan jumlah uji coba yang digunakan antar-
berubah.
3. SSTA NON-PARAMETRIK
3.1 Penentuan dimensi vektor
Mari kita menunjukkan jumlah total hipotesa MC-STA
uji coba yang membangun ruang populasi dengan N dan mari kita menunjukkan
sidang yang sebenarnya atau nomor sampel oleh m . Misalkan bahwa setiap
Waktu lintasan data delay sampel diperoleh oleh MC-STA, yaitu
keterlambatan data ditugaskan untuk salah satu N -bins diurutkan dalam increas-
ing order sehingga delay besar memiliki ranking besar seperti pada
Gambar 1.
Di sini, mari kita mendefinisikan ε dan P (ε) untuk referensi nanti.
Tinggi peringkat kriteria ε: rasio peringkat Predefined dengan
probabilitas inklusi dihitung, dengan kata lain,
100 ε% poin penundaan dari yang terburuk (paling lambat) titik.
Inklusi probabilitas P (ε): Probabilitas acara yang
ruang sampel m berisi setidaknya satu sampel dengan
nomor peringkat lebih besar dari peringkat yang telah ditentukan
Dalam [12], ada anggapan bahwa tidak ada dasi dalam penundaan
Kami menghapus asumsi nol-dasi dan menyajikan sebuah
alternatif derivasi jumlah konservatif MC-STA
percobaan yang mencakup setidaknya satu contoh delay besar con-
Jika delay jalan juga menempati pangkat di dalam
100 ε% dari peringkat terbesar, yaitu pangkat N, jalan adalah
dinilai sebagai salah satu klaim jalur kasus terburuk Addi-
Secara umum, kami menunjukkan peringkat jalur keterlambatan terbesar di Indonesia
yang -samples m pertama keterlambatan path sebagai K max (m). Sebagai random
nilai integer dalam interval
variabel dom K max (m) mengambil

[1, N] seragam [12 ], saat-saat seperti E (K max (m) / N)

dihitung sebagai berikut: Di sini, dalam derivasi berikut,
k menunjukkan peringkat dari sampel delay yang diperoleh oleh salah satu
trial, dan kedua E (x) dan x adalah saat pertama x.
E(
K (m) max

N
)
=
N
X.
k=1
m- 1 ·
k·mC1·kΠ

1
N · m

1
N
≈
m
N m 1

(
N
m1
m+1
)=
m
m+1
(1)
E ((
K (m) max

N
-
K (m) max

N
)
3
)≈-
2 m (m - 1)
+ 2) (m + 3)
(M + 1) 3 (m

(2)
. Mengingat Persamaan (1), untuk sebuah ε diberikan, kita mengambil ~ m sehingga 1
-
ε=
~M
~M1
dan membagi sampel m ukuran-ukuran-ke ~ m sampel
himpunan bagian. Jumlah subset n didefinisikan oleh
m
~M
Kami
Anggaplah Prob (
k (~ m)
max

N
≤ 1 - ε) =
1
s
Artinya, probabilitasnya
dari kejadian itu hasil dari variabel acak
K (~ m)max

N
kurang dari 1 equals -ε
1
s
(S ≥ 1). Kemudian probabilitas bahwa
setidaknya satu ukuran-~ kelompok m termasuk setidaknya satu sampel delay
lebih besar dari rasio 1 - ε adalah P (ε) = 1 - (
1
s
)
n
Ini
yang ditetapkan sebelumnya Inklusi Probabilitas. Oleh karena itu, para
Ukuran sampel yang dibutuhkan sehingga ruang sampel paling sedikit mencakup
satu sampel penundaan jalur dengan Inklusi diberikan Probabilitas
P (ε) adalah analitis dinyatakan sebagai berikut.
m=-
ln (1 - P (ε) )
ε ln (s)
(3)
Secara umum, kemiringan memiliki tanda yang sama dengan perintah ke-3
kemiringan saat itu negatif, dis-
Distribusi memiliki ekor yang lebih panjang ke kiri. Distribusi tersebut memiliki
rata-rata lebih besar dari rata-rata statistik deskriptif in-
dicates. Dari persamaan. (2) , variabel acak K max memiliki negatif
miring ke kiri
dan rata-rata kurang dari median. Artinya
1
s
adalah
kurang dari
1
2
, sehingga ketidaksetaraan berikut ini berlaku.
Pengamatan 1. Diperlukan dimensi m dari penundaan vec-
untuk memenuhi ketidaksetaraan berikut untuk inklusi yang telah ditentukan
probabilitas P (ε) dan tinggi peringkat kriteria ε.
m≤-
ln (1 - P (ε) )
ε ln (2)
3.2 SSTA non-parametrik: tipe paralel
Menggunakan vektor penundaan dimensi m ditentukan dalam
Bagian sebelumnya, kita bisa melakukan MC-STA secara paralel
menggunakan vektor delay sehingga saya elemen -th keterlambatan
vektor sesuai untuk menunda nilai dalam i th MC-STA percobaan
Saat serial dijalankan, kami menyebut jenis SSTA sejajar ini
ketik SSTA non-parametrik (PA). Mari kita simak dua masukan
gerbang dan dua waktu kedatangan vektor A dan B. Sesuai
dan b E dan keberangkatan kali
delay busur pintu gerbang itu E a

Dalam PA, jumlah operasi dilakukan

D dan D b, masing-masing.

by biasa elemen-bijaksana Selain skalar D a (i) = A (i) +

unsur saya -th dari vektor V diwakili
E a (i). Di sini,

sebagai V (i). Demikian pula, unsur-bijaksana max operasi didefinisikan.

dan D b adalah max -ed untuk membentuk
Unsur i -th vektor D

D max (i) = max (D (i), D b (i)).

i th unsur D max, di mana

Dari definisi di atas, pengamatan berikut ini berlaku.

Pengamatan 2. PA memiliki kemampuan yang sama untuk mendeteksi statis-
tically path delay besar seperti pada nomor yang sesuai
dari iterasi MC-STA.
3.3 SSTA non-parametrik lainnya: Mann
Jenis Whitney
Sebuah definisi yang berbeda dari operasi max adalah mungkin dengan
Konsep "non parametrik tightness" Secara umum, setelah rank-
ing operasi, sebuah vektor penundaan dipetakan ke permuta-
tion dari (1, 2, ... , m). Biarkan m a menjadi jumlah elemen e
, D b) ∩ D Juga, mari kita mendefinisikan sebuah m a. -
sehingga e ∈ max (D

para NUM peringkat

dimensi sub-vektor R yang terdiri dari

Semua elemen memenuhi kondisi di atas, dimana

peringkat e ∈ [1, m]. m b dan R b didefinisikan Serupa
R b (i) menunjukkan elemen i -th dari vektor
larly. R a (i) dan

Kemudian, R a (i) dan R b (i) mengambil m a -

. R dan R b, masing-masing

1, m], masing-masing. Kemudian

dan nilai-nilai m b -different dari [

699

Halaman 3
seleksi
Vektor
Elemen-
wize max
Elemen-
wize sum
Peringkat
E b

E a

A
B
D
D
b
Jenis MW SSTA output
V (i) = max (D a (i), D b (i))
i) + E a (i)
D (i) = A (

i) + E b (i)
D b (i) = B (

V
PA tipe SSTA output
R a

R b

ζb
V = D jika ζ a>

ζ sebuah
V = D b jika ζ b>

R b)
ζ a = f (R a,

R a)
ζ b = f (R b,

D
D
b

Ketat
Nilai p
Gambar 2: Operasi dasar dua jenis
SSTA non parametrik.
statistik Mann Whitney ([13]) untuk R suatu dinyatakan sebagai berikut.
m sebuah

Σ
i
R (i) - a

1
2
m (m + 1) sebuah a

(4)
Statistik di atas ini sama dengan frekuensi seperti yang R a (i) (∈
) (∈ R b) (di mana 1 ≤ i ≤ m a, 1 ≤ j ≤ m b).
R a) <R b (j

Membagi Persamaan (4). Dengan jumlah semua kombinasi R a

· m b, kemungkinan berikut ini didefinisikan.
dan R b, yang merupakan m a

P = t, a

1
m m b

(
m sebuah

Σ
i
R (i) - a

1
2
m (m + 1) sebuah a
\
(5)
yang masalah.Safe_mode bersyarat
Probabilitas P t dapat dianggap sebagai

kemampuan di bawah operasi max elemen-bijaksana. Untuk mendapatkan bersama

metrik probabilitas-seperti, kita kalikan dengan m a / (m a + m b).
Kemudian, Persamaan (6) yang sebanding dengan non-parametrik ketat-
ness ζ diperoleh. Meskipun kanan sisi masih perlu
untuk dinormalisasi sebagai ukuran probabilitas, itu cukup
metrik untuk max statistik pemilihan vektor karena hanya satu
ukuran relatif itu penting
ζα a

1
)
m b (m a + m b

(
m sebuah

Σ
i
R (i) -
a

1
2
m (m + 1)
sebuah a

\
(6)
Untuk mengadopsi atas max operasi statistik berdasarkan pada
Ketahanan non parametrik, Mann Whitney tipe SSTA (MW)
dapat dibangun. MW adalah perpanjangan alami dari tra-
STA yang hanya menyediakan oneountedly yang masuk akal
jalur kritis di setiap titik akhir.Selain itu, kekritisan bertemu-
rics (nilai P), yang berguna untuk menemukan kemungkinan kritis lainnya
calon jalan di setiap simpul, akan diperkenalkan.
ference antara PA dan MW terletak pada operasi max pada
delay vektor. Dalam MW, satu seluruh vektor dipilih oleh max
operasi pada setiap node berdasarkan non parametrik ketat-
ness ζ. Untuk mendapatkan ζ, tambahan operasi yang terdiri dari macam-
ing, ranking dan perhitungan statistik Mann Whitney
dilakukan setelah elemen-bijaksana max operasi . com- The
proses putusan dari dua SSTAs non-parametrik yang diusulkan
ditunjukkan pada Gambar. 2. non parametrik sesak ζ adalah cal-
Dihitung untuk setiap vektor waktu keberangkatan dan vektor itu
telah yang ζ terbesar dipilih.
3.4 Aplikasi Mann Whitney P-value to
tingkat kepercayaan kekritisan lokal
PA memiliki kemampuan yang cukup untuk mendeteksi tingkat yang telah ditentukan
jalur penundaan yang secara statistik paling buruk dengan probabil-
Di PA, jalur tertentu terkandung beberapa kali dalam a
delay vector. Jalur tersebut dianggap kritis dan berguna
dalam optimasi waktu.Menerapkan statistik pesanan, kami pro-
pose sebuah metrik yang dapat memberikan informasi kekritisan
dari setiap jalur di setiap simpul.
peringkat sub-vektor yang terdiri dari data yang
Jika R dan R b adalah

distribusi statistik yang sama, jumlah rangking dari

distribu-
setiap elemen dalam R asimtotik sebuah berikut yang normal

bahkan dengan dimensi vektor moderat [13] .Ini juga

Tahan statistik Mann Whitney. Dengan menggunakan fakta ini, kita bisa
Tabel 1: Contoh fungsi delay-model yang memetakan
variasi sumber untuk menunda.
peta
deskripsi fungsi
linier
P S

i = 1 (a i + b i X i) ≡ f 1 (X i)

Pesanan 2-nd
f (X +
1 i)

P S

i=1ciXi
2 ≡ f 2 (X i)
Pesanan 3-rd
f (X +
2 i)

P S

i=1diXi
3 ≡ f 3 (X i)
Pesanan 3-rd + cor
urutan ke-3 dengan korelasi ≡ f 3

Pesanan 3-rd + cor + global

f + 3

P P
i=1eiGi
segitiga-kanan
pdf = - 2

2x+2
a (0 ≤x≤a),

0 (x <0 atau x> a)

segitiga-kiri
pdf = 2

2 x (0 ≤x≤a), 0 (x <0 atau x> a)

hakim apakah dua vektor penundaan dihasilkan dari yang sama

sumber distribusi atau tidak, mengingat penyimpangan dari
distribusi normal.
Untuk sewenang-wenang dua delay vektor X dan Y yang mengikuti
Distribusi statistik yang sama, probabilitas risiko untuk dimiliki
dinilai memiliki sumber distribusi yang berbeda
dengan nilai P dalam Mann Whitney U-test. Nilai P adalah proba-
Ukuran bility dari statistik Mann Whitney adalah
kurang dari nilai yang diberikan dengan syarat dua kelompok
Untuk dibandingkan adalah signifikan identik. Nilai P yang lebih besar
menunjukkan adanya jalur kritis statistik terburuk lainnya
calon daripada yang terdeteksi oleh MW.
4. VALIDASI EKSPERIMENTAL
4.1 Tunda setup model
Percobaan dilakukan pada standar ISCAS cir-
cuits menggunakan model penundaan yang berbeda [14] Tabel 1 menunjukkan func-
. Misalnya, lin- yang
tions yang memetakan variabel X i untuk menunda

peta telinga
Σ S

i=1
) adalah bentuk kanonik banyak digunakan
(A i + b i X i

delay yang khas dan sensitiv-

di mana saya dan b saya mewakili

Segitiga kanan. dan

ity dari variabel X i, masing-masing

segitiga-kiri langsung menentukan menunda pdf dan sesuai dengan

benar miring dan meninggalkan distribusi miring, masing - masing
delay model order 3-rd + cor dan ketertiban 3-rd + cor + global,
variabel X i dan
korelasi diasumsikan antara X i. Sebagai

distribusi sewenang-wenang dapat

variasi G global yang saya di SSTA kami,

ditangani dengan benar.Dalam percobaan ini, distribu-

Dianggap ada tapi tidak ada informasi parametrik
dimanfaatkan. S dan P adalah jumlah sumber variasi, baik
set ke satu di sini
4.2 Penentuan dimensi vektor
Tabel 2 merangkum probabilitas dan frekuensi inklusi
Probabilitas Kami memilih 0,7, 0,8, 0,95, dan 0,99 sebagai inklusi
probabilitas untuk percobaan ini. Jumlah percobaan m adalah
<RTI ID = 0.0> 347, </ RTI> 464, 864 dan 1329 berdasarkan
Eq. (1) dengan menetapkan ε ke 0. 005. Kami membangun orangtua referensi
ruang populasi data delay jalan untuk dipilih secara sewenang-wenang
titik akhir dengan melakukan 30.000 iterasi MC biasa-
STA Misalnya, 347 percobaan MC-STA dilakukan
Model penundaan "linier" 20 kali dari rangkaian C1355
Ini berjalan, 16 dari 20 set berhasil termasuk setidaknya
salah satu data yang peringkat lebih besar dari 30, 000 · (1 - ε) = 29.850 di
ruang induk. Sejalan dengan itu, rasio 16 /20 (= 0,8) adalah
terdaftar sebagai probabilitas frekuensi pada Tabel 2. Setiap entri tabel
memiliki probabilitas frekuensi yang lebih besar dari target inklusi
Probabilitas, oleh karena itu, ketidaksetaraan Persamaan (1) pasti
memberi kita perkiraan konservatif tentang jumlah uji coba STA
di MC-STA, atau dimensi vektor.
4.3 Perbandingan SSTA non parametrik
Tabel 3 membandingkan histogram jalur kritis yang terdeteksi oleh
menggunakan PA dan MW. Dalam percobaan ini, vektor delay
Dimensi ditetapkan untuk 864 untuk kedua jenis. Sepuluh percobaan dengan
Dimensi ini dilakukan, misalnya Path-A
Frekuensi terbesar oleh PA. Path-B adalah yang kedua, dan begitu
Perhatikan bahwa jalur A, B dan C berbeda pada setiap rangkaian.
Seperti dapat dilihat, semua jalur kritis yang terdeteksi oleh MW juga
700

Halaman 4
Tabel 2: Perbandingan target probabilitas inklusi
dan probabilitas frekuensi yang diperoleh oleh MC-STA.
- ln (1 - P) / (ε ln (2)) m = 347 m = 464 m = 864 m = 1329
C3540
P = 0,7
P = 0,8 P = 0,95 P = 0,99
linier
0,8
0,85
1
1
Urutan kedua
0,75
0,95
1
1
Urutan ke-3
0,8
0,85
1
1
Urutan ke-3 + cor
0,8
0,85
1
1
Urutan ke-3 + cor + global
0,8
0,85
0,95
1
segitiga-kanan
0,75
0,95
1
1
segitiga-kiri
0,9
0,9
1
1
Rata-rata
0,80
0,89
0,99
1
kritis di PA. Frekuensi jalur tersebut ditunjukkan
dengan tanda bintang di Tabel 3. Hal ini menunjukkan kesesuaian
definisi ketiadaan non parametrik.
Tabel 3: Perbandingan jalur dan frekuensi yang terdeteksi
antara tipe Paralel dan Mann Whitney.
Sirkuit
Titik akhir
Ketik
Jalur-A
B
C
D
C432
N223
PA
*6
*3
1
MW
*9
*1
N421
PA
*4
*3
2
1
MW
*1
*9
C880
N448
PA
*8
1
1
MW
* 10
N767
PA
4
3
2
*1
MW
* 10
C1355
N1355
PA
*5
5
MW
* 10
C7552
N11342
PA
* 10
MW
* 10
Tabel 4: Kekritiran jalan dan nilai P.
Akhir
Panggung
12
11
10
9
8
7
Jalur-D
N767
N660
N588
N550
N530
N499
P-Nilai
0
0
0
* 0,463
0,1
0,1
Jalur-A
N767
N660
N588
* N551
N533
N501
Jalur-B
N767
N660
N588
* N551
N533
N501
Jalur-C
N767
N660
N588
N550
N530
N499
Mulai
Panggung
6
5
4
3
2
1
Jalur-D
N460
N425
N405
N360
N304
N106
P-Nilai
0
0
* 0,443
0
0,063
0
Jalur-A
N463
N426
N408
N366
N308
N126
Jalur-B
N463
N426
N408
N366
N308
N121
Jalur-C
N460
N425
* N404
N357
N302
N96
Nilai P dihitung dengan MW di sepanjang Path-D untuk akhir
Titik nodal N767 di C880 tercantum pada Tabel 4. Path-A adalah
jalur penundaan terbesar yang sesuai dengan elemen end-
point delay vector oleh PA. Path-B dan C adalah jalur ob-
Dipegang oleh berbagai percobaan PA. Keempat jalur terdeteksi
dalam 10 uji coba. Di sisi lain, Path-D juga terdeteksi oleh
MW Melihat kelainan pada jalur yang berbeda, Path-
Cabang A dan B dari Path-D pada node N550, dan Path-C
cabang dari Path-D di node N405. Disini, branchings
ditunjukkan dengan menggunakan asterisk untuk kejelasan
simpul mismatch pertama ditandai di setiap jalur, karena subse-
Beberapa ketidaksesuaian dianggap disebabkan oleh yang pertama
satu N550 dan N405 dipilih di antara kipas angin lainnya
berdasarkan statistik Mann Whitney di gerbang masing-masing.
Pada saat-node, P-nilai yang 0. 463 dan 0. 443, masing-masing.
Menurut U-test, nilai mereka sangat besar.
Kedepan, menjatuhkan fan-in nodes dapat dianggap secara statistik
identik dengan N550 atau N405 dan diharapkan bisa dipilih sebagai
max vektor oleh ketatnya dengan tambahan MC -STA berjalan.
Dengan demikian, kita dapat memberikan tingkat kepercayaan kritis dengan
pemilihan busur sumber-tenggelam oleh keketatan non-parametrik
Contoh jelas menunjukkan kegunaan nilai P dalam path crit-
Diagnosis icality untuk optimasi waktu.
Tabel 5: Komparasi waktu pelaksanaan antara dif-
jenis MC-STA ferent.
sirkuit
C7552
S9234
S13207
Jalankan MW / PA MW / MC MW / PA MW / MC MW / PA MW / MC
100
2.2
0,08
1.3
0,05
0.4
0,05
200
2.2
0,06
1.1
0,04
0,3
0,04
300
2.0
0,07
1.2
0,05
0,3
0,04
Av.
2.1
0,07
1.2
0,05
0.4
0,04
Tabel 5 mencantumkan perbandingan runtime antara yang berbeda
MC-STA Dengan metode yang diusulkan menggunakan vektor delay,
biaya komputasi telah dikurangi menjadi 1/12 sampai 1/25 com-
dikupas ke MC-STA normal. Penurunan ini telah menjadi hasilnya
menghilangkan jejak jalan
KESIMPULAN
Kami menyajikan konsep baru SSTA non-parametrik. Kami-
memikirkan gagasan statistik pesanan dan menunda vektor, fundamen-
operasi yang independen dari distribu-
dan model penundaan diusulkan Untuk mengejar computa-
efisiensi tional, sejumlah dimensi vektor konservatif
untuk menjamin pemenuhan kendala waktu pada setiap pra-
Probabilitas didefinisikan secara analitis. Metrik
Tingkat keyakinan untuk seleksi busur penundaan spesifik juga ditentukan
menggunakan nilai P dalam statistik Mann Whitney
Algoritma diimplementasikan sebagai program prototipe dan ap-
Teruskan ke rangkaian benchmark ISCAS memiliki beragam macam
Model delay. Hasil percobaan menunjukkan efisiensi dan
kegunaan algoritma kami
DAFTAR PUSTAKA
[1] M. Pan, C. Chu, dan H. Zhou, "Timing menghasilkan estimasi dengan
menggunakan
Analisis waktu statis statis, "dalam Proc. ISCAS, No. 3,
hal. 2461-2464, 2005.
[2] A. Srivastava, D. Sylvester, dan D. Blaauw, "Analisis statistik
dan optimasi untuk VLSI: timing dan power, "Reading,
Springer, 2005.
[3] A. Nadas, "Probabilistic PERT," IBM J. Res Dev, Vol 23,
No. 3, hal. 339-347, Mei 1979.
[4] TI Kirkpatric dan NR Clark, "PERT sebagai alat bantu untuk logika
desain, "IBM J. Res. Dev., Vol 10, No. 2, hlm. 135-141, 1966.
[5] X. Li, Jiayong Le dan LT Pileggi, "STAC: Waktu statistik
analisis dengan korelasi, "di Proc. DAC, hlm. 343-348, 2004.
[6] C. Visweswariah, K. Ravindran, K. Kalafala, SG Walker, dan
S. Narayam, "statistik tingkat dasar berbasis pesanan pertama
analisis waktu, "di Proc. DAC, hlm. 331-336, 2004.
[7] Y. Zhang, AJ Strojwas, M. Sharma, dan D. Newmark,
"Analisis jalur kritis statistik yang mempertimbangkan korelasi," di
Proc. ICCAD, hal. 699-704, 2005.
[8] L. Zhang, W. Chen, JAG Yuhen Hu, dan CC-P Chen,
"Analisis waktu statistik non-gaussian yang diawetkan dengan korelasi
dengan model waktu kuadratik, "di Proc. DAC, hlm. 83-88, 2005.
[9] JL Wong, A. Davoodi, V. Khandelwal, A. Srivastava, dan
M. Potkonjak, "Analisis waktu statistik menggunakan kernel
smoothing, "di Proc. ICCD, hal. 97-102, 2007.
[10] M. Orshansky dan A. Bandyopadhyay, "Waktu statistik yang cepat
analisis penanganan korelasi penundaan sewenang-wenang, "di Proc. DAC,
hlm. 337-342, 2004.
[11] A. Agarwal, V. Zolotov, dan DT Blaauw, "Waktu statistik
analisis menggunakan batas dan penghitungan selektif, "IEEE Trans.
CAD, Vol 22, No. 9, hlm 1243-1260, Sep. 2003.
[12] M. Imai, T. Sato, N. Nakayama, dan K. Masu, "Sebuah evaluasi
metode untuk uji coba Monte Carlo STA, "IEICE
Trans. Fundamental, Vol. E91-A, No.4, Apr. 2008.
[13] EL Lehmann, "NONPARAMETRICS, metode statistik
berdasarkan peringkat, "Reading, Holden-Day, 1975.
[14] ISCAS benchmark sirkuit, http://www.fm.vslib.c