drools編譯

Ⅰ 求Rete演算法實現代碼

Rete 在拉丁語中是 」net」 ，有網路的意思。 RETE 演算法可以分為兩部分：規則編譯（ rule compilation ）和運行時執行（ runtime execution ）。
編譯演算法描述了規則如何在 Proction Memory 中產生一個有效的辨別網路。用一個非技術性的詞來說，一個辨別網路就是用來過濾數據。方法是通過數據在網路中的傳播來過濾數據。在頂端節點將會有很多匹配的數據。當我們順著網路向下走，匹配的數據將會越來越少。在網路的最底部是終端節點（ terminal nodes ）。在 Dr Forgy 的 1982 年的論文中，他描述了 4 種基本節點： root , 1-input, 2-input and terminal 。下圖是 Drools 中的 RETE 節點類型：

Figure 1. Rete Nodes
根節點（ RootNode ）是所有的對象進入網路的入口。然後，從根節點立即進入到 ObjectTypeNode 。 ObjectTypeNode 的作用是使引擎只做它需要做的事情。例如，我們有兩個對象集： Account 和 Order 。如果規則引擎需要對每個對象都進行一個周期的評估，那會浪費很多的時間。為了提高效率，引擎將只讓匹配 object type 的對象通過到達節點。通過這種方法，如果一個應用 assert 一個新的 account ，它不會將 Order 對象傳遞到節點中。很多現代 RETE 實現都有專門的 ObjectTypeNode 。在一些情況下， ObjectTypeNode 被用散列法進一步優化。

Figure 2 . ObjectTypeNodes
ObjectTypeNode 能夠傳播到 AlphaNodes, LeftInputAdapterNodes 和 BetaNodes 。
1-input 節點通常被稱為 AlphaNode 。 AlphaNodes 被用來評估字面條件（ literal conditions ）。雖然， 1982 年的論文只提到了相等條件（指的字面上相等），很多 RETE 實現支持其他的操作。例如， Account.name = = 「Mr Trout」 是一個字面條件。當一條規則對於一種 object type 有多條的字面條件，這些字面條件將被鏈接在一起。這是說，如果一個應用 assert 一個 account 對象，在它能到達下一個 AlphaNode 之前，它必須先滿足第一個字面條件。在 Dr. Forgy 的論文中，他用 IntraElement conditions 來表述。下面的圖說明了 Cheese 的 AlphaNode 組合（ name = = 「cheddar」 ， strength = = 「strong」 ）：

Figure 3. AlphaNodes
Drools 通過散列法優化了從 ObjectTypeNode 到 AlphaNode 的傳播。每次一個 AlphaNode 被加到一個 ObjectTypeNode 的時候，就以字面值（ literal value ）作為 key ，以 AlphaNode 作為 value 加入 HashMap 。當一個新的實例進入 ObjectTypeNode 的時候，不用傳遞到每一個 AlphaNode ，它可以直接從 HashMap 中獲得正確的 AlphaNode ，避免了不必要的字面檢查。
<!--[if !supportEmptyParas]-->

2-input 節點通常被稱為 BetaNode 。 Drools 中有兩種 BetaNode ： JoinNode 和 NotNode 。 BetaNodes 被用來對 2 個對象進行對比。這兩個對象可以是同種類型，也可以是不同類型。
我們約定 BetaNodes 的 2 個輸入稱為左邊（ left ）和右邊（ right ）。一個 BetaNode 的左邊輸入通常是 a list of objects 。在 Drools 中，這是一個數組。右邊輸入是 a single object 。兩個 NotNode 可以完成『 exists 』檢查。 Drools 通過將索引應用在 BetaNodes 上擴展了 RETE 演算法。下圖展示了一個 JoinNode 的使用：

Figure 4 . JoinNode

注意到圖中的左邊輸入用到了一個 LeftInputAdapterNode ，這個節點的作用是將一個 single Object 轉化為一個單對象數組（ single Object Tuple ），傳播到 JoinNode 節點。因為我們上面提到過左邊輸入通常是 a list of objects 。
<!--[if !supportEmptyParas]-->
Terminal nodes 被用來表明一條規則已經匹配了它的所有條件（ conditions ）。 在這點，我們說這條規則有了一個完全匹配（ full match ）。在一些情況下，一條帶有「或」條件的規則可以有超過一個的 terminal node 。
Drools 通過節點的共享來提高規則引擎的性能。因為很多的規則可能存在部分相同的模式，節點的共享允許我們對內存中的節點數量進行壓縮，以提供遍歷節點的過程。下面的兩個規則就共享了部分節點：

這里我們先不探討這兩條 rule 到的是什麼意思，單從一個直觀的感覺，這兩條 rule 在它們的 LHS 中基本都是一樣的，只是最後的 favouriteCheese ，一條規則是等於 $cheddar ，而另一條規則是不等於 $cheddar 。下面是這兩條規則的節點圖：

Figure 5 . Node Sharing
從圖上可以看到，編譯後的 RETE 網路中， AlphaNode 是共享的，而 BetaNode 不是共享的。上面說的相等和不相等就體現在 BetaNode 的不同。然後這兩條規則有各自的 Terminal Node 。
<!--[if !supportEmptyParas]-->
RETE 演算法的第二個部分是運行時（ runtime ）。當一個應用 assert 一個對象，引擎將數據傳遞到 root node 。從那裡，它進入 ObjectTypeNode 並 沿著網路向下傳播。當數據匹配一個節點的條件，節點就將它記錄到相應的內存中。這樣做的原因有以下幾點：主要的原因是可以帶來更快的性能。雖然記住完全或 部分匹配的對象需要內存，它提供了速度和可伸縮性的特點。當一條規則的所有條件都滿足，這就是完全匹配。而只有部分條件滿足，就是部分匹配。（我覺得引擎 在每個節點都有其對應的內存來儲存滿足該節點條件的對象，這就造成了如果一個對象是完全匹配，那這個對象就會在每個節點的對應內存中都存有其映象。）
2. Leaps 演算法：
Proction systems 的 Leaps 演算法使用了一種「 lazy 」方法來評估條件（ conditions ）。一種 Leaps 演算法的修改版本的實現，作為 Drools v3 的一部分，嘗試結合 Leaps 和 RETE 方法的最好的特點來處理 Working Memory 中的 facts 。
古典的 Leaps 方法將所有的 asserted 的 facts ，按照其被 asserted 在 Working Memory 中的順序（ FIFO ），放在主堆棧中。它一個個的檢查 facts ，通過迭代匹配 data type 的 facts 集合來找出每一個相關規則的匹配。當一個匹配的數據被發現時，系統記住此時的迭代位置以備待會的繼續迭代，並且激發規則結果（ consequence ）。當結果（ consequence ）執行完成以後，系統就會繼續處理處於主堆棧頂部的 fact 。如此反復。

rule
when
Cheese( $chedddar : name == " cheddar " )
$person : Person( favouriteCheese != $cheddar )
then
System.out.println( $person.getName() + " does likes cheddar " );
end

rule
when
Cheese( $chedddar : name == " cheddar " )
$person : Person( favouriteCheese == $cheddar )
then
System.out.println( $person.getName() + " likes cheddar " );
end

本文來自CSDN博客，轉載請標明出處：http://blog.csdn.net/icefishchwd/archive/2007/01/22/1489668.aspx

Ⅱ Google Aviator——輕量級 Java 表達式引擎實戰

本文將探討Google Aviator——一款輕量級Java表達式引擎，其在實戰中的表現和與其他常用表達式引擎如Drools、IKExpression和Groovy的對比。Drools以其高性能和Java實現聞名，但主要關注復雜對象的規則匹配，而Aviator則定位在輕量級和高性能之間，編譯執行模式提供更好的性能。IKExpression作為解釋執行的引擎，雖然簡潔，但在性能上不如Aviator和Groovy。Groovy憑借動態執行和JIT編譯，適用於頻繁執行的場景。

在實際場景中，比如監控告警規則配置，Aviator能快速將規則轉化為表達式並執行，如示例所示：

通過自定義函數實現，只需繼承AbstractAlertFunction，如源碼所示，並在初始化時注冊。對於性能問題，推薦使用編譯緩存模式，以減少每次執行時的編譯成本。

Aviator的性能優化和管理可以通過其提供的緩存管理方法來實現。對於更深入的技術探討和參考，可以參考作者的個人博客和相關文檔。