drools规则引擎分析研究

• 1、则引擎的优点：

   1.1	使用规则引擎可以通过降低实现复杂业务逻辑的组件的复杂性，降低应用程序的维护和可扩展性成本。
   1.2	分离商业决策者的商业决策逻辑和应用开发者的技术决策。
   1.3	能有效的提高实现复杂逻辑的代码的可维护性。
   1.4	在开发期间或部署后方便修复代码缺陷。
   1.5	应付特殊状况，即客户一开始没有提到要将业务逻辑考虑在内。
   1.6	符合组织对敏捷或迭代开发过程的使用。
  

• 2、Rete算法
  Rete算法是一种前向规则快速匹配算法，其匹配速度与规则数目无关。Rete算法通过形成一个rete网络进行模式匹配，利用基于规则的系统的两个特征，即时间冗余性（Temporal redundancy）和结构相似性（structural similarity），提高系统模式匹配效率。

• 2.1 网络关键字解释

   2.1.1	**alpha网络**：过滤working memory，找出符合规则中每一个模式的集合，生成alpha memory（满足该模式的集合）。有两种类型的节点，过滤type的节点和其他条件过滤的节点。
   2.1.2	**Beta网络**：有两种类型的节点Beta Memory和Join Node。前者主要存储Join完成后的集合。后者包含两个输入口，分别输入需要匹配的两个集合，由Join节点做合并工作传输给下一个节点。
   2.1.3	**Fact(事实)**：对象之间及对象属性之间的关系。
   2.1.4	**Rule(规则)**： 是由条件和结论构成的推理语句（表示：if…Then）。（LHS和RHS）
   2.1.5	**module（模式）**：是指不能继续分割的最小原子条件（组成IF语句的条件）。
   2.1.6	**root node**：所有对象进入网络的入口，在一个网络中只有一个根节点。
   2.1.7	**input node(alpha node)**：可以分为ObjectTypeNode，AlphaNode等。
   2.1.8	**object type node**：事实进入根节点进入rete网络后，会立即进入object type node节点。（该节点提供了按照对象类型过滤对象的能力）。
   2.1.9	**alpha node**：alpha节点是规则的条件部分的一个模式。（是共享的）
   2.1.10	 **beta node**：拥有两个输入的节点。用于比较两个对象。（不是共享的）
   2.1.11	 **join node** : 用作连接操作的节点，相当于数据库的表连接操作。
   2.1.12	 **NotNode**：根据右边输入对左边输入的对象数组进行过滤。
   2.1.13	 **terminal node**：到达一个终端节点，表示单条规则匹配了所有的条件，网络中有多个终端节点。当单条规则中有or时，也会产生多个终端节点。
  

• 2.2 产生式系统的高效模式匹配算法概述：

   产生式系统主要分为，working memory（被处理的数据），用于判定的规则两个部分，其中规则又分为LHS(left-hand-side 前提)和RHS(right hand side 结论)。主要流程：
   1、	Match：找出符合LHS部分的working memory集合
   2、	confilict resolution：选出一个条件被满足的规则
   3、	act：执行RHS的内容
   4、	返回1中的数据
  

• 2.3 Rete算法流程图
  

• 2.4 Rete网络创建过程解析：

   2.4.1	创建root节点（根节点），推理网络的入口。
   2.4.2	拿到规则1，从规则1中取出模式1（模式就是最小的原子条件）。
   	2.4.2.1	检查模式1中的参数类型，如果是新类型，添加一个类型节点。
   	2.4.2.2	检查模式1对应的Alpha节点是否存在，如果存在记录下节点的位置；如果没有，将模式1作为一个Alpha节点加入到网络中。同时根据Alpha节点建立Alpah内存表。
   	2.4.2.3	重复2.4.2.2，直到处理完所有模式。
   	2.4.2.4	组合Beta节点：Beta(2)左输入节点为Alpha(1)，右输入节点为Alpha(2)；Beta(i)左输入节点是Beta(i-1),右输入节点为Alpha(i)，并将两个父节点的内存表内联成为自己的内存表。
   	2.4.2.5	重复2.4.2.4，直到所有Beta节点处理完毕。
   	2.4.2.6	将动作Then部分封装成最后节点做为Beta（n）。
   2.4.3	重复2.4.2，直到所有规则处理完毕。
  

• 2.5 Rete网络运行过程解析：

   2.5.1	导入需要处理的事实到facts集合中。
   2.5.2	如果facts不是空，选择一个fact进行处理。否则停止匹配过程。
   2.5.3	选择alpha网络的第一个节点运行（在建立网络的时候设定），通过该节点就进入alpha网的下一个节点，知道进入alpha memory 否则跳转到吓一跳判断路径。
   2.5.4	将alpha memory的结果加入到beta memory中，如果不为Terminal节点，则检测另一个输入集合中是否存在满足条件的事实，满足则执行join，进入到下一个beta memory重复执行3。若另一个输入集合无满足条件的事实，返回到2。如果该节点为Terminal节点，执行ACT并添加到facts中。
  

• 2.6 Rete网络运行时解析：

•  2.6.1	推理引擎在进行模式匹配时，先对事实进行断言，为每一个事实建立WME(Working Memory Element)。
   2.6.2	将WME从RETE鉴别网络的根结点开始匹配，因为WME传递到的结点类型不同采取的算法也不同，所以需要对alpha结点和beta结点处理WME的不同情况而分开讨论:
   	2.6.2.1	如果WME的类型和根节点的后继结点TypeNode(alpha结点的一种)所指定的类型相同，则会将该事实保存在该TypeNode结点对应的alpha存储区中，该WME被传到后继结点继续匹配，否则会放弃该WME的后续匹配；
   	2.6.2.2	如果WME被传递到alpha结点，则会检测WME是否和该结点对应的模式相匹配，若匹配，则会将该事实保存在该alpha结点对应的存储区中，该WME被传递到后继结点继续匹配，否则会放弃该WME的后续匹配：
   	2.6.2.3	如果WME被传递到beta结点的右端，则会加入到该beta结点的right存储区，并和left存储区中的Token进行匹配(匹配动作根据beta结点的类型进行，例如：join，projection，selection)，匹配成功，则会将该WME加入到Token中，然后将Token传递到下一个结点，否则会放弃该WME的后续匹配：
   	2.6.2.4	如果Token被传递到beta结点的左端，则会加入到该beta结点的left存储区，并和right存储区中的WME进行匹配(匹配动作根据beta结点的类型进行，例如：join，projection，selection)，匹配成功，则该Token会封装匹配到的WME形成新的Token，传递到下一个结点，否则会放弃该Token的后续匹配；
   	2.6.2.5	如果WME被传递到beta结点的左端，将WME封装成仅有一个WME元素的WME列表做为Token，然后按照 4) 所示的方法进行匹配：
   	2.6.2.6	如果Token传递到终结点，则和该根结点对应的规则被激活，建立相应的Activation，并存储到Agenda当中，等待激发。
   	2.6.2.7	如果WME被传递到终结点，将WME封装成仅有一个WME元素的WME列表做为Token，然后按照 1.6.2.6 所示的方法进行匹配；
  

• 2.7 Rete算法分析：

   2.7.1	rete算法优于普通代码逻辑
   2.7.2	rete算法由于采用alphamemory和betamemory来存储事实，当事实集合变化不大时，保存的节点状态不需要太多变化。避免了大量的重复计算，提高了匹配效率。
   2.7.3	rete匹配速度和规则数目无直接关系，因为只有满足类型节点才会沿着网络传播。
   2.7.4	rete算法使用了存储区存储已经计算的中间结果，以空间换取时间，从而加快系统的速度。所以存储区会根据规则的条件和事实的数据成指数级增长，极端情况会耗尽系统资源。
  

• 2.8 Rete详细分析可以参考：https://www.jianshu.com/p/3e9afe9e0617