drools －Rete演算法

這是一個建立於 的文章，其中的資訊可能已經有所發展或是發生改變。

Rete演算法是Charles Forgy在1979年的論文中首次提出的，針對基於規則知識表現的模式比對演算法。目前來說，大部分規則引擎還是基於rete演算法作為核心，但都有所改進，比如drool，jess等等，下面介紹rete演算法的概念

1.rete 演算法

Rete演算法是一種高效的模式比對演算法用來實現產生式規則系統
（空間換時間，用記憶體換取匹配速度）

它是高效的演算法，它通過緩衝避免了相同條件多次評估的情況，但是帶來了大量的記憶體使用量

Rete 在拉丁語中是 ”net” ，有網路的意思；Rete演算法通過規則條件產生了一個網路，每個規則條件是網路中的一個節點

rete可以被分為兩部分：規則編譯和運行時執行。規則編譯是指根據規則集產生推理網路的過程，運行時執行指將資料送入推理網路進行篩選的過程。

2.規則編譯

規則編譯就是根據規則檔案推理產生網路的過程。下面展示一下推理後的網路節點圖。（大家只用看一下，心裡有個印象就好，下面我會分析講解）

圖一

2.1 Root Node:

（一的黑色節點） 根節點（RootNode）是所有對象進入網路的入口，然後進入到TypeNode

2.2 Type Node

(有的叫ObjectTypeNode，圖一的紅色節點): type Node 就是我們的fact 也就是我們規則所用到的pojo；每個fact 就是一個 type node。 type Node 就是類型檢查，引擎只讓匹配Object 類型的對象到達節點，它能夠傳播到 AlphaNodes、LeftInputAdapterNodes （作為betaNodes的左端輸入節點）和 BetaNodes

舉例：有兩個fact ，Person 和cheese 。那麼節點圖就如下所示。

2.3 Alpha Node

:(圖一的藍色節點)用來評估字麵條件，例如。person.age>10 這就是一個 alpha node 節點，當一條規則有多條字麵條件，這些字麵條件被連結到一起。

Drools 通過散列法最佳化了從 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 。當一個新的執行個體進入 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。

舉例 1:條件 Cheese （name＝”cheddar” ,strengh==”strong”)

解釋：name 和 strengh 都是對象Cheese 的屬性，且name 和 strengh兩個條件的關係是且，必須同時滿足拿麼節點圖如下所示：

舉例 2:在舉例1 的條件上添加另外一條規則 Cheese （name＝”cheddar” ,age>10)

解釋：name 和 age 都是對象Cheese 的屬性，且name 和 age兩個條件的關係是且，必須同時滿足，拿麼結合舉例1的節點圖，如下所示：

此時我們發現我門共用了（name＝＝“cheddar“） 節點。

2.4 Bate Node:

（一的綠色節點）用來對2個對象進行對比、檢查。約定BetaNode的2個輸入稱為左邊（Join Node）和右邊。左邊通常是一個a list of objects，右邊（NotNode）通常是 a single object。每個Bate節點都有自己的終端節點等組成

BetaNode 具有記憶功能。左邊的輸入被稱為 Beta Memory，會記住所有到達過的語義。右邊的輸入成為 Alpha Memory，會記住所有到達過的對象。

舉例：條件 Cheese （name＝”cheddar” ) Person（favouriteiteCheese==”cheese.name”）。

解釋：這個兩個對象Cheese和Person 的關聯操作。Cheese的name＝”cheddar” 且cheese.ame ＝＝favouriteiteCheese。那麼節點圖如下所示。

圖中黃色的node 我門稱為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。

舉例2：

rulewhen    Cheese( $cheddar : name == "cheddar" )    $person : Person( favouriteCheese == $cheddar )then    System.out.println( $person.getName() + " likes cheddar" );endrulewhen    Cheese( $cheddar : name == "cheddar" )    $person : Person( favouriteCheese != $cheddar )then    System.out.println( $person.getName() + " does not like cheddar" );end

網狀圖如下：

Drools 通過節點的共用來提高規則引擎的效能。因為很多的規則可能存在部分相同的模式，節點的共用允許我們對記憶體中的節點數量進行壓縮，以提供遍曆節點的過程

從圖上可以看到，編譯後的RETE網路中，AlphaNode是共用的，而BetaNode不是共用的。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。

2.5 建立 rete 網路

Rete 演算法的編譯結果是建立了規則集對應的 Rete 網路 , 它是一個事實可以在其中流動的圖。建立 rete 網路的過程 [1]如下：

1) 建立根節點；
2) 加入一條規則

a. 取出規則中的一個模式 ，（模式就是規則中的最小一個匹配項例如（age>10,age<20）拿麼age>10 就是一個模式，age<20 就是另一個模式。）檢查模式中的參數類型，如果是新類型(也就是新的fact類型)，則加入一個類型節點；b. 檢查模式  對應的 Alpha 節點是否已存在，如果存在則記錄下節點位置，如果沒有則將模式  作為一個 Alpha 節點加入到網路中，同時根據 Alpha 節點的模式建立 Alpha 記憶體表；c. 重複 b 直到所有的模式處理完畢；d. 組合 Beta 節點，按照如下方式： Beta 左輸入節點為 Alpha(1)，右輸入節點為 Alpha(2) 。Beta(i) 左輸入節點為 Beta(i-1)，右輸入節點為 Alpha(i) i>2 並將兩個父節點的記憶體表內聯成為自己的記憶體表； e. 重複 d 直到所有的 Beta 節點處理完畢；f. 將動作（Then 部分）封裝成分葉節點（Action 節點）作為 Beta(n) 的輸出節點；

3) 重複 2) 直到所有規則處理完畢； 執行完上述步驟，建立的 rete 網狀圖

3. 運行時執行

WME ：儲存區儲存的最小單位是工作儲存區元素（Working Memory Element，簡稱WME），WME是為事實建立的元素，是用於和非根結點代表的模式進行匹配的元素。

Token：是WME的列表，包含有多個WME，（在Forgy的論文中，把Token看成是WME的列表或者單個WME，為了闡述方便，本文將把Token只看成WME的列表）

（1）如果WME的類型和根節點的後繼結點TypeNode（alpha結點的一種）所指定的類型相同，則會將該事實儲存在該TypeNode結點對應的alpha儲存區中，該WME被傳到後繼結點繼續匹配，否則會放棄該WME的後續匹配；

TypeNode儲存： 每次一個AlphaNode被加到一個 ObjectTypeNode的時候，就以字面值（literal value）也就是file 作為key，以AlphaNode作為value加入HashMap。當一個新的執行個體進入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。

（2）如果WME被傳遞到alpha結點，則會檢測WME是否和該結點對應的模式相匹配，若匹配，則會將該事實儲存在該alpha結點對應的儲存區中，該WME被傳遞到後繼結點繼續匹配，否則會放棄該WME的後續匹配；

alpha 儲存：檢測WME是否和該結點對應的模式相匹配，若匹配，則會將該事實儲存在該alpha結點對應的儲存區中，該WME被傳遞到後繼結點繼續匹配

（3）如果WME被傳遞到beta結點的右端，則會加入到該beta結點的right儲存區，並和left儲存區中的Token進行匹配（匹配動作根據beta結點的類型進行，例如：join，projection，selection），匹配成功，則會將該WME加入到Token中，然後將Token傳遞到下一個結點，否則會放棄該WME的後續匹配；

bate儲存區：每個非根結點都有一個儲存區。其中1-input（alpha）結點有alpha儲存區和一個輸入口；2-input（bate）結點有left儲存區和right儲存區和左右兩個輸入口，其中left儲存區是beta儲存區，right儲存區是alpha儲存區。儲存區儲存的最小單位是工作儲存區元素（Working Memory Element，簡稱WME），WME是為事實建立的元素，是用於和非根結點代表的模式進行匹配的元素。

（4）如果Token被傳遞到beta結點的左端，則會加入到該beta結點的left儲存區，並和right儲存區中的WME進行匹配（匹配動作根據beta結點的類型進行，例如：join，projection，selection），匹配成功，則該Token會封裝匹配到的WME形成新的Token，傳遞到下一個結點，否則會放棄該Token的後續匹配；

（5）如果WME被傳遞到beta結點的左端，將WME封裝成僅有一個WME元素的WME列表做為Token，然後按照（4）所示的方法進行匹配；

（6）如果Token傳遞到終結點，則和該根結點對應的規則被啟用，建立相應的Activation，並儲存到Agenda當中，等待激發。

（7）如果WME被傳遞到終結點，將WME封裝成僅有一個WME元素的WME列表做為Token，然後按照（6）所示的方法進行匹配；

以上是RETE演算法對於不同的結點，來進行WME或者token和結點對應模式的匹配的過程。

4. Rete 演算法的特點：

a． Rete 演算法是一種啟發學習法演算法，不同規則之間往往含有相同的模式，因此在 beta-network 中可以共用 BetaMemory 和 betanode。如果某個 betanode 被 N 條規則共用，則演算法在此節點上效率會提高 N 倍。

b. Rete 演算法由於採用 AlphaMemory 和 BetaMemory 來儲存事實，當事實集合變化不大時，儲存在 alpha 和 beta 節點中的狀態不需要太多變化，避免了大量的重複計算，提高了匹配效率。

c. 從 Rete 網路可以看出，Rete 匹配速度與規則數目無關，這是因為事實只有滿足本節點才會繼續向下沿網路傳遞。

5. Rete 演算法的不足：

a. 事實的刪除與事實的添加順序相同, 除了要執行與事實添加相同的計算外, 還需要執行尋找, 開銷很高 [3]。

b. RETE 演算法使用了β儲存區儲存已計算的中間結果, 以犧牲空間換取時間, 從而加快系統的速度。然而β儲存區根據規則的條件與事實的數目而成指數級增長, 所以當規則與事實很多時, 會耗盡系統資源 [3]。
針對 Rete 演算法的特點和不足，在應用或者開發基於 Rete 演算法的規則引擎時，提出如下建議：

    a. 容易變化的規則盡量置後匹配，可以減少規則的變化帶來規則庫的變化。    b. 約束性較為通用或較強的模式盡量置前匹配，可以避免不必要的匹配。    c. 針對 Rete 演算法記憶體開銷大和事實增加刪除影響效率的問題，技術上應該在 alpha 記憶體和 beata 記憶體中，只儲存指向記憶體的指標，並對指標建裡索引（可用 hash 表或者非平衡二叉樹）。    d. Rete 演算法 JoinNode 可以擴充為 AndJoinNode 和 OrJoinNode，兩種節點可以再進行組合 [5]。