第 81 章 决策引擎中的 Phreak 规则算法

当决定引擎启动时，所有规则都将被视为从可触发规则的模式匹配数据中 取消链接。在这个阶段，决策引擎中的 Phreak 算法不会评估规则。插入、update 和删除操作已排队，Phreak 使用 heuristic （根据规则最可能导致执行）来计算并选择下一个评估规则。当为规则填充所有必需的输入值时，该规则将被视为与相关模式匹配数据的链接。然后，Phreak 创建一个代表此规则的目标，并将目标放置在按规则 salience 排序的优先级队列中。仅评估创建目标的规则，其他潜在的规则评估会延迟。在评估单个规则时，节点共享仍然通过分段的过程实现。

与面向元的 Rete 不同，Phreak 传播是面向集合的。对于正在评估的规则，决策引擎可以访问第一个节点，并处理所有排队的插入、更新和删除操作。结果添加到集合中，集合会传播到子节点。在子节点中，处理所有排队的插入、更新和删除操作，将结果添加到同一集合中。然后，该集合被传播到下一个子节点，并且同一进程会重复，直到它到达终端节点。此周期创建批处理进程效果，可为某些规则构造提供性能优势。

基于网络分段，通过分层位掩码系统进行链接和取消链接规则。构建规则网络时，会为由同一组规则共享的规则网络节点创建片段。规则由片段路径组成。如果规则没有与任何规则共享任何节点，则它将成为单个网段。

为片段中的每个节点分配一个位掩码偏移。根据以下要求，为规则路径中的每个片段分配另一个位掩码：

相同的位掩码技术用于跟踪修改的节点、片段和规则。此跟踪功能可让已经链接的规则被修改自评估目标后取消调度。因此，任何规则无法评估部分匹配项。

在 Phreak 中，这种规则评估过程是可能的，因为与 Rete 中的单个内存相比，Phreak 具有三个有节点、片段和规则内存类型的上下文内存层。这种分层允许在规则评估过程中进行更多上下文了解。

图 81.1. Phreak 三层内存系统

以下示例演示了如何在这个三层内存系统中组织并评估规则。

示例 1： 单一规则(R1)，它有三个模式：A、B 和 C。规则形成一个片段，位 1、2 和 4 用于节点。单个片段的偏移值为 1。

图 81.2. 示例 1：单一规则

示例 2： 添加规则 R2 和共享模式 A。

图 81.3. 示例 2：两个带有模式共享的规则

模式 A 放置在自己的片段中，为每个规则生成两个片段。这两个片段形成其各自规则的路径。第一个片段由两个路径共享。链接模式 A 时，片段将变为链接。然后，片段会迭代片段共享的每个路径，将位 1 设置为 on。如果稍后启用了模式 B 和 C，则路径 R1 的第二个片段链接，这会导致为 R1 打开位 2。为 R1 打开位 1 和位 2 后，该规则现已链接，并创建了目标来调度规则以便稍后评估和执行。

评估规则时，片段将启用共享匹配的结果。每个片段都有一个暂存内存来排队所有插入、更新和删除该片段。评估 R1 时，规则进程模式 A，这会导致一组元组。该算法检测到分段分割，为集合中的每个插入、更新和删除创建对等的元组，并将它们添加到 R2 暂存内存中。然后，这些元组将与任何现有的 stage 元组合并，并在最终评估 R2 时执行。

示例 3： 规则 R3 和 R4 被添加，共享模式 A 和 B。

图 81.4. 示例 3：带有模式共享的三三个规则

规则 R3 和 R4 有三个片段，R1 有两个片段。模式 A 和 B 由 R1、R3 和 R4 共享，而模式 D 则由 R3 和 R4 共享。

示例 4： 单一规则(R1)，它带有一个数字且没有模式共享。

图 81.5. 示例 4：单一规则，没有模式共享

当 Not、Exists 或 Accumulate 节点包含多个元素时，将形成不同的活动。在本例中，元素 B not (C) 形成了数字。项 not (C) 是一个不需要归档的单个元素，因此在 Not node 内合并。数字使用专用片段。规则 R1 仍然有两个片段的路径，另一个内部路径。当关联被链接后，也会在外部段中链接。

示例 5： 规则 R1，其具有规则 R2 共享的数字。

图 81.6. 示例 5：两个规则，一个带有参与和模式共享

规则中的电池节点可以由没有销售的规则共享。此共享会导致将网段分成两个片段。

受限 Not nodes 和 Accumulate 节点永远不会取消链接片段，并且始终被视为打开其位。

Phreak 评估算法基于堆栈，而不是基于方法的递归。当使用 StackEntry 来代表当前正在评估的节点时，可以随时暂停并恢复规则评估。

当规则评估达到一次时，会为外部路径片段和子组创建一个 StackEntry 对象。最后段首先被评估，当集合到达销售路径的末尾时，片段将合并到分段源到的外部节点的暂存列表中。然后，前面的 StackEntry 对象已被恢复，现在可以处理相关的结果。这个过程具有增加的好处，特别是对于 Accumulate 节点，所有工作都在批处理中完成，然后再传播到子节点。

相同的堆栈系统用于高效的后向链。当规则评估到达查询节点时，评估将暂停，并将查询添加到堆栈中。然后，查询会被评估来生成结果集，该集合保存在恢复的 StackEntry 对象的内存位置，以获取并传播到子节点。如果查询本身称为其他查询，该过程会重复，而当前查询已暂停，并为当前查询节点设置新的评估。

81.1.1. 使用正向和后链的规则评估

复制链接

Red Hat Process Automation Manager 中的决策引擎是一个混合原因，它使用转发链和后链来评估规则。转发链规则系统是一种数据驱动的系统，它以决策引擎工作内存中的事实开始，并对这一事实做出更改。当对象插入到工作内存中时，因更改计划执行而满足的任何规则条件。

相反，反向链规则系统是一个目标驱动的系统，从决策引擎尝试满足的公式开始，通常使用递归。如果系统无法访问语音或目标，它会搜索子组，这是完成当前目标的一部分。系统会继续这个过程，直到满足初始目标或满足所有子状态为止。

下图演示了，决策引擎如何使用转发链和逻辑流中的向链段来评估规则：

图 81.7. 使用正向和后链的规则评估逻辑