第 84 章 决定引擎中的 Phreak 规则算法

当决策引擎启动时，所有规则均被视为与可触发规则的模式匹配数据。在这个阶段，决策引擎中的 Phreak 算法不会评估规则。insert、update 和 delete 操作会被放入排队，Phreak 使用了高流（根据规则最有可能执行）来计算并选择下一个评估规则。当为规则填充了所有必要的输入值时，该规则被视为与相关模式匹配数据相关联。然后，Phreak 会创建代表此规则的目标，并将目标置于优先级队列中，根据规则排序。只有评估了创建目标的规则，且其他潜在的规则评估会延迟。评估单个规则时，仍会通过分段过程来实现节点共享。

与面向 tuple 的 Rete 不同，Phreak propagation 是以集合为导向。对于正在评估的规则，决策引擎会访问第一个节点，并处理所有已排队插入、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，处理所有已排队的插入、更新和删除操作，将结果添加到同一集合中。然后，集合会传播到下一个子节点，并重复相同的进程，直到它到达终端节点。此周期会创建一个批处理进程效果，可为某些规则结构提供性能优势。

规则的链接和取消链接通过基于网络分段的分层位掩码系统进行。在构建规则网络时，会为由同一组规则共享的规则网络节点创建网段。规则由片段的路径组成。如果某个规则不与任何其他规则共享任何节点，则会成为单个网段。

为网段中的每个节点分配一个位掩码偏移。根据这些要求，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、网段和规则。通过此跟踪功能，已经连接了从评估中未调度的规则（如果自其创建的评估目标）被修改过。因此，无法评估部分匹配规则。

在 Phreak 中可以进行规则评估的过程，因为与 Rete 的单个内存单位不同，Phreak 有三个带有节点、网段和规则内存类型的上下文内存层。这种分层可在评估规则的过程中更多上下文理解。

图 84.1. Phreak 三层内存系统

以下示例演示了如何在 Phreak 中对规则进行组织和评估。

示例 1： 具有三种模式的单一规则(R1)：A、B 和 C。规则形成单一片段，其位为 1、2 和 4。单个片段具有位偏移 1。

图 84.2. 示例 1：单一规则

示例 2： 添加了规则 R2 并共享模式 A。

图 84.3. 示例 2：使用模式共享的两个规则

Pattern A 放置在自己的网段中，为每个规则产生两个片段。这两个片段组成了对应规则的路径。第一个部分由两个路径共享。当特征 A 被链接时，该片段将会被链接。然后，该片段会迭代该片段共享的每个路径，在 上将 位 1 设置为。如果模式 B 和 C 稍后打开，则路径 R1 的第二个片段将链接，这会导致为 R1 打开位 2。当为 R1 打开位 1 并位 2 被打开后，该规则现已被链接，并创建了一个目标来计划以后评估和执行规则。

评估规则时，该片段支持共享匹配的结果。每个片段都有一个临时内存，用于队列所有插入、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。该算法检测分段分割，为每个插入、更新和删除创建对等的元组，并在集合中添加它们到 R2 暂存内存。然后，这些元组将与任何现有的已暂存元组合并，并在最终评估 R2 时执行。

示例 3： 添加了规则 R3 和 R4，并共享模式 A 和 B。

图 84.4. 示例 3：使用模式共享的三个规则

规则 R3 和 R4 有三个网段，R1 有两个网段。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： 一个具有子网且没有模式共享的规则(R1)。

图 84.5. 示例 4：带有子网且没有模式共享的规则

当 非 Exists 或 Accumulate 节点包含多个元素时，会形成子网。在本例中，元素 B not(C) 组成了子网。元素 not(C) 是一个不需要子网且在 Not 节点内合并的一个元素。该子网使用了专用网段。规则 R1 仍具有两个网段的路径，子网形成另一个内部路径。子网链接后，也会链接到外部网段。

示例 5： 包含由规则 R2 共享的子网的组 R1。

图 84.6. 示例 5：两个规则，分别具有子网和模式共享

规则中的子网节点可以通过另一个没有子网的规则共享。这种共享会导致子网片段分成两个片段。

受限制的 Not nodes 和 Accumulate 节点永远不会取消链接一个网段，而且始终被视为启用了其位。

Phreak 评估算法基于堆栈，而非基于方法的。当 StackEntry 用于代表当前正在评估的节点时，可以随时暂停规则评估并恢复。

当规则评估到达子网时，会为外部路径网段和子网片段创建一个 StackEntry 对象。子网片段首先评估，当集合达到子网路径的末尾时，该片段将合并到该网段馈送节点的 staging 列表中。之前的 StackEntry 对象随后恢复，现在可以处理子网的结果。此过程具有添加的好处，特别是对于聚合的节点，对于聚合节点之前，所有工作都将以批处理形式完成。

相同的堆栈系统用于高效的向后兼容性。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，该设置保存在 resumed StackEntry 对象的内存位置中，以提取并传播到子节点。如果查询本身被称为其他查询，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。

84.1.1. 带有转发和向后链的规则评估

Red Hat Process Automation Manager 中的决策引擎是一个混合原因系统，它使用转发链和后向链来评估规则。forward-chaining 规则系统是一个由数据驱动的系统，它从决策引擎的工作内存从事实开始，并对事实做出响应。当对象插入到工作内存时，因为更改是由日程表计划执行而变为 true 的任何规则条件。

相反，反向链接规则系统是一个由目标驱动的系统，从结论开始，决定引擎尝试满足，通常使用递归。如果系统无法达到结论或目标，它会搜索部分当前目标的子项。系统会继续这个过程，直到初始的结论是满足或者所有子语满意。

下图显示了如何使用转发链在逻辑流中的反向链接片段评估规则：

图 84.7. 使用转发和向后链的规则评估逻辑