[发明专利]一种基于约束频度的规则引擎优化方法

说明书

本发明公开了一种基于约束频度的规则引擎自优化方法，包括以下步骤：S1：规则约束频度统计，对所有规则模式中的约束进行次数统计；S2：规则约束频度统计结果处理，根据约束名对模式约束频度结果进行合并；S3：Alpha网络构建，通过规则约束重排序得到规则约束列表，构建Rete网络中的Alpha网络；S4：Beta网络构建，根据已生成的Alpha网络生成Rete网络的Beta节点。通过本方法解决了实际应用中用户编写出的规则没有针对Rete网络的共享程度，导致规则引擎构建的Rete网络共享度不足的问题，提高了Rete网络的共享程度，降低了规则引擎所构建的Rete网络的复杂性，有效提高规则匹配效率。

技术领域

本发明涉及一种规则引擎优化方法，具体涉及一种基于规则约束频度的规则引擎优化方法。

背景技术

规则引擎是一种产生式系统，产生式系统是人工智能系统的一部分，主要由规则库和推理机构成，提供了必要的规则执行机制以达到某种目标。规则库是一组关于行为的规则，又称为产生式，是用于专家系统中知识的基本呈现。产生式的形式是IFconditionsTHENactions，指定了某种前提条件(conditions)下的执行动作(actions)。产生式被触发是指一条产生式的前提条件得到匹配；产生式被激发则是指一条产生式的动作被执行。对现实世界的描述称为事实，通常是某个对象及其属性，推理机负责对事实进行模式匹配，也就是让事实同产生式的条件部分进行比较。

Rete网络是规则引擎的核心，由卡耐基梅隆大学的Forgy博士于1974年首先在一篇工作文件中提出。Rete一词来源于解剖学，用于描述血管和神经纤维网络。以Rete算法为核心的产生式系统会构建一个树形Rete网络，除了根节点外每个节点都对应于一条规则中的一个模式，一条规则的条件部分在Rete网络中对应着一条自根节点到叶子节点的完整路径，与节点模式匹配成功的事实会在该节点保存，这一过程称为节点激活。这个结构本质上是一个数据流网络，当有事实进入网络或被修改时，事实会沿着网络传播，按照模式匹配的结果对节点激活并继续传播。当单个事实或一组事实到达叶子节点时，它们对某一规则的所有模式都匹配成功，则对应的规则会被触发。

Rete网络中主要有五种节点类型：根节点，对象类型节点，Alpha节点，Beta节点，终端节点。根节点是整个Rete网络的入口，数据从根节点进入网络，然后直接到达对象类型节点；对象类型节点用于对事实类型进行过滤；Alpha节点用来对事实进行常量匹配,每个Alpha节点都有自己的Alpha存储区，用来保存符合该Alpha节点约束的事实对象；相同规则约束对应的Alpha节点在Rete网络中会重叠以进行节点共享提高匹配效率；Beta节点通过左右输入分别接收来自Beta节点的元组和Alpha节点的单个事实进行跨对象的字段比较；事实到达终端节点表示该事实已经匹配了规则的所有条件。

目前，在提高规则引擎匹配速度、减少匹配时间方面，已经出现了很多方法。2010年北京邮电大学的Zhong Xiaoan提出了Alpha节点哈希和Beta节点索引的方式对Rete算法进行改进；2011年东北大学的Wang Ping针对事实匹配过程提出了部分匹配结果过期的垃圾回收机制和基于Beta缓存状态的无效连接过滤机制改善Rete网络的性能；2014年中国科学院光电技术研究所和中科院大学的Chen Shua Jun等人提出了一种基于代价模型的Rete优化算法，通过计算连接操作的代价选出最佳Rete结构的方法提高模式推理效率。

上述方法主要从Rete网络构造、中间匹配结果缓存过滤、Rete网络筛选等方面提高了基于Rete网络的规则引擎匹配效率，然而，上述研究方法都忽略了让规则引擎针对规则本身进行针对性优化，为了让构建出的Rete网络有较好的节点共享度，规则约束必须按照一定顺序排列，错误的排列顺序会导致构建出的Rete网络无法进行节点共享，在规则匹配过程中进行多余匹配，本发明针对这一规则引擎的不足，提出了一种基于约束频度的规则引擎自优化方法。

发明内容