CN106777029A - 一种分布式规则引擎系统及其构建方法 - Google Patents

一种分布式规则引擎系统及其构建方法 Download PDF

Info

Publication number
CN106777029A
CN106777029A CN201611124410.2A CN201611124410A CN106777029A CN 106777029 A CN106777029 A CN 106777029A CN 201611124410 A CN201611124410 A CN 201611124410A CN 106777029 A CN106777029 A CN 106777029A
Authority
CN
China
Prior art keywords
rule
distributed
match
module
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201611124410.2A
Other languages
English (en)
Inventor
李京
杨金星
张金斗
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Science and Technology of China USTC
Original Assignee
University of Science and Technology of China USTC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Science and Technology of China USTC filed Critical University of Science and Technology of China USTC
Priority to CN201611124410.2A priority Critical patent/CN106777029A/zh
Publication of CN106777029A publication Critical patent/CN106777029A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2471—Distributed queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种分布式规则引擎系统及其构建方法，特征是包括事实数据集模块，将业务数据通过多种格式的数据源存放分布式存储系统中；规则集模块，设计规则编写标准，提供规则编译方法，将业务决策逻辑转化成规则，并存放在分布式存储系统中；规则推理模块，基于通用并行框架Spark集群，加载数据集和规则集，构成事实数据对象集合和规则对象，构建规则推理流程，进行规则推理及点火执行。采用本发明分布式规则引擎系统及其构建方法避免了规则与事实的冗余分配，事实对象表达更加灵活，同时支持并提高了大规模数据集处理能力和迭代计算能力，能够有效提高规则引擎的执行效率。

Description

一种分布式规则引擎系统及其构建方法
技术领域
本发明属于计算机软件开发技术领域，具体涉及分布式规则引擎系统及其构建方法。
背景技术
目前，已有通过规则引擎实现将业务决策从应用程序代码中分离出来，并使用预定义的语义模块编写业务决策，接受数据输入，解释业务规则，并根据业务规则做出业务决策。但随着业务的发展，数据规模的爆炸性增加以及业务规则规模的不断增加，传统的单机规则引擎由于内存、CPU处理能力以及磁盘读写能力等资源的限制将无法处理大规模的推理任务，分布式规则引擎则可以将推理任务分发到不同的处理机上进行并行处理解决问题。
已有的分布式规则引擎技术，如维也纳分布式规则引擎(ViDRE)和由浙江大学曹斌等人发表在第二届电气电子工程师学会云计算会议(2nd IEEE InternationalConference on Cloud Computing Technology and Science)的论文解决了单机规则引擎的运行瓶颈，考虑点都只从规则出发，但其仍存在冗余规则和事实冗余分配，且随着业务数据的增加，会明显出现大规模数据集处理能力不佳，以及迭代计算能力差的问题。
发明内容
本发明的目的在于提供一种分布式规则引擎系统及其构建方法，以解决现有方法中规则与事实冗余分配、大规模(数据规模在TB级别)数据集处理能力不佳以及迭代计算不佳的问题，达到有效地提高规则引擎的执行效率。
本发明的分布式规则引擎系统，其特征在于，包括：将业务数据通过多种格式的数据源存放分布式存储系统中的事实数据集模块S1；设计规则编写标准，提供规则编译方法，将业务决策逻辑转化成规则，存放在分布式存储系统中的规则集模块S2；基于通用并行框架(Spark)集群，加载事实数据集模块S1处理的数据集和规则集模块S2处理的规则集，构成事实数据对象集合和规则对象，构建规则推理流程，进行规则推理及点火执行的规则推理模块S3；其中：
所述事实数据集模块S1：是业务数据的集合，其由计算机文件格式的Parquet文件、JSON文件、CSV文件、HBase文件，或支持JDBC接口的数据库构成，并存放在分布式文件系统中；
所述规则集模块S2：提供一套自定义规则编写标准和编译方式，编写格式为IFcondition THEN action，每个业务规则包括触发条件和执行动作，用户依据编写标准编写一系列业务规则，并存放在分布式存储系统中；
所述规则推理模块S3，在通用并行框架(Spark)分布式集群当中执行，其包含有：事实对象集合构造S4、规则对象构造S5、执行策略S6、模式匹配S7和点火执行S8；
对于事实对象集合构造S4：通过把用户提供的数据路径进行一定策略的划分，构成对象名和数据源加载路径，在按照数据源路径加载数据源文件内容过程中，根据数据结构格式(Schema信息)，动态构成事实对象集合，即为分布式数据集(DataFrame)，分配到工作节点中，并缓存到内存或磁盘中；
对于规则对象构造S5：通过用户提供规则路径，将用户提供的业务规则编译并封装成规则对象，规则的触发条件和执行动作以对象成员函数的形式来体现，其中将触发条件的逻辑抽象成结构化查询语言(SQL)；
对于执行策略S6：规则匹配执行的次序通过规则执行策略进行重新排序后依次执行；
对于模式匹配S7：对规则对象进行遍历，通过分布式数据集(DataFrame)中事实对象的当前状态来判断是否满足规则的触发条件；
对于点火执行S8：执行规则右部操作--规则触发时执行的一系列行为。
本发明的分布式规则引擎的构建方法，其特征在于包括以下步骤：
第一步：在分布式集群的工作节点启动多个执行进程准备接受任务，进行预处理阶段A1；所述预处理阶段A1由事实数据集模块S1、规则集模块S2、事实对象集合构造S4和规则对象构造S5构成；首先用户上传业务数据与业务规则至分布式文件系统中，系统通过用户提供规则路径读取规则文件，动态封装成规则对象，并通过用户提供指定数据路径加载数据文件，动态构成事实对象集合，分配到多个工作节点缓存到内存或磁盘中；
第二步：在获取到待匹配的事实对象集合与规则对象后，即进入规则推理模块S3，首先进入执行策略S6阶段，用户从所给出的提供选择的顺序执行、优先级执行或自定制策略中，根据用户业务规则的需求来选定策略，对即将执行的规则按选定策略进行重新排序；排序后，以规则右部事实更新的规则为结束点，把规则集合拆分成多个有序的小集合，总的规则集合按照串行执行的思想，小集合中的规则并行执行模式匹配S7，其中规则匹配的执行是在分布式集群的一个或多个工作节点进程中完成；当一个小集合的规则匹配执行完后，判断该小集合中有无规则点火P1，若有事实更新的规则匹配成功，规则匹配结束，进行点火执行阶段S8；若无事实更新的规则匹配成功，判断有无规则匹配P3，若有规则匹配P3，依序执行下一个小集合规则匹配，直至事实更新的规则匹配成功或所有规则匹配执行完毕；若所有规则均匹配失败，则规则引擎执行完毕A5；
第三步：进入规则点火执行阶段S8，执行第二步中所有匹配成功的规则右部；若执行右部的规则有事实更新P2，则直接更新集群中相应的数据状态，规则引擎再次进行模式匹配阶段S7；若不存在事实更新，则规则引擎执行完毕A5。
与现有的分布式规则引擎相比，本发明的优点如下：
1.由于本发明采取根据文件内容的数据结构格式(Schema信息)动态封装成事实对象，不需要人工写事实对象，使得事实对象表述更加灵活；而目前的分布式规则引擎的事实对象都是提前封装成类写入程序代码之中，在一些事实对象属性多变的场景并不适用；
2.由于本发明不拆分规则，采取对每个规则匹配的任务分发到一个或多个工作进程进行执行，对于相互关联的信息，通过消息传递的方式进行互相通信，使规则事实分配均不冗余，规则匹配一次迭代过程中最多执行一次；而目前的分布式规则引擎把规则集进行拆分到不同的工作节点进行处理，但由于规则间的相关性以及考虑结果的准确，必然会出现相同规则分发多次，事实也会冗余分配，导致相同规则会被执行多次；
3.在对于大规模数据集(TB级别，100亿条事实量)的支持方面，目前的分布式规则引擎用到的算法大多是网算法(Rete算法)，Rete算法会将事实集和中间匹配结果缓存在内存中，在事实数据量过大(百万条级别以上)的情况，容易导致单机故障；而本发明不构造Rete网，由于所采取的事实集为列式存储结构，通过对象内存优化，并且可以选择性将事实集或中间结果缓存在内存或磁盘中，从而可以较好地应对大规模数据集的处理；
4.本发明在迭代计算性能方面优势明显。目前的分布式规则引擎使用映射化简(MapReduce)的方式进行迭代计算，每个节点都有缓存的事实集，在迭代计算的时候，每次计算结束后会将计算的结果再次分发到工作节点进行事实集的更新，给磁盘网络带来极大的负担；而本发明中由于采取迭代计算的结果在每次计算的过程中就直接更新，无需进行再分发，由此明显提高了计算性能。
采用本发明分布式规则引擎系统及其构建方法避免了规则与事实的冗余分配，事实对象表达更加灵活，同时支持并提高了大规模数据集处理能力和迭代计算能力，能够有效提高规则引擎的执行效率。
附图说明
图1为本发明方法的分布式集群执行任务示意图；
图2为本发明的分布式规则引擎的总体构造示意图；
图3为本发明的分布式规则引擎的推理流程示意图。
具体实施方式
下面结合附图通过具体实施例对本发明分布式规则引擎以及构建方法的技术方案进行详细的描述。
实施例1：
本发明分布式规则引擎以及构建方法的一个具体实施例的操作过程如下：
附图1给出了本发明的分布式规则引擎构建方法的分布式执行任务的示意图。分布式引擎在启动时，会在分布式集群的工作节点启动多个执行进程准备接受并执行任务，为了具体刻画集群执行状态，图1中表示的为拥有一个客户端节点C、三个工作节点--第一工作节点W1、第二工作节点W2和第三工作节点W3的分布式集群，客户端节点包含驱动进程M，用于管理集群状态和分发任务；每个工作节点中包含若干执行器进程：本实施例中，作为举例示意，第一工作节点W1中含有两个执行器--上执行器Ea1和下执行器Ea2，每个执行器进程执行Ta1规则匹配和Ta2规则匹配任务；第二工作节点W2中同样含有两个执行器--第二上执行器Eb1和第二下执行器Eb2，每个执行器进程执行Tb1规则点火和Tb2规则点火任务；第三工作节点W3中也含有两个执行器--第三上执行器Ec1和第三下执行器Ec2，每个执行器进程执行Tc1规则匹配和Tc2规则匹配任务；对于任意规则匹配、点火执行均是以执行器进程的任务的形式执行。
附图2给出了本发明的分布式规则引擎的总体构造示意图。分布式规则引擎具体分为三个模块：事实数据集模块S1，规则集模块S2，规则推理模块S3。
所述事实数据集模块S1：是业务数据的集合，其可以由Parquet文件、JSON文件、CSV文件、HBase文件(均为计算机的文件格式)，或支持JDBC接口的数据库构成，并存放在分布式文件系统中；
所述规则集模块S2：提供了一套自定义规则编写标准和编译方式，编写格式为IFcondition THEN action，每个业务规则包括触发条件和执行动作，用户可依据编写标准编写一系列业务规则，并存放在分布式存储系统中；
所述规则推理模块S3：用户在存放好将要处理事实数据集和编写好规则后开始规则推理执行，如图2中所示，所述规则推理执行分为五个阶段：
首先是事实对象集合构造阶段S4，在用户使用数据集时提供调用路径，引擎按照策略划分构成对象名和数据源加载路径，在按照数据源路径加载数据源文件(如JSON，HBase等)内容的过程中，根据Schema信息动态构成事实对象集合，即为分布式数据集(DataFrame)；
然后是规则对象构造阶段S5，通过用户提供的调用路径加载相应路径的规则文件，形成规则对象，规则中的触发条件和执行动作以对象成员函数的形式来体现，其中会将触发条件的逻辑抽象成SQL；
在上述预处理过之后，进入执行策略阶段S6，用户可以根据业务的需要自定制的设计策略或是调用系统提供的策略，规则匹配执行的次序通过策略算法进行重新排序；
模式匹配阶段S7，将上述的事实对象集合对相关的规则对象进行遍历匹配，通过分布式数据集(DataFrame)中事实对象的当前状态来判断是否满足规则的触发条件；
点火执行阶段S8，即是执行规则右部操作，如事实删除、事实插入、事实的保存等一系列操作。
附图3给出了本发明的分布式规则引擎的推理流程示意图，对分布式规则的构建方法核心部分进行图形化的说明。如图3流程图中所示，从起始点观察，具体流程步骤如下：
第一步：在分布式集群的工作节点启动多个执行进程准备接受任务，进行预处理阶段A1，其由事实数据集模块S1、规则集模块S2、事实对象集合构造S4和规则对象构造S5构成；首先用户需要上传业务数据与业务规则至分布式文件系统中，系统通过用户提供规则路径读取规则文件，动态封装成规则对象，并通过用户提供指定数据路径加载数据文件，动态构成事实对象集合，分配到多个工作节点缓存到内存或磁盘中；
第二步：在获取到待匹配的事实对象集合与规则对象后，即进入规则推理模块S3，首先进入执行策略S6阶段，用户从所给出的提供选择的顺序执行、优先级执行或自定制策略中，根据用户业务规则的需求来选定策略，对即将执行的规则按选定策略进行重新排序；排序后，以规则右部事实更新的规则为结束点，把规则集合拆分成多个有序的小集合，总的规则集合按照串行执行的思想，小集合中的规则并行执行模式匹配S7，其中规则匹配的执行是在分布式集群的一个或多个工作节点进程中完成；当一个小集合的规则匹配执行完后，判断该小集合中有无规则点火P1，若有事实更新的规则匹配成功，规则匹配结束，进行点火执行阶段S8；若无事实更新的规则匹配成功，判断有无规则匹配P3，若有规则匹配P3，依序执行下一个小集合规则匹配，直至事实更新的规则匹配成功或所有规则匹配执行完毕；若所有规则均匹配失败，则规则引擎执行完毕A5；
第三步：进入规则点火执行阶段S8，执行第二步中所有匹配成功的规则右部；若执行右部的规则有事实更新P2，则直接更新集群中相应的数据状态，规则引擎再次进行模式匹配阶段S7；若不存在事实更新，则规则引擎执行完毕A5。
根据上述实施例的演示和分析可知，本发明分布式规则引擎系统及其构建方法，包括事实数据集模块，将业务数据通过多种格式的数据源存放分布式存储系统中；规则集模块，设计规则编写标准，提供规则编译方法，将业务决策逻辑转化成规则，并存放在分布式存储系统中；规则推理模块，基于通用并行框架Spark集群，加载数据集和规则集，构成事实数据对象集合和规则对象，构建规则推理流程，进行规则推理及点火执行。其显著进步的技术效果在于：采用本发明减少了规则与事实的冗余分配，使事实对象表达更加灵活，同时支持并提高了大规模(数据规模在TB级别)数据集处理能力和迭代计算能力，有效提高了规则引擎的执行效率。

Claims (2)

1.一种分布式规则引擎，其特征在于，包括：将业务数据通过多种格式的数据源存放分布式存储系统中的事实数据集模块(S1)；设计规则编写标准，提供规则编译方法，将业务决策逻辑转化成规则，存放在分布式存储系统中的规则集模块(S2)；基于通用并行框架Spark集群，加载事实数据集模块(S1)处理的数据集和规则集模块(S2)处理的规则集，构成事实数据对象集合和规则对象，构建规则推理流程，进行规则推理及点火执行的规则推理模块(S3)；其中：
所述事实数据集模块(S1)：是业务数据的集合，其由计算机文件格式的Parquet文件、JSON文件、CSV文件、HBase文件，或支持JDBC接口的数据库构成，并存放在分布式文件系统中；
所述规则集模块(S2)：提供一套自定义规则编写标准和编译方式，编写格式为IFcondition THEN action，每个业务规则包括触发条件和执行动作，用户依据编写标准编写一系列业务规则，并存放在分布式存储系统中；
所述规则推理模块(S3)，在通用并行框架Spark分布式集群当中执行，其包含有：事实对象集合构造(S4)、规则对象构造(S5)、执行策略(S6)、模式匹配(S7)和点火执行(S8)；
对于事实对象集合构造(S4)：通过把用户提供的数据路径进行一定策略的划分，构成对象名和数据源加载路径，在按照数据源路径加载数据源文件内容过程中，根据数据结构格式，动态构成事实对象集合，即为分布式数据集DataFrame，分配到工作节点中，并缓存到内存或磁盘中；
对于规则对象构造(S5)：通过用户提供规则路径，将用户提供的业务规则编译并封装成规则对象，规则的触发条件和执行动作以对象成员函数的形式来体现，其中将触发条件的逻辑抽象成结构化查询语言；
对于执行策略(S6)：规则匹配执行的次序通过规则执行策略进行重新排序后依次执行；
对于模式匹配(S7)：对规则对象进行遍历，通过分布式数据集DataFrame中事实对象的当前状态来判断是否满足规则的触发条件；
对于点火执行(S8)：执行规则右部操作--规则触发时执行的一系列行为。
2.权利要求1所述分布式规则引擎的构建方法，其特征在于包括以下步骤：
第一步：在分布式集群的工作节点启动多个执行进程准备接受任务，进行预处理阶段(A1)；所述预处理阶段(A1)由事实数据集模块(S1)、规则集模块(S2)、事实对象集合构造(S4)和规则对象构造(S5)构成；首先用户上传业务数据与业务规则至分布式文件系统中，系统通过用户提供规则路径读取规则文件，动态封装成规则对象，并通过用户提供指定数据路径加载数据文件，动态构成事实对象集合，分配到多个工作节点缓存到内存或磁盘中；
第二步：在获取到待匹配的事实对象集合与规则对象后，即进入规则推理模块(S3)，首先进入执行策略(S6)阶段，用户从所给出的提供选择的顺序执行、优先级执行或自定制策略中，根据用户业务规则的需求来选定策略，对即将执行的规则按选定策略进行重新排序；排序后，以规则右部事实更新的规则为结束点，把规则集合拆分成多个有序的小集合，总的规则集合按照串行执行的思想，小集合中的规则并行执行模式匹配(S7)，其中规则匹配的执行是在分布式集群的一个或多个工作节点进程中完成；当一个小集合的规则匹配执行完后，判断该小集合中有无规则点火(P1)，若有事实更新的规则匹配成功，规则匹配结束，进行点火执行阶段(S8)；若无事实更新的规则匹配成功，判断有无规则匹配(P3)，若有规则匹配(P3)，依序执行下一个小集合规则匹配，直至事实更新的规则匹配成功或所有规则匹配执行完毕；若所有规则均匹配失败，则规则引擎执行完毕(A5)；
第三步：进入规则点火执行阶段(S8)，执行第二步中所有匹配成功的规则右部；若执行右部的规则有事实更新(P2)，则直接更新集群中相应的数据状态，规则引擎再次进行模式匹配阶段(S7)；若不存在事实更新，则规则引擎执行完毕(A5)。
CN201611124410.2A 2016-12-08 2016-12-08 一种分布式规则引擎系统及其构建方法 Pending CN106777029A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611124410.2A CN106777029A (zh) 2016-12-08 2016-12-08 一种分布式规则引擎系统及其构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611124410.2A CN106777029A (zh) 2016-12-08 2016-12-08 一种分布式规则引擎系统及其构建方法

Publications (1)

Publication Number Publication Date
CN106777029A true CN106777029A (zh) 2017-05-31

Family

ID=58881756

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611124410.2A Pending CN106777029A (zh) 2016-12-08 2016-12-08 一种分布式规则引擎系统及其构建方法

Country Status (1)

Country Link
CN (1) CN106777029A (zh)

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107707680A (zh) * 2017-11-24 2018-02-16 北京永洪商智科技有限公司 一种基于节点计算能力的分布式数据负载均衡方法和系统
CN107943482A (zh) * 2017-11-02 2018-04-20 千寻位置网络有限公司 基于规则的流式数据处理方法统一监控平台
CN107943963A (zh) * 2017-11-27 2018-04-20 上海交通大学 基于云平台的海量数据分布式规则引擎操作系统
CN108830706A (zh) * 2018-05-31 2018-11-16 阿里巴巴集团控股有限公司 数据处理方法及装置和电子设备
CN109254961A (zh) * 2018-09-27 2019-01-22 广东电网有限责任公司信息中心 一种分布式多引擎数据质量管理系统
WO2019015375A1 (zh) * 2017-07-21 2019-01-24 深圳市华付信息技术有限公司 用于解析低信息熵数据的方法及其系统
CN109408489A (zh) * 2018-09-20 2019-03-01 中国联合网络通信集团有限公司 数据稽核方法及系统
CN109656688A (zh) * 2018-12-07 2019-04-19 北京京东金融科技控股有限公司 一种实现分布式业务规则的方法、系统和服务器
CN110175676A (zh) * 2019-04-28 2019-08-27 中国科学院软件研究所 一种面向内存受限环境的高性能规则匹配方法
CN110428054A (zh) * 2019-08-07 2019-11-08 浪潮云信息技术有限公司 基于编译技术的业务规则引擎模式匹配系统及实现方法
CN110647575A (zh) * 2018-06-08 2020-01-03 成都信息工程大学 基于分布式的异构处理框架构建方法及系统
CN110890983A (zh) * 2019-11-26 2020-03-17 北京杰思安全科技有限公司 一种基于大数据的流处理预警的方法
CN111198863A (zh) * 2019-12-27 2020-05-26 天阳宏业科技股份有限公司 一种规则引擎及其实现方法
CN111309290A (zh) * 2019-11-29 2020-06-19 上海金融期货信息技术有限公司 一种灵活可扩展业务规则矩阵系统
CN111562964A (zh) * 2020-04-23 2020-08-21 深圳证券通信有限公司 一种基于规则引擎的结算业务系统模拟器实现方法
CN111782693A (zh) * 2020-06-19 2020-10-16 中信银行股份有限公司 基于storm、redis的实时计算方法、系统、设备以及存储介质
CN111932076A (zh) * 2020-07-09 2020-11-13 车智互联（北京）科技有限公司 一种规则配置和发布方法、装置及计算设备
CN112261101A (zh) * 2020-10-15 2021-01-22 四川长虹电器股份有限公司 Mqtt消息中心引入规则引擎的方法
CN112651506A (zh) * 2020-12-24 2021-04-13 重庆大学 一种智能环境下基于边缘设备规则推理的数据预部署方法
CN113535809A (zh) * 2021-06-24 2021-10-22 深圳市邦盛实时智能技术有限公司 一种用于授信行业的分布式多内核决策系统及方法
WO2023111786A1 (en) * 2021-12-14 2023-06-22 International Business Machines Corporation Multi-partitioned global data system

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103942228A (zh) * 2013-01-23 2014-07-23 纽海信息技术（上海）有限公司 规则引擎、计算方法、业务系统及调用方法
CN104679790A (zh) * 2013-12-03 2015-06-03 富士通株式会社 分布式规则引擎系统、构造方法和执行规则处理的方法
CN105573737A (zh) * 2014-10-30 2016-05-11 中国科学院声学研究所 一种提高规则引擎运行效率的方法
CN105635328A (zh) * 2014-10-31 2016-06-01 中国科学院声学研究所 一种提高规则引擎响应速度的方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103942228A (zh) * 2013-01-23 2014-07-23 纽海信息技术（上海）有限公司 规则引擎、计算方法、业务系统及调用方法
CN104679790A (zh) * 2013-12-03 2015-06-03 富士通株式会社 分布式规则引擎系统、构造方法和执行规则处理的方法
CN105573737A (zh) * 2014-10-30 2016-05-11 中国科学院声学研究所 一种提高规则引擎运行效率的方法
CN105635328A (zh) * 2014-10-31 2016-06-01 中国科学院声学研究所 一种提高规则引擎响应速度的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
朱思远，张雷: "一种分布式规则引擎的实现方法", 《软件》 *
王靖晗: "面向大数据基于消息传递的分布式规则引擎设计与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019015375A1 (zh) * 2017-07-21 2019-01-24 深圳市华付信息技术有限公司 用于解析低信息熵数据的方法及其系统
CN107943482A (zh) * 2017-11-02 2018-04-20 千寻位置网络有限公司 基于规则的流式数据处理方法统一监控平台
CN107707680A (zh) * 2017-11-24 2018-02-16 北京永洪商智科技有限公司 一种基于节点计算能力的分布式数据负载均衡方法和系统
CN107943963A (zh) * 2017-11-27 2018-04-20 上海交通大学 基于云平台的海量数据分布式规则引擎操作系统
CN108830706A (zh) * 2018-05-31 2018-11-16 阿里巴巴集团控股有限公司 数据处理方法及装置和电子设备
CN110647575A (zh) * 2018-06-08 2020-01-03 成都信息工程大学 基于分布式的异构处理框架构建方法及系统
CN109408489A (zh) * 2018-09-20 2019-03-01 中国联合网络通信集团有限公司 数据稽核方法及系统
CN109254961A (zh) * 2018-09-27 2019-01-22 广东电网有限责任公司信息中心 一种分布式多引擎数据质量管理系统
CN109656688B (zh) * 2018-12-07 2021-03-30 京东数字科技控股有限公司 一种实现分布式业务规则的方法、系统和服务器
CN109656688A (zh) * 2018-12-07 2019-04-19 北京京东金融科技控股有限公司 一种实现分布式业务规则的方法、系统和服务器
CN110175676A (zh) * 2019-04-28 2019-08-27 中国科学院软件研究所 一种面向内存受限环境的高性能规则匹配方法
CN110175676B (zh) * 2019-04-28 2021-04-20 中国科学院软件研究所 一种面向内存受限环境的高性能规则匹配方法
CN110428054A (zh) * 2019-08-07 2019-11-08 浪潮云信息技术有限公司 基于编译技术的业务规则引擎模式匹配系统及实现方法
CN110890983A (zh) * 2019-11-26 2020-03-17 北京杰思安全科技有限公司 一种基于大数据的流处理预警的方法
CN110890983B (zh) * 2019-11-26 2022-04-05 北京杰思安全科技有限公司 一种基于大数据的流处理预警的方法
CN111309290A (zh) * 2019-11-29 2020-06-19 上海金融期货信息技术有限公司 一种灵活可扩展业务规则矩阵系统
CN111309290B (zh) * 2019-11-29 2023-05-26 上海金融期货信息技术有限公司 一种灵活可扩展业务规则矩阵系统
CN111198863A (zh) * 2019-12-27 2020-05-26 天阳宏业科技股份有限公司 一种规则引擎及其实现方法
CN111562964A (zh) * 2020-04-23 2020-08-21 深圳证券通信有限公司 一种基于规则引擎的结算业务系统模拟器实现方法
CN111782693A (zh) * 2020-06-19 2020-10-16 中信银行股份有限公司 基于storm、redis的实时计算方法、系统、设备以及存储介质
CN111932076A (zh) * 2020-07-09 2020-11-13 车智互联（北京）科技有限公司 一种规则配置和发布方法、装置及计算设备
CN111932076B (zh) * 2020-07-09 2023-12-12 车智互联（北京）科技有限公司 一种规则配置和发布方法、装置及计算设备
CN112261101A (zh) * 2020-10-15 2021-01-22 四川长虹电器股份有限公司 Mqtt消息中心引入规则引擎的方法
CN112261101B (zh) * 2020-10-15 2021-09-28 四川长虹电器股份有限公司 Mqtt消息中心引入规则引擎的方法
CN112651506A (zh) * 2020-12-24 2021-04-13 重庆大学 一种智能环境下基于边缘设备规则推理的数据预部署方法
CN113535809A (zh) * 2021-06-24 2021-10-22 深圳市邦盛实时智能技术有限公司 一种用于授信行业的分布式多内核决策系统及方法
WO2023111786A1 (en) * 2021-12-14 2023-06-22 International Business Machines Corporation Multi-partitioned global data system

Similar Documents

Publication Publication Date Title
CN106777029A (zh) 一种分布式规则引擎系统及其构建方法
Li et al. Scaling distributed machine learning with the parameter server
Fernandez et al. A view on fuzzy systems for big data: progress and opportunities
Barbierato et al. Performance evaluation of NoSQL big-data applications using multi-formalism models
CN104809237B (zh) LSM-tree索引的优化方法和装置
CN105550225B (zh) 索引构建方法、查询方法及装置
CN112287015B (zh) 画像生成系统及其方法、电子设备及存储介质
Rico-Garcia et al. Parallel implementation of metaheuristics for optimizing tool path computation on CNC machining
CN110245108A (zh) 执行体创建系统和执行体创建方法
CN110262995A (zh) 执行体创建系统和执行体创建方法
Cecilia et al. Enhancing GPU parallelism in nature-inspired algorithms
Bellini et al. Graph databases methodology and tool supporting index/store versioning
Alemi et al. CCFinder: using Spark to find clustering coefficient in big graphs
CN103593496B (zh) 用于管理产品的产品结构变化的模型
Wen et al. A swap dominated tensor re-generation strategy for training deep learning models
CN105302551B (zh) 一种大数据处理系统的正交分解构造与优化的方法及系统
JP5283766B2 (ja) データベースの管理方法、データベース管理システム、およびプログラム
CN107423028A (zh) 一种大规模流程并行排程方法
Zhang et al. GraphA: Efficient partitioning and storage for distributed graph computation
Radenski Using MapReduce streaming for distributed life simulation on the cloud
Rohrmann et al. Gilbert: Declarative sparse linear algebra on massively parallel dataflow systems
Huangfu et al. Matrixmap: Programming abstraction and implementation of matrix computation for big data applications
Mohamed et al. A Scalable Approach for Distributed Reasoning over Large-scale OWL Datasets.
Iozzia Hands-on Deep Learning with Apache Spark: Build and Deploy Distributed Deep Learning Applications on Apache Spark
Diwakar Reddy et al. Algorithms for Iterative Applications in MapReduce Framework

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20170531