1.概述

我们是用processfunction实现的cep动态更新，然后看到这个是原生api感觉有趣，研究一下

原文：https://mp.weixin.qq.com/s/mh–wQvAWQq2tDPKq0-m8Q

规则引擎通常对我们的理解就是用来做模式匹配的，在数据流里面检测满足规则要求的数据。有人会问为什么需要规则动态变更呢？直接修改了规则把服务重启一下不就可以了吗，这个当然是不行的，规则引擎里面通常会维护很多不同的规则，例如在监控告警的场景下，如果每个人修改一下自己的监控阈值，就重启一下服务，必然会影响其他人的使用，因此需要线上满足规则动态变更加载。本篇基于Flink-Cep 来实现规则动态变更加载，同时参考了Flink中文社区刘博老师的分享(https://developer.aliyun.com/article/738454)，在这个分享里面是针对在处理流中每一个Key使用不同的规则，本篇的讲解将不区分key的规则。
实现分析
•外部加载：通常规则引擎会有专门的规则管理模块，提供用户去创建自己的规则，对于Flink任务来说需要到外部去加载规则
•动态更新：需要提供定时去检测规则是否变更
•历史状态清理：在模式匹配中是一系列NFAState 的不断变更，如果规则发生变更那么这些State也就是无用的了，需要清理掉
•易容的API: 不同的业务开发人员可能会有自己的规则管理、定时策略等，那么需要对外提供易用的API

实现步骤
用户API定义: InjectionPatternFunction 用于获取、定义用户的规则
package org.apache.flink.cep.functions;

import org.apache.flink.api.common.functions.Function;
import org.apache.flink.cep.pattern.Pattern;

import java.io.Serializable;

/**

@param
/
public interface InjectionPatternFunction extends Function, Serializable {
/*
- 你可能有一些初始化的工作
  */
  public void init() throws Exception;
/**
- 获取新的pattern
- @return
  */
  public Pattern<T,T> inject() throws Exception;
/**
- 一个扫描周期:ms
- @return
  */
  public long getPeriod() throws Exception;
/**
- 规则是否发生变更
- @return
  */
  public boolean isChanged() throws Exception;
  }
  那么如何将这个API暴露出去呢？正常情况的使用是：

CEP.pattern(dataStream,pattern)
希望以同样的方式暴露：

CEP.injectionPattern(dataStream,new YourInjectionPatternFunction)
就需要在CEP-Lib里面进行改造：

package org.apache.flink.cep
//CEP 里面增加方法
public static PatternStream injectionPattern(
DataStream input,
InjectionPatternFunction injectionPatternFunction){
return new PatternStream<>(input,injectionPatternFunction); //在PatternStream 里面增加对应的构造函数
}
同样需要在PatternStreamBuilder.build 进行改造：

CepOperator<IN, K, OUT> operator=null;
if(injectionPatternFunction==null){
final NFACompiler.NFAFactory nfaFactory = NFACompiler.compileFactory(pattern, timeoutHandling);
operator = new CepOperator<>(
inputSerializer,
isProcessingTime,
nfaFactory,
comparator,
pattern.getAfterMatchSkipStrategy(),
processFunction,
lateDataOutputTag);
}else{
operator = new CepOperator<>(
inputSerializer,
isProcessingTime,
injectionPatternFunction, // 将InjectionPatternFunction 传给了CepOperator
comparator,
null,
processFunction,
lateDataOutputTag,null);
}
加载Pattern
上述步骤已经将InjectionPatternFunction 加载到CepOperator 中，接下来就需要从InjectionPatternFunction中获取Pattern并且构造NFA
if(injectionPatternFunction!=null){
injectionPatternFunction.init();
Pattern pattern=injectionPatternFunction.inject();
afterMatchSkipStrategy=pattern.getAfterMatchSkipStrategy();
boolean timeoutHandling = getUserFunction() instanceof TimedOutPartialMatchHandler;
nfaFactory = NFACompiler.compileFactory(pattern, timeoutHandling);
long period=injectionPatternFunction.getPeriod();
// 注册了一个定时检测规则是否变更的定时器
if(period>0){
getProcessingTimeService().registerTimer(timerService.currentProcessingTime()+period,this::onProcessingTime);
}
}
nfa = nfaFactory.createNFA();
nfa.open(cepRuntimeContext, new Configuration());
上面注册的定时器需要实现ProcessingTimeCallback 接口的onProcessingTime 方法

@Override public void onProcessingTime(long timestamp) throws Exception {

 //先检查是否变更if(injectionPatternFunction.isChanged()){//重新注入Pattern pattern=injectionPatternFunction.inject();afterMatchSkipStrategy=pattern.getAfterMatchSkipStrategy();boolean timeoutHandling = getUserFunction() instanceof TimedOutPartialMatchHandler;nfaFactory = NFACompiler.compileFactory(pattern, timeoutHandling);nfa = nfaFactory.createNFA();nfa.open(cepRuntimeContext, new Configuration());refreshVersion.incrementAndGet();}//重新注册if(injectionPatternFunction.getPeriod()>0){

getProcessingTimeService().registerTimer(timerService.currentProcessingTime()+injectionPatternFunction.getPeriod(),this::onProcessingTime);
}
}
至此已经完成了动态加载与定时检测，接下来需要实现状态的清理动作。

状态清理
状态清理一共分为两块: 匹配状态数据清理、定时器清理；
状态清理有两种方式：一种是对KeyedState 执行clear操作，就是每处理一个key时执行清理操作;另外一种方式是getKeyedStateBackend().applyToAllKeys 一次性清理所有的状态，这种方式可能会导致任务消费阻塞，因此使用第一种方式；
另外需要思考的一个问题是如何判断状态是否需要清理？这里可以使用版本比对的方式进行处理，每一次规则变更对应的version提升，然后在使用该version与数据的version进行比对处理。
定义几个状态变量：

/**
* 动态的pattern注入
*/
private InjectionPatternFunction injectionPatternFunction;

/***  表示的是一个version*/
ListState<Integer> refreshFlagState; //nfa 的version 需要持久化
private AtomicInteger refreshVersion;  //    刷新nfa的version
private ValueState<Integer> needRefresh; //  每一个key 对应一个versionprivate ListState<Long> registerTimeState;// 注册定时器存储的时间

在processElement里面执行状态清理动作：

if(injectionPatternFunction!=null){
int currVersion=needRefresh.value(); //当前key的版本
if(currVersion<refreshVersion.get()){ //版本不一致
//那么就开始执行清理动作状态与定时器，应该没有其他的了吧
computationStates.clear();
elementQueueState.clear();
partialMatches.releaseData();
//删除定时器相关的操作
Iterable registerTime=registerTimeState.get();
if(registerTime!=null){
Iterator registerTimeIter=registerTime.iterator();
while(registerTimeIter.hasNext()){
Long l=registerTimeIter.next();
timerService.deleteEventTimeTimer(VoidNamespace.INSTANCE,l); //删除定时器
timerService.deleteProcessingTimeTimer(VoidNamespace.INSTANCE,l);
registerTimeIter.remove(); //把状态清理一下
}
}

  needRefresh.update(refreshVersion.get()); //更新到当前的版本}}

在上面用到的registerTimeState 状态数据从哪里来的呢？比喻说我们需要做数据排序比较或者是事件时间的语义，通常需要先缓存数据，然后会做一个排序操作，最后做匹配，那么这个触发的就是由定时器来完成的。接下来看一下registerTimeState中数据来源入口：
//processElement中排序与事件时间处理逻辑中增加saveRegisterTime方法
//time 表示触发的时间
private void saveRegisterTime(long time) throws Exception {
if(injectionPatternFunction!=null){
registerTimeState.add(time);
}
}
同样在定时器触发，也需要将registerTimeState 中对应的时间移除掉。另外如果状态变更了但是还未来得及清理定时器，那么就有可能造成定时器触发，可以在onEventTime 或者onProcessingTime方法里面做一个前置的版本比对判断，如果version不一致就不做任何处理或者提前清理定时器的数据。
在上面自定义了一些状态，接下来看一下状态的初始化与保存操作：
//initializeState 方法
if(injectionPatternFunction!=null) {
/**
* 两个标识位状态
*/
refreshFlagState = context.getOperatorStateStore()
.getUnionListState(new ListStateDescriptor(“refreshFlagState”, Integer.class));
if (context.isRestored()) {
if (refreshFlagState.get().iterator().hasNext()) {
refreshVersion = new AtomicInteger(refreshFlagState.get().iterator().next());
}
} else {
refreshVersion = new AtomicInteger(0);
}
needRefresh = context.getKeyedStateStore()
.getState(new ValueStateDescriptor(“needRefreshState”, Integer.class, 0));
registerTimeState = context.getKeyedStateStore()
.getListState(new ListStateDescriptor(“registerTimeState”, Long.class));
}
可以看出refreshFlagState 使用的是一个Union类型的Operator-State，这个思考题留给大家这个为什么要这样使用。对应这种类型state通常会在定义一下：

@Override public void snapshotState(StateSnapshotContext context) throws Exception {
super.snapshotState(context);
if(injectionPatternFunction!=null){
refreshFlagState.clear();
refreshFlagState.add(refreshVersion.get());
}
}
至此整个流程完成。

总结
本篇介绍cep如何实现动态规则加载，给出了大部分的关键实现代码，需要与前一篇给出的demo结合使用，对于不同Key的变更，需要定义与Key相关联的NFA，其他的处理逻辑大体相同，欢迎大家一起交流。

【flink】Flink-Cep实现规则动态更新相关推荐

Flink-Cep实现规则动态更新
Flink-Cep实现规则动态更新规则引擎通常对我们的理解就是用来做模式匹配的,在数据流里面检测满足规则要求的数据.有人会问为什么需要规则动态变更呢?直接修改了规则把服务重启一下不就可以了吗,这个当 ...
【Spark】SparkStreaming-流处理-规则动态更新-解决方案
SparkStreaming-流处理-规则动态更新-解决方案 image2017-10-27_11-10-53.png (1067×738)elasticsearch-headElasticsearc ...
Spark/Flink广播实现作业配置动态更新
点击上方"zhisheng",选择"设为星标" 后台回复"ffa"可以查看 Flink 资料前言在实时计算作业中,往往需要动态改变一些配 ...
网络安全公司奇安信集团是如何基于 Flink 构建 CEP 引擎实时检测网络攻击【未来不可忽视的网络安全】
摘要: 奇安信集团作为一家网络安全公司是如何基于 Flink 构建 CEP 引擎实时检测网络攻击?其中面临的挑战以及宝贵的实践经验有哪些?本文主要内容分为以下四个方面: 背景及现状技术架构产品及运 ...
大数据计算引擎之Flink Flink CEP复杂事件编程
原文地址:大数据计算引擎之Flink Flink CEP复杂事件编程复杂事件编程(CEP)是一种基于流处理的技术,将系统数据看作不同类型的事件,通过分析事件之间的关系,建立不同的时事件系序列库,并利 ...
Drools7 动态更新规则
动态更新规则上一章节讲述了 Drools7 和 Springboot2 集成使用,集成工作相对简单.可以快速开发.但是缺点也很明显,规则和配置文件绑定在项目中(耦合度太高).如果你不需要修改规则文件 ...
Drools动态更新规则
Drools动态规则加载 Drools简介动态加载规则 1. 项目依赖 2. 实现 (1) 新增规则 (2) 删除规则 (3) 更新规则 Drools简介简单说明一下规则动态插拔使用到的Drool ...
[Flink]Flink实时框架介绍
目录架构应用流状态时间分层API 运维架构 Flink是一个分布式数据流处理引擎,用于处理带状态的有边界或无边界数据流.可以部署在通用的分布式集群上,实现海量数据在内存上快速计算. 无边 ...
h5 数字变化_前端/h5 D3.js实现根据数据动态更新图形/类似进度实时变化效果
最近接到一个需求,在满足规则下,实现类似这种展示效果,其实就是用图形反映数据(NK,一种干扰值) 运行后,它其实是不断在动的,每格都可能显示灰色或者彩色这里一共是10个格子,每格代表一个范围边界,说 ...

【flink】Flink-Cep实现规则动态更新

1.概述

【flink】Flink-Cep实现规则动态更新相关推荐

最新文章

热门文章