引言
规则引擎实现了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。
规则引擎具体执行可以分为接受数据输入，解释业务规则，根据业务规则做出业务决策几个过程，使用规则引擎可以把复杂、
冗余的业务规则同整个支撑系统分离开，做到架构的可复用移植。
常用的规则引擎是开源的Drools，其内部采用RETE算法
RETE算法
介绍
蓝色为类型节点（Object Type Node）
对节点增加条件限制节点（Alpha Node）
绿色节点为Beta Node，拥有两个输入节点。用于比较两个对象。两个对象可能是相同或不同的类型
案例
提供“机票+酒店”、“机票+酒店+贵宾休息室”两种类型的产品
条件：
- “机票+酒店”产品要保障：酒店位于目的地且到达当天可以入住
- “机票+酒店+贵宾休息室”产品要保障：酒店位于目的地且到达当天可以入住。贵宾休息室位于出发城市。
rule "segment_hotel"
when
seg : Segment( startCity in ( "XMN", "PEK", "FOC", "HGH", "TSN", "JJN" ) , cabin == "Y" )
hotel : Hotel( ifCanPackageSale == true , location != null , location.city == seg.arriveCity )
then
System.out.println("【机+酒产品】"+seg.getProCode()+" + "+hotel.getProCode());
end
rule "segment_hotel_lounge"
dialect "java"
when
seg : Segment( startCity in ( "XMN", "PEK", "FOC", "HGH", "TSN", "JJN" ) , cabin == "Y" )
hotel : Hotel( ifCanPackageSale == true , location != null , location.city == seg.arriveCity )
lounge:ReservedLounge(selfSupport==true,location.city == seg.startCity)
then
System.out.println("【机+酒+休息室产品】"+seg.getProCode()+" + "+hotel.getProCode()+" + "+lounge.getProCode());
end
算法优缺点
- 采用空间换时间，效率高
一般的程序处理案例的逻辑，需要三个For循环，时间复杂度为n^3
Alpha Memory将符合条件的事实进行增量存储，避免了大量的重复计算，提高了匹配效率
- 存储区根据规则的条件与事实的数目成指数级增长，极端情况下会耗尽系统资源。
Drools
规则引擎的整体架构模式
Working Memory用于存储事实
Rule Base即制定的规则
Inference Engine（推理引擎）导入两者
通过模式匹配器（Pattern Matcher）获得符合条件数据
经议程（Agenda）和执行引擎（Execution Engine）对数据进行处理
Drools在此理论架构基础上进行了实现
KieServices是核心类，通过其可以获取的各种对象来完成规则构建、管理和执行等操作
KieContainer是一个给定的KieModule中所有KieBase的存放容器
KieRepository是一个单例对象，它是一个存放KieModule的仓库，KieModule由kmodule.xml文件定义.
KieBase就是一个知识仓库，包含了若干的规则、流程、方法等，但是不包含运行时的数据
KieSession就是一个跟Drools引擎打交道的会话，其基于KieBase创建
动态配置方案
- 单独运行模块生成jar包上传maven nexus，应用模块通过插件扫描形式监控更新
数据库配置规则代码，动态拉取执行（少量规则变动适用）
文件配置，动态更新文件类型或内容（文件类型drl、xls）
规则书写建议:
a. 容易变化的规则尽量置后匹配，可以减少规则的变化带来规则库的变化。
b. 约束性较为通用或较强的模式尽量置前匹配，可以避免不必要的匹配。
