drools dmn

我們一直在尋求改善Drools DMN開源引擎的性能。 我們最近審查了DMN用例，其中輸入數(shù)據(jù)節(jié)點的實際輸入總體有所不同。 這突出顯示了引擎的次佳性能，我們在最新版本中對此進行了改進。 我想分享我們的發(fā)現(xiàn)！

基準制定

當我們開始為此用例運行一個支持基準測試時，尤其是在調查具有稀疏填充的輸入數(shù)據(jù)節(jié)點的大型DMN模型的場景時，我們注意到了一些奇怪的結果：當記錄消息時，火焰圖數(shù)據(jù)突出顯示了性能的嚴重下降，這非常消耗與應用邏輯本身相比，花費了大量時間。

該火焰圖特別強調了堆棧跟蹤合成（由測井框架人為誘導）消耗了大量時間。 在這種情況下，糾正措施是調整日志記錄配置以避免此問題。 具體來說，我們禁用了日志記錄框架的一項功能，該功能在調試活動期間非常方便，從而可以快速定位原始的調用類和方法：不幸的是，此功能的代價是合成堆棧跟蹤，該跟蹤最初污染了基準測試結果。 從這里學到的教訓：請始終先檢查非功能性需求是否真的掩蓋了真正的問題！

在繼續(xù)更詳細地研究用例之前，這是必要且可行的步驟。

改善表現(xiàn)

繼續(xù)并專注于DMN優(yōu)化，我們專門開發(fā)了一個通用性很強的基準，同時也重點介紹了已提供給我們的用例。 該基準包含一個DMN模型，其中包含許多要評估的決策節(jié)點（500個）。 另一個參數(shù)控制輸入數(shù)據(jù)節(jié)點的稀疏性以進行評估； 范圍從值1（填充所有輸入）到值2（僅填充兩個輸入中的一個），等等。

事實證明，該特定基準是突出一些潛在改進的非常有用的工具。

將比較基準設置為Drools版本7.23.0。最終，使用DROOLS-4204實現(xiàn)的第一個優(yōu)化專注于在評估FEEL表達式的同時改善上下文處理，并證明可提供約3倍的改進，而使用DROOLS-4266進行的進一步優(yōu)化則專注于特定決策表輸入子句的用例表明，在DROOLS-4204的基礎上，附加的?2倍改進。

我們還在下圖中收集了這些度量。

該圖突出顯示了當稀疏因子等于1時（填充所有輸入時）的復合改進； 這是一個非常重要的結果，因為實際上它確實代表了原始用例中的主要 “快樂路徑”場景。

換句話說，與在相同的用例上運行相比，我們實現(xiàn)了約6倍的改進

7.23.0。最終版 我在這里學到的教訓是，在可能的情況下，始終努力進行此類復合改進，因為它們確實可以彼此疊加，以獲得更大的效果！

為了完整起見，我們使用以下度量重復分析，其稀疏因子等于2（實際上每2個輸入填充1個）和50個（實際上每50個輸入填充1個），并進行以下測量：

結果表明，對于等于2的稀疏因子，優(yōu)化也很重要，但隨著該因子的增加，相關的改進并不明顯-這是可以預期的，因為決策節(jié)點評估對整體執(zhí)行邏輯的影響現(xiàn)在變得不那么重要了。

為了完整起見，還對包含多個規(guī)則行的單個決策表使用了另一個已經存在的基準進行分析：

結果表明，這些代碼更改從整體上來看仍然可以提供相關的改進； 雖然顯然不相同幅度為原來使用-情況。 這是另一項重要檢查，以確保這些改進不適合特定用例。

結論

以Drools版本7.23.0.Final為基準，以及包含DMN模型和許多待評估決策節(jié)點的參考基準，我們實施了多項優(yōu)化，這些優(yōu)化一旦組合在一起，就可以使該特定項目的總速度提高約6倍用例！

我希望這是一篇有趣的文章，以強調要獲得更好性能的一些方面； 讓我們知道您的想法和反饋。

您現(xiàn)在已經可以從Drools的最新版本中受益于這些Kie DMN開源引擎的改進！

翻譯自: https://www.javacodegeeks.com/2019/08/drools-dmn-performance-improvements.html

drools dmn

總結

以上是生活随笔為你收集整理的drools dmn_Drools DMN最新开源引擎性能改进的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內容還不錯，歡迎將生活随笔推薦給好友。