Hiperfact：内存中高性能事实处理——对 Rete 推理算法的反思
数据库
2020-12-07 v1
摘要
Rete 前向推理算法构成了当今部署的许多规则引擎的基础，但它存在以下问题：（1）缓存所有中间连接结果，（2）处理所有规则而不论是否有必要（源于底层的前向推理方法），（3）未定义规则及其条件的连接顺序，显著影响最终运行时性能，以及（4）由于整体网络结构导致的指针追踪，由随机访问模式引起 CPU 缓存的低效使用。Hiperfact 方法旨在通过以下方式克服这些缺陷：（1）在一级事实索引存储和中间连接结果存储层上选择缓存高效的数据结构，（2）引入孤岛事实处理，通过确保最小中间连接结果构建来确定连接顺序，以及（3）引入派生树以允许并行读/写访问和惰性规则求值。实验评估表明，实现该方法的 Hiperfact 原型引擎在推理和查询性能方面均取得显著改进。此外，所提出的 Hiperfact 引擎在综合基准测试的背景下与现有引擎进行了比较。
引用
@article{arxiv.2012.02710,
title = {Hiperfact: In-Memory High Performance Fact Processing -- Rethinking the Rete Inference Algorithm},
author = {Conrad Indiono and Stefanie Rinderle-Ma},
journal= {arXiv preprint arXiv:2012.02710},
year = {2020}
}