Unduh grule rule engine - unduh kode sumber grule rule engine

grule rule engine

Kode sumber lainnya

Release 1.15.0

Unduh

"Gopher Memegang Aturan"

Mesin Aturan-Grule

 import "github.com/hyperjumptech/grule-rule-engine"

Mesin Aturan untuk Go

Grule adalah perpustakaan Rule Engine untuk bahasa pemrograman Go (Golang). Terinspirasi oleh JBOSS Drools yang terkenal, dan dilakukan dengan cara yang lebih sederhana.

Seperti Drools , Grule memiliki DSL atau Bahasa Khusus Domainnya sendiri.

Di bawah ini adalah contoh DRL Drools atau Drools Rule Language:

 rule "SpeedUp"
    salience 10
    when
        $TestCar : TestCarClass( speedUp == true && speed < maxSpeed )
        $DistanceRecord : DistanceRecordClass()
    then
        $TestCar.setSpeed($TestCar.Speed + $TestCar.SpeedIncrement);
        update($TestCar);
        $DistanceRecord.setTotalDistance($DistanceRecord.getTotalDistance() + $TestCar.Speed);
        update($DistanceRecord);
end

GRL Grule adalah sebagai berikut:

 rule SpeedUp "When testcar is speeding up we keep increase the speed." salience 10  {
    when
        TestCar . SpeedUp == true && TestCar . Speed < TestCar . MaxSpeed
    then
        TestCar . Speed = TestCar . Speed + TestCar . SpeedIncrement ;
        DistanceRecord . TotalDistance = DistanceRecord . TotalDistance + TestCar . Speed ;
}

Apa itu Mesin Aturan

Tidak ada penjelasan yang lebih baik dari artikel yang ditulis oleh Martin Fowler. Anda dapat membaca artikelnya di sini (RulesEngine oleh Martin Fowler).

Diambil dari situs TutorialsPoint (dengan sedikit modifikasi),

Grule Rule Engine adalah Sistem Aturan Produksi yang menggunakan pendekatan berbasis aturan untuk mengimplementasikan Sistem Pakar. Sistem Pakar adalah sistem berbasis pengetahuan yang menggunakan representasi pengetahuan untuk memproses pengetahuan yang diperoleh menjadi basis pengetahuan yang dapat digunakan untuk penalaran.

Sistem Aturan Produksi Turing lengkap dengan fokus pada representasi pengetahuan untuk mengekspresikan logika proposisional dan orde pertama secara ringkas, tidak ambigu, dan deklaratif.

Inti dari Sistem Aturan Produksi adalah Mesin Inferensi yang dapat menskalakan sejumlah besar aturan dan fakta. Mesin Inferensi mencocokkan fakta dan data dengan Aturan Produksi – disebut juga Produksi atau sekadar Aturan – untuk menyimpulkan kesimpulan yang menghasilkan tindakan.

Aturan Produksi adalah struktur dua bagian yang menggunakan logika tingkat pertama untuk mempertimbangkan representasi pengetahuan. Mesin aturan bisnis adalah sistem perangkat lunak yang menjalankan satu atau lebih aturan bisnis dalam lingkungan produksi runtime.

Mesin Aturan memungkinkan Anda menentukan “Apa yang Harus Dilakukan” dan bukan “Bagaimana melakukannya”.

Apa itu Aturan

(juga diambil dari TutorialsPoint)

Aturan adalah potongan pengetahuan yang sering diungkapkan sebagai, "Ketika kondisi tertentu terjadi, maka lakukanlah beberapa tugas."

 When
   < Condition is true >
Then
   < Take desired Action >

Bagian terpenting dari suatu Peraturan adalah bagian kapannya. Jika bagian kapan terpenuhi, maka bagian tersebut terpicu.

 rule  < rule_name > < rule_description >
   < attribute > < value > {
   when
      < conditions >

   then
      < actions >
}

Keuntungan Mesin Aturan

Pemrograman Deklaratif

Aturan memudahkan untuk mengungkapkan solusi terhadap masalah sulit dan mendapatkan verifikasi juga. Berbeda dengan kode, Aturan ditulis dengan bahasa yang tidak terlalu rumit; Analis Bisnis dapat dengan mudah membaca dan memverifikasi serangkaian aturan.

Pemisahan Logika dan Data

Data berada di Objek Domain dan logika bisnis berada di Aturan. Tergantung pada jenis proyeknya, pemisahan semacam ini bisa sangat menguntungkan.

Sentralisasi Pengetahuan

Dengan menggunakan Aturan, Anda membuat gudang pengetahuan (basis pengetahuan) yang dapat dieksekusi. Ini adalah satu kebenaran dalam kebijakan bisnis. Idealnya, Aturan harus mudah dibaca sehingga bisa juga berfungsi sebagai dokumentasi.

Ketangkasan Untuk Berubah

Karena aturan bisnis sebenarnya diperlakukan sebagai data. Menyesuaikan aturan menurut sifat dinamis bisnis menjadi hal yang sepele. Tidak perlu membuat ulang kode atau menerapkan seperti yang dilakukan pengembangan perangkat lunak pada umumnya - Anda hanya perlu meluncurkan serangkaian aturan dan menerapkannya pada repositori pengetahuan.

Kasus Penggunaan

Kasus-kasus berikut lebih baik diselesaikan dengan mesin aturan:

Sebuah sistem pakar yang harus mengevaluasi fakta untuk memberikan semacam kesimpulan dunia nyata. Jika tidak menggunakan mesin aturan gaya RETE, seseorang akan mengkodekan serangkaian pernyataan if / else yang berjenjang, dan permutasi kombinasi bagaimana pernyataan tersebut dapat dievaluasi akan dengan cepat menjadi tidak mungkin untuk dikelola. Mesin aturan berbasis tabel mungkin cukup, namun masih lebih rapuh terhadap perubahan, dan tidak terlalu mudah untuk dikodekan. Sistem seperti Grule memungkinkan Anda mendeskripsikan aturan dan fakta sistem, sehingga Anda tidak perlu mendeskripsikan bagaimana aturan dievaluasi berdasarkan fakta tersebut, dan menyembunyikan sebagian besar kerumitan tersebut dari Anda.
Sebuah sistem penilaian. Misalnya, sistem bank mungkin ingin membuat "skor" untuk setiap pelanggan berdasarkan catatan transaksi pelanggan (fakta). Kita dapat melihat perubahan skor mereka berdasarkan seberapa sering mereka berinteraksi dengan bank, berapa banyak uang yang mereka transfer masuk dan keluar, seberapa cepat mereka membayar tagihan, berapa besar bunga yang mereka peroleh, berapa banyak penghasilan mereka untuk diri mereka sendiri atau untuk bank, dan segera. Mesin aturan dapat disediakan oleh pengembang, dan spesifikasi fakta serta aturan kemudian dapat diberikan oleh ahli di bidang analisis pelanggan bank. Memisahkan tim-tim yang berbeda ini menempatkan tanggung jawab pada tempatnya.
Permainan komputer. Status pemain, penghargaan, penalti, kerusakan, skor, dan sistem probabilitas adalah banyak contoh berbeda di mana aturan memainkan peran penting dalam sebagian besar permainan komputer. Aturan-aturan ini dapat berinteraksi dengan cara yang sangat kompleks, sering kali dengan cara yang tidak diperkirakan oleh pengembang. Pengkodean situasi dinamis ini melalui penggunaan bahasa skrip (misalnya Lua) bisa menjadi sangat rumit, dan mesin aturan dapat sangat membantu menyederhanakan pekerjaan.
Sistem klasifikasi. Ini sebenarnya merupakan generalisasi dari sistem pemeringkatan yang dijelaskan di atas. Dengan menggunakan mesin aturan, kita dapat mengklasifikasikan hal-hal seperti kelayakan kredit, identifikasi biokimia, penilaian risiko produk asuransi, potensi ancaman keamanan, dan masih banyak lagi.
Sistem nasehat/saran. Sebuah "aturan" hanyalah jenis data lain, yang menjadikannya kandidat utama untuk didefinisikan oleh program lain. Program ini dapat berupa sistem pakar lain atau kecerdasan buatan. Aturan dapat dimanipulasi oleh sistem lain untuk menangani jenis fakta baru atau informasi baru yang ditemukan tentang domain yang ingin dimodelkan oleh kumpulan aturan tersebut.

Ada banyak kasus penggunaan lain yang mendapat manfaat dari penggunaan Rule-Engine. Kasus-kasus di atas hanya mewakili sebagian kecil dari kasus-kasus potensial.

Namun, penting untuk diingat bahwa Rule-Engine tentu saja bukanlah solusi terbaik. Ada banyak alternatif untuk memecahkan masalah "pengetahuan" dalam perangkat lunak, dan alternatif tersebut harus digunakan pada tempat yang paling tepat. Seseorang tidak akan menggunakan mesin aturan yang mana cabang sederhana if / else sudah cukup, misalnya.

Ada hal lain yang perlu diperhatikan: beberapa penerapan mesin aturan sangat mahal, namun banyak bisnis mendapatkan begitu banyak manfaat dari penerapannya sehingga biaya menjalankannya dapat dengan mudah diimbangi dengan nilai tersebut. Bahkan untuk kasus penggunaan yang cukup rumit, manfaat dari mesin aturan yang kuat yang dapat memisahkan tim dan menjinakkan kompleksitas bisnis tampaknya cukup jelas.

dokumen

Halaman dokumentasi di sini

Untuk mendalami Tutorial, lihat Dokumen Wiki di sini di Github.

Tolok ukur

Loading rules into KnowledgeBase :

Untuk memuat 100 aturan ke dalam KnowledgeBase dibutuhkan 99342047 ns/op (mengambil nilai tertinggi) yaitu sama dengan ~99.342047ms dan ( 49295906 B/op ) ~49.295906MB memori per operasi
Untuk memuat 1000 aturan ke dalam KnowledgeBase dibutuhkan 933617752 ns/op (mengambil nilai tertinggi) yaitu sama dengan ~933.617752ms dan ( 488126636 B/op ) ~488.126636 memori per operasi

Executing rules against a fact :

Untuk mengeksekusi fakta terhadap 100 aturan, Grule Engine mengambil ~9697 ns/op (mengambil nilai tertinggi sebagai basis) yang hampir ~0.009697ms dan 3957 B/op yang cukup cepat.
Untuk mengeksekusi fakta terhadap 1000 aturan, Grule Engine mengambil ~568959 ns/op (mengambil nilai tertinggi sebagai basis) yang hampir ~0.568959ms dan 293710 B/op yang juga cukup cepat.

Anda dapat membaca laporan detailnya di sini