Flink 动态 CEP 详解与应用实践

本文涉及的产品
实时计算 Flink 版,5000CU*H 3个月
简介: 本文由杭州银行大数据工程师唐占峰、欧阳武林撰写,介绍Flink动态CEP的定义、应用场景、技术实现及使用方式。Flink动态CEP是基于Flink的复杂事件处理库,支持在不重启服务的情况下动态更新规则,适应快速变化的业务需求。文章详细阐述了其在反洗钱、反欺诈和实时营销等金融领域的应用,并展示了某金融机构的实际应用案例。通过动态CEP,用户可以实时调整规则,提高系统的灵活性和响应速度,降低维护成本。文中还提供了具体的代码示例和技术细节,帮助读者理解和使用Flink动态CEP。

摘要:本文撰写自杭州银行大数据工程师唐占峰、欧阳武林老师。将介绍 Flink 动态 CE P的定义与核心概念、应用场景、并深入探讨其技术实现并介绍使用方式。主要分为以下几个内容:

1、Flink动态CEP简介
2、Flink动态CEP的应用场景
3、Flink动态CEP的技术实现
4、Flink动态CEP的使用方式
5、某金融机构应用实践

金融行业大数据技术正在进入成熟期,数据的实时性在金融的实时监控和分析交易数据以识别洗钱行为、欺诈行为、和确保合规性是至关重要的。随着业务环境的快速变化,传统的静态规则引擎已经无法满足这些需求,因为它们在规则变更时需要重启服务,这会导致服务中断和延迟响应。我们引入由Flink发展过来的Flink动态CEP作为行内的动态规则引擎,它能够在不中断服务的情况下动态更新规则,适应不断变化的业务需求。

CEP 是复杂事件处理 Complex Event Processing 的缩写,而 FlinkCEP 则是基于 Flink 实现的复杂事件处理库,它可以识别出数据流中符合特定模式(Pattern)的事件序列,并允许用户作出针对性处理。Flink动态CEP,作为FlinkCEP的高级功能,进一步扩展了这一能力,它支持在不重启服务的情况下动态更新规则。这种动态性不仅提高了系统的灵活性和响应速度,还大大降低了维护成本和复杂性。

一、Flink动态CEP简介

1. Flink动态CEP的定义和核心概念

Flink动态CEP是Apache Flink流处理框架的一个高级功能,它允许通过DataStream(数据流)作业方式运行支持动态规则更新的FlinkCEP作业,对数据流进行动态的捕获、清洗和分析。Flink动态CEP做到了基于Flink全托管快速构建动态加载最新规则来处理上游的数据流,让用户有机会实时掌握数据中重要的高阶特征。

关键概念

①pattern(模式):模式是规则,也是定义规则的方式。一个模式可以是单例或者循环模式,单例只接受一个事件,循环模式可以接受多个事件。用户可以使用pattern来识别匹配到的事件。多个pattern可以组成复杂模式,我们把由多个pattern组成的复杂模式序列称为patternProcessor(模式处理器)。

②事件流:事件流可以来自异构上游,可以是kafka数据,也可以是数据库表数据(如交易流水类的实时事件流)。当Flink动态CEP作业启动后,遇到实际输入事件流,Flink会尝试识别定义的patternProcessor并进行动态匹配,最终得到匹配结果。

③动态匹配:Flink动态CEP会实时识别事件流变化,并不断发送给下游算子,下游算子接收到发送的事件进行解析和反序列化后生成真正使用的patternProcessor,根据最新的patternProcessor定义的规则进行动态匹配。

2. Flink动态CEP解决的问题

FlinkCEP是一种规则引擎,是通过设置规则模式来匹配事件的。而频繁变化的交易、记账场景要求我们对初始规则进行调整或者对规则进行新增。例如一个CEP作业初始规则是转账用户在一分钟内连续进行3次转账后将其认为是风险操作。而在特殊场景,预期转账次数会多一点,一分钟3次的转账次数阈值可能不合适,在当前开源FlinkCEP实现下,没法做到使用户无感的转换,只能重新编写Java代码,然后重启作业,以使最新的规则生效。这样的操作带来时间成本较高和重启作业代价高的问题。因为要走一遍完整的代码开发和打包上线流程对于对时间延迟敏感程度高的银行风控领域是难以接受的,且规则引擎里通常会维护很多不同的规则,如果简单的规则修改都需要较长的时间窗口,会影响其他人的使用,维护起来也比较困难。Flink动态cep很好的降低了传统规则引擎较高的时间成本并做到无需重启作业就能丝滑更新规则,以下是Flink动态CEP解决的主要问题:

①动态规则更新:传统规则引擎在规则变更时需要重新部署和启动作业,这会导致服务中断,影响系统的实时性和可用性。而Flink动态CEP允许在不中断服务的情况下动态加载和更新CEP规则,这意味着可以在运行时修改模式匹配逻辑,而无需重启整个Flink作业。

②多规则支持:在静态场景下使用多条规则时,传统FlinkCEP需要创建多个CepOperator(CEP算子),这会导致数据的额外拷贝,增加处理开销。Flink动态CEP支持在一个Operator(算子)中处理多条规则,减少了数据拷贝,提高了处理效率。

③参数化Condition支持:Flink动态CEP支持在Json格式规则描述中定义参数化的Condition,提高了自定义Condition的拓展性,解决了动态添加新的Condition类实现的需求。

二、Flink动态CEP的应用场景

Flink动态CEP就像是一个智能监控系统,它不仅能在线识别风险行为(比如洗钱或欺诈),还能为实时营销助力,为业务赋能。和金融领域相关的应用场景如下:

1. 反洗钱

Flink动态CEP可以监控银行账户的交易活动,识别出类似洗钱的行为。例如,可以设置规则来识别短时间内频繁的大额存款和取款行为,或者识别出与洗钱交易相关的账户之间的资金流动,从而触发反洗钱调查。也可以结合大数据技术和机器学习技术构建洗钱风险监测模型,更准确地识别可疑交易和潜在洗钱风险客户。还可以运用Flink动态CEP的流式计算技术实时分析处理客户的全链路交易信息,结合知识图谱、实时智能等技术,构建起全行级别反洗钱领域客户关系网络图,深入融合可疑交易特征,动态完整展现资金流转全貌。

2. 反欺诈

国内电信网络诈骗非常的猖獗,金融领域的反欺诈系统对电信网络诈骗案件能起到非常关键的作用,能及时阻断欺诈案件中的资金流动减少用户资金损失。反欺诈系统对系统本身分布式、实时性、规则灵活、复杂规则匹配能力要求非常高,而Flink动态CEP在Flink的分布式、实时性的特性基础上,增加复杂规则匹配和规则动态配置能力,为反欺诈系统提供一种很好的解决方案。

3. 实时营销

在金融客户申请信用卡的时候,客户通常需要完成填充基本信息、个人身份信息认证等多个步骤完成信用卡的申请。用户在多步骤申请信用卡的过程中,有可能会因为各种原因在其中的任意一个环节退出、失败或超时。针对这种情况,利用客户行为日志作为数据源,Flink动态CEP可以利用多种规则对各个环节客户的行为数据做规则匹配、计算。并可以根据输出结果做多种营销策略的输出,如推送客户优惠券、推送消息给客户经理及时联系客户来提高营销效率,为业务赋能。

三、Flink动态CEP的技术实现

根据以上背景并基于阿里在社区提出的FLIP-200方案,ververica-cep开源demo,数据架构研发团队在部门内实现了一版Flink动态CEP的支持。下面详细介绍我们是如何实现的。

在Flink动态CEP中我们复用了Flink的OperatorCoordinator(算子协调器)机制,用它来负责协调FLink作业中的各个operator(算子)。OperatorCoordinator在JobManager中运行,会给TaskManager的Operator发送事件,我们实现的DynamicCEPOperatorCoordinator(动态CEP算子协调器)是OperatorCoordinator的实现类,它是JobManager中运行的线程,负责调用PatternProcessorDiscoverer(模式处理器探查器)接口拿到最新的PatternProcessor。Flink动态CEP的整体架构图如下所示:

上图展示的是从数据库中读取序列化后的PatternProcessor的过程。可以看到OperatorCoordinator会调用PatternProcessorDiscoverer接口从数据库中拿到最新的且序列化后的PatternProcessor,拿到后它会发送给和它关联的DynamicCEPOp(动态cep算子)。DynamicCEPOp接收到发送的事件进行解析和反序列化后,最终生成要使用的PatternProcessor并构造相应的NFA(非确定有限状态机)。之后即可使用新构造的NFA来处理上游发生的事件,并最终输出到下游。基于这样的方式,可以做到不停机的规则更新,且只有OperatorCoordinator和规则数据库交互,可以减少对数据库的访问,并利用Flink的特性保证下游sub_task中使用规则的一致性。

了解了Flink动态CEP获取规则的流程,接下来要构建FlinkCEP作业,最重要的方法,就是构建CEP.dynamicPatterns(),阿里云实时计算Flink版已经定义了CEP.dynamicPatterns()Api,该API定义代码如下:

public static <T, R> SingleOutputStreamOperator<R> dynamicPatterns(
        DataStream<T> input,
        PatternProcessorDiscovererFactory<T> patternProcessorDiscovererFactory,
        TimeBehaviour timeBehaviour,
        TypeInformation<R> outTypeInfo)

该方法入参说明如下:

参数 说明
DataStream input 输入事件流
PatternProcessorDiscovererFactory patternProcessorDiscovererFactory 工厂对象,负责构造一个探查器(PatternProcessorDiscoverer),探查器负责获取最新规则,即构造一个PatternProcessor接口
TimeBehaviour TimeBehaviour 描述FlinkCEP作业如何处理事件的时间属性。参数取值如下: ProcessingTime:代表按照ProcessingTime处理事件 EventTime:代表按照Event Time处理事件
TypeInformation OutTypeInfo 描述输出流的类型信息

dynamicPatterns()方法中input、OutTypeInfo 分别定义输入和输出流,TimeBehaviour 定义时间属性,这里不需要多做介绍,PatternProcessorDiscovererFactory接口负责构造探查器 PatternProcessorDiscoverer 以拿到最新PatternProcessor,在实现Flink动态CEP功能中起到关键作用,故本文着重对 patternProcessor、 PatternProcessorDiscoverer 两个接口及其实现类和负责拿到 PatternProcessor 并发送给下游算子的 DynamicCEPOperatorCoordinator 的代码进行详细。

1. patternProcessor接口及其实现

public  interface PatternProcessor<IN> extends Serializable, Versioned{
   
    String getId();

    default Long getTimestamp(){
   
        return Long.MIN_VALUE;
    }

    Pattern<IN,?> getPattern(ClassLoader classLoader);

    PatternProcessFunction<IN,?> getPatternProcessFunction();
}

PatternProcessor接口用于完整定义CEP中的一条规则。一个PatternProcessor实现类包含一个确定的模式(Pattern)用于描述如何去匹配事件、一个PatternProcessFunction用于描述怎么处理一个匹配事件。除此之外还包括id和version(可选)等用于标识PatternProcessFunction的信息属性。因此一个PatternProcessor既包含规则本身,也指明了规则触发时,Flink作业如何做出响应。

@PublicEvolving
public class DefaultPatternProcessor<T> implements PatternProcessor<T> {
   

    /** The ID of the pattern processor. */
    private final String id;

    /** The version of the pattern processor. */
    private final Integer version;

    /** The pattern of the pattern processor. */
    private final String patternStr;

    private final @Nullable PatternProcessFunction<T, ?> patternProcessFunction;

    public DefaultPatternProcessor(
            final String id,
            final Integer version,
            final String pattern,
            final @Nullable PatternProcessFunction<T, ?> patternProcessFunction,
            final ClassLoader userCodeClassLoader) {
   
        this.id = checkNotNull(id);
        this.version = checkNotNull(version);
        this.patternStr = checkNotNull(pattern);
        this.patternProcessFunction = patternProcessFunction;
    }

    @Override
    public String toString() {
   
        return "DefaultPatternProcessor{"
                + "id='"
                + id
                + '\''
                + ", version="
                + version
                + ", pattern="
                + patternStr
                + ", patternProcessFunction="
                + patternProcessFunction
                + '}';
    }

    @Override
    public String getId() {
   
        return id;
    }

    @Override
    public int getVersion() {
   
        return version;
    }

    @Override
    public Pattern<T, ?> getPattern(ClassLoader classLoader) {
   
        try {
   
            return (Pattern<T, ?>) CepJsonUtils.convertJSONStringToPattern(patternStr, classLoader);
        } catch (Exception e) {
   
            throw new RuntimeException(e);
        }
    }

        @Override
        public PatternProcessFunction<T,?> getPatternProcessFunction(){
   
         return patternProcessFunction;
    }
}

DefaultPatternProcessor 类是 PatternProcessor 的默认实现,它接收 id, version, pattern 字符串, PatternProcessFunction 和 ClassLoader 作为参数。并使用 checkNotNull 确保除了 patternProcessFunction 外的参数不为 null。它的 getPattern 方法中包括转换json字符串到CEP能识别的 pattern 的方法 convertJSONStringToPattern(),我们重写了 convertJSONStringToPattern() 方法,接受入参为我们指定的 classloader (类加载器)如下所示:

public static Pattern<?, ?> convertJSONStringToPattern(
        String jsonString, ClassLoader userCodeClassLoader) throws Exception {
   
    if (userCodeClassLoader == null) {
   
        LOG.warn(
                "The given userCodeClassLoader is null. Will try to use ContextClassLoader of current thread.");
        return convertJSONStringToPattern(jsonString);
    }
    GraphSpec deserializedGraphSpec = objectMapper.readValue(jsonString, GraphSpec.class);
    return deserializedGraphSpec.toPattern(userCodeClassLoader);
}

它的核心方法 toPattern() 涉及到 GraphSpec 类和方法本身,GraphSpec 类是Flink 中用于描述Pattern序列化和反序列化的工具,它用于处理由节点 (Nodes) 和边 (Edges) 组成的图形结构。这里的节点可以是单独的 Pattern 或者是嵌套的 GraphSpec,边则定义了节点之间的关系和数据流的方向,这和数据库中存储的规则Dag紧密相关,这里不做过多解释,具体来看 toPattern() 方法的实现:

public Pattern<?, ?> toPattern(final ClassLoader classLoader) throws Exception {
   
    // Construct cache of nodes and edges for later use
    final Map<String, NodeSpec> nodeCache = new HashMap<>();
    for (NodeSpec node : nodes) {
   
        nodeCache.put(node.getName(), node);
    }
    final Map<String, EdgeSpec> edgeCache = new HashMap<>();
    for (EdgeSpec edgeSpec : edges) {
   
        edgeCache.put(edgeSpec.getSource(), edgeSpec);
    }
    String currentNodeName = findBeginPatternName();
    Pattern<?, ?> prevPattern = null;
    String prevNodeName = null;
    while (currentNodeName != null) {
   
        NodeSpec currentNodeSpec = nodeCache.get(currentNodeName);
        EdgeSpec edgeToCurrentNode = edgeCache.get(prevNodeName);
        Pattern<?, ?> currentPattern =
                currentNodeSpec.toPattern(
                        prevPattern,
                        afterMatchStrategy.toAfterMatchSkipStrategy(),
                        prevNodeName == null
                                ? ConsumingStrategy.STRICT
                                : edgeToCurrentNode.getType(),
                        classLoader);
        if (currentNodeSpec instanceof GraphSpec) {
   
            ConsumingStrategy strategy =
                    prevNodeName == null
                            ? ConsumingStrategy.STRICT
                            : edgeToCurrentNode.getType();
            prevPattern =
                    buildGroupPattern(
                            strategy, currentPattern, prevPattern, prevNodeName == null);
        } else {
   
            prevPattern = currentPattern;
        }
        prevNodeName = currentNodeName;
        currentNodeName =
                edgeCache.get(currentNodeName) == null
                        ? null
                        : edgeCache.get(currentNodeName).getTarget();
    }
    // Add window semantics
    if (window != null && prevPattern != null) {
   
        prevPattern.within(this.window.getTime(), this.window.getType());
    }

    return prevPattern;
}

toPattern方法是 GraphSpec 类中的核心方法之一,它负责将 GraphSpec 对象序列化信息反序列化回 Pattern 对象。它的内部逻辑包含几个步骤:

①构建节点和边缓存:创建nodeCache和edgeCache映射,分别存储NodeSpec和 EdgeSpec实例。这有助于在后续处理中快速查找和使用节点和边的信息

②确定开始节点:初始化currentNodeName变量,它表示当前处理的节点名称。这个值通过调用 findBeginPatternName()方法获得,该方法确保从图中的开始节点开始处理。

③构建Pattern迭代:

使用循环迭代所有节点,从开始节点开始,根据边的信息向前构建模式。在每次迭代中:从 nodeCache 获取当前节点的 NodeSpec。从 edgeCache 获取从上一个节点到当前节点的 EdgeSpec(如果存在)。使用 NodeSpec 和 EdgeSpec 构建或更新当前的 Pattern。这涉及到根据消耗策略(ConsumingStrategy)来使用不同的 Pattern 方法,如 Pattern.begin(), Pattern.next(),Pattern.followedBy(), 或 Pattern.followedByAny()。最后更新 prevPattern 和 prevNodeName 为下一个迭代做准备。最终返回构建完成的Pattern对象。

以上详细介绍了patternProcessor接口实现和其中的关键方法,描述了可用的Pattern构建过程。下面介绍PatternProcessorDiscoverer接口及其实现。

2. PatternProcessorDiscoverer接口及其实现

public abstract interface PatternProcessorDiscoverer<T> extends Closeable
{
   
    public abstract void discoverPatternProcessorUpdates(PatternProcessorManager<T> paramPatternProcessorManager);
}

PatternProcessorDiscoverer接口用于描述如何发现Processor。

我们基于阿里云默认周期性扫描外部存储的抽象类periodicPatternProcessorDiscoverer,提供了一个用于从支持JDBC协议的数据库中拉取最新规则的实现:JDBCPeriodicPatternProcessorDiscoverer

public class JDBCPeriodicPatternProcessorDiscoverer<T>
        extends PeriodicPatternProcessorDiscoverer<T> {
   

    private static final Logger LOG =
            LoggerFactory.getLogger(JDBCPeriodicPatternProcessorDiscoverer.class);

    private final String tableName;
    private final String userName;
    private final String password;
    private final String jdbcUrl;
    private final String tenant;
    private final List<PatternProcessor<T>> initialPatternProcessors;
    private final ClassLoader userCodeClassLoader;
    private Connection connection;
    private Statement statement;
    private ResultSet resultSet;
    private Map<String, Tuple4<String, Integer, String, String>> latestPatternProcessors = new ConcurrentHashMap<>();

    /**
     * Creates a new using the given initial {@link PatternProcessor} and the time interval how
     * often to check the pattern processor updates.> *
     *
     * @param jdbcUrl The JDBC url of the database.> * @param jdbcDriver The JDBC driver of the database.> * @param initialPatternProcessors The list of the initial {@link PatternProcessor}.> * @param intervalMillis Time interval in milliseconds how often to check updates.>
     */
    public JDBCPeriodicPatternProcessorDiscoverer(
            final String jdbcUrl,
            final String jdbcDriver,
            final String tableName,
            final String userName,
            final String password,
            @Nullable final String tenant,
            final ClassLoader userCodeClassLoader,
            @Nullable final List<PatternProcessor<T>> initialPatternProcessors,
            @Nullable final Long intervalMillis)
            throws Exception {
   
        super(intervalMillis);
        this.tableName = requireNonNull(tableName);
        this.initialPatternProcessors = initialPatternProcessors;
        this.userCodeClassLoader = userCodeClassLoader;
        this.userName = userName;
        this.password = password;
        this.jdbcUrl = jdbcUrl;
        this.tenant = tenant;
        Class.forName(requireNonNull(jdbcDriver));
        this.connection = DriverManager.getConnection(requireNonNull(jdbcUrl), userName, password);
        this.statement = this.connection.createStatement();
    }

JDBCPeriodicPatternProcessorDiscoverer 包括两个关键方法 arePatternProcessorsUpdated() 和 getLatestPatternProcessors(),分别用于判断 PatternProcessors 是否被更新和获取最新的 PatternProcessors。

@Override
public boolean arePatternProcessorsUpdated() throws SQLException {
   
    if (latestPatternProcessors == null
            && !CollectionUtil.isNullOrEmpty(initialPatternProcessors)) {
   
        return true;
    }
    LOG.info("Start check is pattern processor updated.");

    if (statement == null) {
   
        try {
   
            this.connection = DriverManager.getConnection(requireNonNull(jdbcUrl), userName, password);
            this.statement = this.connection.createStatement();
        } catch (SQLException e) {
   
            LOG.error("Connect to database error!", e);
            throw e;
        }
    }
    try {
   
        String sql = buildQuerySql();
        LOG.info("Statement execute sql is {}", sql);
        resultSet = statement.executeQuery(sql);
        Map<String, Tuple4<String, Integer, String, String>> currentPatternProcessors = new ConcurrentHashMap<>();
        while (resultSet.next()) {
   
            LOG.debug("check getLatestPatternProcessors start :{}", resultSet.getString(1));
            String id = resultSet.getString("id");
            if (currentPatternProcessors.containsKey(id)
                    && currentPatternProcessors.get(id).f1 >= resultSet.getInt("version")) {
   
                continue;
            }
            currentPatternProcessors.put(
                    id,
                    new Tuple4<>(
                            requireNonNull(resultSet.getString("id")),
                            resultSet.getInt("version"),
                            requireNonNull(resultSet.getString("pattern")),
                            resultSet.getString("function")));
        }
        if (latestPatternProcessors == null
                || isPatternProcessorUpdated(currentPatternProcessors)) {
   
            LOG.debug("latest pattern processors size is {}", currentPatternProcessors.size());
            latestPatternProcessors = currentPatternProcessors;
            return true;
        } else {
   
            return false;
        }
    } catch (SQLException e) {
   
        LOG.error(
                "Pattern processor discoverer failed to check rule changes, will recreate connection.", e);
        try {
   
            statement.close();
            connection.close();
            connection = DriverManager.getConnection(requireNonNull(this.jdbcUrl), this.userName, this.password);
            statement = connection.createStatement();
        } catch (SQLException ex) {
   
            LOG.error("Connect pattern processor discovery database error.", ex);
            throw new RuntimeException("Cannot recreate connection to database.");
        }
    }
    return false;
}

arePatternProcessorsUpdated()用于检查数据库中存储的模式处理器是否发生了更新,它首先会检查是否有尚未处理的初始模式处理器列表(initialPatternProcessors),如果存在未被处理的PatternProcessor,则直接返回true。接着建立数据库连接,调用buildQuerySql()来执行sql,用于从 tableName 指定的表中获取所有或特定租户 (tenant) 的模式处理器信息。然后处理sql的执行结果,对每一个currentPatternProcessors,检查是否已存在或版本是否更旧。如果存在更旧的版本则跳过,否则更新 currentPatternProcessors 映射。如果 latestPatternProcessors 为空或存在更新,则用 currentPatternProcessors 更新 latestPatternProcessors,并返回 true,表示有更新。

@Override
public List<PatternProcessor<T>> getLatestPatternProcessors() throws Exception {
   
    LOG.debug("Start convert pattern processors to default pattern processor.");
    return latestPatternProcessors.values().stream()
            .map(
                    patternProcessor -> {
   
                        try {
   
                            String patternStr = patternProcessor.f2;
                            GraphSpec graphSpec =
                                    CepJsonUtils.convertJSONStringToGraphSpec(patternStr);
                            LOG.debug("Latest pattern processor is {}",
                                    CepJsonUtils.convertGraphSpecToJSONString(graphSpec));
                            PatternProcessFunction<T, ?> patternProcessFunction = null;
                            String id = patternProcessor.f0;
                            int version = patternProcessor.f1;
                            if (!StringUtils.isNullOrWhitespaceOnly(patternProcessor.f3)) {
   
                                patternProcessFunction =
                                        (PatternProcessFunction<T, ?>)
                                                this.userCodeClassLoader
                                                        .loadClass(patternProcessor.f3)
                                                        .getConstructor(String.class, int.class, String.class)
                                                        .newInstance(id, version, tenant);
                            }
                            return new DefaultPatternProcessor<>(
                                    patternProcessor.f0,
                                    patternProcessor.f1,
                                    patternStr,
                                    patternProcessFunction,
                                    this.userCodeClassLoader);
                        } catch (Exception e) {
   
                            LOG.error(
                                    "Get the latest pattern processors of the discoverer failure. - ", e);
                            e.printStackTrace();
                        }
                        return null;
                    }).filter(pre -> pre != null).collect(Collectors.toList());
}

getLatestPatternProcessors()方法涉及从数据库获取最新PatternProcessors的过程,利用StreamAPI,将存储在 ConcurrentHashMap 中的模式处理器信息转换为 PatternProcessor 列表。这里涉及到实例化的过程:根据模式处理器信息中的类名(patternProcessor.f3),通过类加载器加载并实例化自定义的 PatternProcessFunction。如果类名不为空或非空字符串,将其转换为对应的 Java 类,并调用构造函数,传入处理器的 id、version 和租户 tenant 信息。使用上述信息,创建一个 DefaultPatternProcessor 实例,封装模式字符串、自定义的处理器函数、类加载器等信息,最后返回一个PatternProcessor 列表,其中包含了从数据库中获取的所有模式处理器的最新实例。这些实例可以被 Flink 的 CEP 功能直接使用,以处理复杂事件模式匹配。

3. PatternProcessorDiscoverer接口及其实现

接下来介绍DynamicCepOperatorCoordinator(动态CEP算子协调器),它承担着调用上文PatternProcessorDiscoverer接口从数据库中拿到最新的且序列化后的PatternProcessor,并发送给和它关联的DynamicCEPOp的任务如下所示:

public class DynamicCepOperatorCoordinator<T> implements OperatorCoordinator {
   
    private static final Logger LOG =
            LoggerFactory.getLogger(DynamicCepOperatorCoordinator.class);

    private final DynamicCepOperatorCoordinatorContext cepCoordinatorContext;
    private final PatternProcessorDiscovererFactory discovererFactory;
    private final String operatorName;
    private boolean started;
    private volatile boolean closed;

    public DynamicCepOperatorCoordinator(String operatorName, PatternProcessorDiscovererFactory discovererFactory, DynamicCepOperatorCoordinatorContext context) {
   
        this.cepCoordinatorContext = context;
        this.discovererFactory = discovererFactory;
        this.operatorName = operatorName;
        this.started = false;
        this.closed = false;
    }

    @Override
    public void start() throws Exception {
   
        Preconditions.checkState(!started, "Dynamic Cep Operator Coordinator Started!");
        LOG.info("Starting Coordinator for {}:{}", this.getClass().getSimpleName(), operatorName);
        cepCoordinatorContext.runInCoordinatorThreadWithFixedRate(()->{
   
            if (discovererFactory instanceof PeriodicPatternProcessorDiscovererFactory) {
   
                try {
   
                PeriodicPatternProcessorDiscoverer patternProcessorDiscoverer =
                        (PeriodicPatternProcessorDiscoverer) discovererFactory
                                .createPatternProcessorDiscoverer(cepCoordinatorContext.getUserCodeClassloader());
                boolean updated = patternProcessorDiscoverer.arePatternProcessorsUpdated();
                    if (updated && started) {
   
                    Set<Integer> subtasks = cepCoordinatorContext.getSubtasks();
                    if (!patternProcessorDiscoverer.getLatestPatternProcessors().isEmpty()) {
   
                        UpdatePatternProcessorEvent updatePatternProcessorEvent =
                                new UpdatePatternProcessorEvent(patternProcessorDiscoverer.getLatestPatternProcessors());
                        subtasks.forEach(subtaskId -> {
   
                            cepCoordinatorContext.sendEventToOperator(subtaskId, updatePatternProcessorEvent);
                        });
                    }
                }
                } catch (Exception e) {
   
                    LOG.error("Starting Coordinator failed", e);
                }
            }
        });
        started = true;
    }

    @Override
    public void close() throws Exception {
   
        closed = true;
        cepCoordinatorContext.close();
    }

    @Override
    public void handleEventFromOperator(int subtask, int attemptNumber, OperatorEvent event) throws Exception {
   
        LOG.info("Received event {} from operator {}.", event, subtask);
    }

    @Override
    public void checkpointCoordinator(long checkpointId, CompletableFuture<byte[]> resultFuture) throws Exception {
   
//        cepCoordinatorContext.runInCoordinatorThread(() -> {
   
            LOG.debug("Taking a state snapshot on operator {} for checkpoint {}", operatorName, checkpointId);
            try {
   
                resultFuture.complete("Dynamic cep".getBytes(StandardCharsets.UTF_8));
            } catch (Throwable e) {
   
                ExceptionUtils.rethrowIfFatalErrorOrOOM(e);
                resultFuture.completeExceptionally(
                        new CompletionException(
                                String.format(
                                        "Failed to checkpoint for dynamic cep %s",
                                        operatorName),
                                e));
            }
    }

    @Override
    public void notifyCheckpointComplete(long checkpointId) {
   
    }

    @Override
    public void resetToCheckpoint(long checkpointId, @Nullable byte[] checkpointData) throws Exception {
   

    }

    @Override
    public void subtaskReset(int subtask, long checkpointId) {
   
    }

    @Override
    public void executionAttemptFailed(int subtask, int attemptNumber, @Nullable Throwable reason) {
   
        cepCoordinatorContext.subtaskNotReady(subtask);
    }

    @Override
    public void executionAttemptReady(int subtask, int attemptNumber, SubtaskGateway gateway) {
   
        cepCoordinatorContext.subtaskReady(gateway);
    }
}

下面只介绍它的关键方法start(),用于负责初始化和激活协调器的运行流程:

start() 方法调用 cepCoordinatorContext.runInCoordinatorThreadWithFixedRate 来安排一个周期性执行的任务。这个方法将在框架的协调器线程中执行一个 lambda 表达式定义的任务,定期检查模式处理器更新。在这里我们定义的时间是10s,也就是每10s检查和执行一次 patternProcessors 的更新逻辑。然后构建UpdatePatternProcessorEvent,由 cepCoordinatorContext 来广播它给下游算子。需要注意的是,DynamicCepOperatorCoordinator 是 jobmanager 运行的线程,和 taskmanager 中 PatternProcessor 的产生过程是异步的。

四、Flink动态CEP的使用方式

本章介绍如何编写Flink动态CEP作业,具体操作流程如下(以Kafka源为例):

1. 连接数据源(数据源也可以是来自数据库,配置不同的连接器即可)

public static void main(String[] args) throws Exception {
   
// Set up the streaming execution environment
        final StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
//Classloader initial
        final ClassLoader classLoader = Thread.currentThread().getContextClassLoader();
// Process args
// Build Kafka source with new Source API based on FLIP-27
        Properties prop =new Properties();
        prop.setProperty("security.protocol","SASL_PLAINTEXT");
        prop.setProperty("sasl.mechanism","SCRAM-SHA-256");
        prop.setProperty("sasl.jaas.config",
                "org.apache.flink.kafka.shaded.org.apache.kafka.common.security.scram.ScramLoginModule" +
                " required username=\"100670\" password=\"000000000\";");
        KafkaSource<Event> kafkaSource = KafkaSource.<Event>builder()
                .setBootstrapServers("123.4.50.105:9292,123.4.60.106:9292,123.4.50.107:9292")
                .setTopics("cep_test1").setGroupId("test").setStartingOffsets(OffsetsInitializer.earliest())
                .setProperties(prop).setValueOnlyDeserializer((new KafkaJsonDeserializer())).build();
        env.setParallelism(1);
        DataStream<Event> input = env.fromSource(kafkaSource, WatermarkStrategy.noWatermarks(), "source");
// keyBy userId and productionId
// Notes, only events with the same key will be processd to see if there is a match
        KeyedStream<Event, Tuple2<String, String>> keyedStream =
                input.keyBy(
                        new KeySelector<Event, Tuple2<String, String>>() {
   
                            @Override
                            public Tuple2<String, String> getKey(Event value) throws Exception {
   
                                return Tuple2.of(value.getName(), value.getName());
                            }
                        });

①初始化执行环境

②Kafka源配置,并将事件流Event根据name字段进行keyby

2. 构建动态规则匹配

long time = 1000;
SingleOutputStreamOperator<String> output = CEP.dynamicPatterns(
        keyedStream,
        new JDBCPeriodicPatternProcessorDiscovererFactory<>(
        "jdbc:mysql//123.45.6.789:3306/cep_demo_db",
        "com.mysql.cj.jdbc.Driver",
        "rds_demo",
        "riskcollateral",
        "riskcollateral",
        null,
        null,
        timer),
        TimeBehaviour.ProcessingTime,
        TypeInformation.of(new TypeHint<String>()){
   
        }));
    output.addSink(new PrintSinkFunction<>().name("cep"));
    env.excute("CEPDemo");
  }
}

3. 构建并运行

我们使用Streampark作为Flink作业的运维管控平台,根据以下步骤创建Flink jar包作业:

①添加jar包资源:

②添加作业:

③添加作业相关配置:

④发布及启动作业:

4. 插入规则

①建表rds_demo用于存储cep规则:

②插入动态更新规则:

将表示Pattern的JSON字符串与id、version、function类名一起插入rds_demo表中(阿里云实时计算Flink版定义了一套JSON格式的规则描述,详情请参加阿里云文档——动态CEP中规则的JSON格式定义):

id version pattern function
1 1 {"name":"end","quantifier":{"consumingStrategy}... xxxpackage.dynamic.cep.core.DemoPatternProcessFunction

将 pattern 的 JSON 字符串解析后,展示如下:

{
   
    "name": "end",
    "quantifier": {
   
        "consumingStrategy": "SKIP_TILL_NEXT",
        "properties": [
            "SINGLE"
        ],
        "times": null,
        "untilCondition": null
    },
    "condition": null,
    "nodes": [
        {
   
            "name": "end",
            "quantifier": {
   
                "consumingStrategy": "SKIP_TILL_NEXT",
                "properties": [
                    "SINGLE"
                ],
                "times": null,
                "untilCondition": null
            },
            "condition": {
   
                "className": "xxxpackage.dynamic.cep.core.EndCondition",
                "type": "CLASS"
            },
            "type": "ATOMIC"
        },
        {
   
            "name": "start",
            "quantifier": {
   
                "consumingStrategy": "SKIP_TILL_NEXT",
                "properties": [
                    "LOOPING"
                ],
                "times": null,
                "untilCondition": null

            },
            "type": "ATOMIC"
        }
    ],
    "edges": [
        {
   
            "source": "start",
            "target": "end",
            "type": "SKIP_TILL_NEXT"
        }
    ],
    "window": null,
    "afterMatchStrategy": {
   
        "type": "SKIP_PAST_LAST_EVENT",
        "patternName": null
    },
    "type": "COMPOSITE",
    "version": 1
}

这段JSON规则描述了一个复合模式(COMPOSITE),它由两个原子节点(ATOMIC)组成:“start”和“end”。

这个模式目的是匹配一个特定的事件序列,其中“start”节点匹配action等于0的输入事件,而“end”节点匹配“xxxpackage.dynamic.cep.core.EndCondition”这个类定义的事件,这个条件由开发者定义,例如:

public class EndCondition extends SimpleCondition<Event> {
   
    @Override
    public boolean filter(Event value) throws Exception {
   
        return value.getAction() != 1;
    }
}

这个EndCondition用于检查事件的action属性是否不等于1.如果事件的action属性不等于1,那么filter方法将返回true,表示事件满足end节点的条件。

结合起来,这个模式的匹配的事件序列满足:“start”节点匹配所有action等于0的事件,一旦遇到一个action不等于1的事件,“end”节点的条件被满足,整个模式匹配完成。

function字段用DemoPatternProcessFunction类的全路径加类名指定,记录了匹配到记录以后的处理方法如下:

public class DemoPatternProcessFunction<IN> extends PatternProcessFunction<IN, String> {
   
    String id;
    int version;
    String tenant;

    public DemoPatternProcessFunction(String id, int version, String tenant) {
   
        this.id = id;
        this.version = version;
        this.tenant = tenant;
    }

    @Override
    public void processMatch(
            final Map<String, List<IN>> match, final Context ctx, final Collector<String> out) {
   
        StringBuilder sb = new StringBuilder();
        sb.append("A match for Pattern of (id, version): (")
                .append(id)
                .append(", ")
                .append(version)
                .append(") is found. The event sequence: ").append("\n");
        for (Map.Entry<String, List<IN>> entry : match.entrySet()) {
   
            sb.append(entry.getKey()).append(": ").append(entry.getValue().get(0).toString()).append("\n");
        }
        out.collect(sb.toString());
    }
}

这个处理方法是如果PatternProcessor匹配到一个事件序列,processMatch方法将生成对应的描述性字符串,并由下游算子通过Collector将其输出。

5. 输入事件流

假如有一个事件序列如下:

private static void sendEvents(Producer<String, String> producer, String topic) {
   
    ObjectMapper objectMapper = new ObjectMapper();

    Event[] events = {
   
            new Event("ken", 1, 1, 0, 1662022777000L),
            new Event("ken", 2, 1, 0, 1662022778000L),
            new Event("ken", 3, 1, 1, 1662022779000L),
            new Event("ken", 4, 1, 2, 1662022780000L),
            new Event("ken", 5, 1, 1, 1662022780000L)
    };
    while (true) {
   
        try {
   
            for (Event event : events) {
   
                String json = objectMapper.writeValueAsString(event);
                ProducerRecord<String, String> record = new ProducerRecord<>(topic, json);
                producer.send(record, (metadata, exception) -> {
   
                    if (exception != null) {
   
                        LOG.error("Failed to send data to Kafka: ", exception);
                    } else {
   
                        System.out.println(metadata.topic());
                        LOG.info("Data sent successfully to topic {} at offset {}",
                                metadata.topic(), metadata.offset());
                    }
                });
            }
        } catch (Exception e) {
   
            LOG.error("Error while sending events to Kafka: ", e);
        }
    }
}

我们往Kafka Topic插入events,我们将会观察到“start”节点会匹配前两个事件,因为它们的action属性为0。第四个事件action不等于1,因此“end”节点的条件被满足,模式匹配完成。第五个事件不会影响已经完成的模式匹配。

五、某金融机构应用实践

某金融机构在我们开发的Flink动态cep规则引擎下,也有实际的业务场景落地和应用,如事件中心-行为序列事件模块。

事件中心是以用户行为埋点数据作为数据源,对他们进行处理和分析,并输出结果辅助业务决策的平台。其中行为序列事件模块应用了行内开发的Flink动态CEP技术。事件中心-行为序列事件模块如下:

新增一个行为序列事件,填好基础信息后,用户可在行为序列配置里可以新增事件或事件组,并配置事件过期时间。

一个行为序列事件模板如下:

如下图所示,1-5原子事件表示某用户的埋点行为序列,作为Flink动态CEP的输入流event按照埋点顺序进入动态规则匹配,而匹配的规则是事件过期时间,这里为20分钟。例如某输入流在20分钟内还未完成全部五个原子事件,而只完成到事件4,这样则视为模式匹配完成,匹配到的事件为事件1到事件4,可以通过配置输出流输出自定义的规则匹配结果(如用户名字、错误原因、用户手机号码等)到kafka、rocketMQ等消息队列。如此,就能给业务更有价值的数据支持,做针对性的用户推荐。

Flink动态CEP在事件中心实践中的优势体现在,修改或新增规则或事件序列,完全无需启停服务,只需直接编辑并保存。web端修改会同步修改数据库中保存的规则,然后选择上线,动态规则转换就完成了。

【参考文献】

[1]阿里云开发者社区.(2023−02−10).FlinkCEP新特性进展与在实时风控场景的落地.阿里云开发者社区.https://developer.aliyun.com/article/1157197

[2]阿里云帮助中心. (2023-11-07). Flink动态CEP快速入门_实时计算 Flink版(Flink). 阿里云帮助中心. https://help.aliyun.com/zh/flink/getting-started/getting-started-with-dynamic-flink-cep

[3]Apache Flink. (2022-09-16). FLIP-200: Support Multiple Rule and Dynamic Rule Changing (Flink CEP). Apache Flink. https://cwiki.apache.org/confluence/pages/viewpage.action?pageId=195730308

[4]Apache Flink. (v1.15.4). FlinkCEP-Flink的复杂事件处理 . https://nightlies.apache.org/flink/flink-docs-release-1.15/zh/docs/libs/cep/

[5]https://github.com/RealtimeCompute/ververica-cep-demohttps://github.com/RealtimeCompute/ververica-cep-demo


更多内容


活动推荐

阿里云基于 Apache Flink 构建的企业级产品-实时计算 Flink 版现开启活动:
新用户复制点击下方链接或者扫描二维码即可0元免费试用 Flink + Paimon
实时计算 Flink 版(3000CU*小时,3 个月内)
了解活动详情:https://free.aliyun.com/?utm_content=g_1000395379&productCode=sc

相关实践学习
基于Hologres轻松玩转一站式实时仓库
本场景介绍如何利用阿里云MaxCompute、实时计算Flink和交互式分析服务Hologres开发离线、实时数据融合分析的数据大屏应用。
Linux入门到精通
本套课程是从入门开始的Linux学习课程,适合初学者阅读。由浅入深案例丰富,通俗易懂。主要涉及基础的系统操作以及工作中常用的各种服务软件的应用、部署和优化。即使是零基础的学员,只要能够坚持把所有章节都学完,也一定会受益匪浅。
相关文章
|
资源调度 调度 Apache
Apache Flink 进阶(六):Flink 作业执行深度解析
主要分享内容为 Flink Job 执行作业的流程,文章将从两个方面进行分享:一是如何从 Program 到物理执行计划,二是生成物理执行计划后该如何调度和执行。
Apache Flink 进阶(六):Flink 作业执行深度解析
|
2月前
|
数据挖掘 物联网 数据处理
深入探讨Apache Flink:实时数据流处理的强大框架
在数据驱动时代,企业需高效处理实时数据流。Apache Flink作为开源流处理框架,以其高性能和灵活性成为首选平台。本文详细介绍Flink的核心特性和应用场景,包括实时流处理、强大的状态管理、灵活的窗口机制及批处理兼容性。无论在实时数据分析、金融服务、物联网还是广告技术领域,Flink均展现出巨大潜力,是企业实时数据处理的理想选择。随着大数据需求增长,Flink将继续在数据处理领域发挥重要作用。
175 0
|
7月前
|
数据处理 Apache 流计算
【Flink】Flink的CEP机制
【4月更文挑战第21天】【Flink】Flink的CEP机制
|
7月前
|
资源调度 分布式计算 Kubernetes
Flink(二)【Flink 部署模式】
Flink(二)【Flink 部署模式】
|
7月前
|
缓存 监控 分布式数据库
Flink应用优化实践
Flink应用优化实践
60 0
|
API 流计算
Flink1.13架构全集| 一文带你由浅入深精通Flink方方面面(四)CEP篇(二)
Flink1.13架构全集| 一文带你由浅入深精通Flink方方面面(四)CEP篇
549 0
Flink1.13架构全集| 一文带你由浅入深精通Flink方方面面(四)CEP篇(二)
|
运维 分布式计算 监控
Flink1.13架构全集| 一文带你由浅入深精通Flink方方面面(四)CEP篇(一)
Flink1.13架构全集| 一文带你由浅入深精通Flink方方面面(四)CEP篇
322 0
Flink1.13架构全集| 一文带你由浅入深精通Flink方方面面(四)CEP篇(一)
|
运维 监控 API
Flink CEP - Flink的复杂事件处理
1 Flink CEP 是什么 FlinkCEP - Flink的复杂事件处理。它可以让你在无限事件流中检测出特定的事件模型,有机会掌握数据中重要的那部分
305 0
Flink CEP - Flink的复杂事件处理
|
SQL 机器学习/深度学习 运维
(1)Flink CEP复杂事件处理引擎介绍
复杂事件处理(CEP)既是把不同的数据看做不同的事件,并且通过分析事件之间的关系建立起一套事件关系序列库。利用过滤,聚合,关联性,依赖,层次等技术,最终实现由简单关系产生高级事件关系。 复杂事件主要应用场景:主要用于信用卡欺诈检测、用户风险检测、设备故障检测、攻击行为分析等领域。 Flink CEP能够利用的场景较多,在实际业务场景中也有了广泛的使用案例与经验积累。比如
(1)Flink CEP复杂事件处理引擎介绍
|
监控 安全 流计算
Flink1.13架构全集| 一文带你由浅入深精通Flink方方面面(四)CEP篇(三)
Flink1.13架构全集| 一文带你由浅入深精通Flink方方面面(四)CEP篇
424 0