?，摗≈鞈c華

摘要：將規(guī)則系統(tǒng)引入智能家居平臺很好地解決了將控制邏輯與程序代碼分離的問題，用戶可以根據(jù)需求方便的添加修改規(guī)則。但是隨著智能家居系統(tǒng)的不斷擴大，系統(tǒng)設(shè)備的增多以及帶來的用戶需求的日益復(fù)雜，規(guī)則系統(tǒng)也變得更加繁雜，不同規(guī)則之間可能發(fā)生沖突。本文介紹了智能家居系統(tǒng)中的核心部分——規(guī)則系統(tǒng)，研究了規(guī)則引擎的工作方式，揭示了規(guī)則沖突問題的重要性。對智能家居中的規(guī)則沖突問題進行了研究分析，并提出了避免規(guī)則沖突問題的方法。

關(guān)鍵詞：智能家居;規(guī)則沖突;沖突檢測

中圖分類號：G642? ? ? ? 文獻標識碼：A

文章編號：1009-3044（2021）01-0199-03

1規(guī)則系統(tǒng)

在智能家居系統(tǒng)中，規(guī)則系統(tǒng)是一個核心模塊，用戶是通過制定規(guī)則來享受系統(tǒng)帶來的便利，對于系統(tǒng)中規(guī)則的存儲，規(guī)則的分解、匹配，規(guī)則間沖突的避免和檢測以及規(guī)則的執(zhí)行都是通過規(guī)則系統(tǒng)來完成的。規(guī)則系統(tǒng)在本文提及的智能家居結(jié)構(gòu)中位于業(yè)務(wù)層，承上啟下，發(fā)揮著非常重要的作用。規(guī)則系統(tǒng)包括規(guī)則存儲模塊，規(guī)則引擎模塊和沖突檢測模塊三個部分。規(guī)則存儲模塊即規(guī)則庫，可以用來匹配以及規(guī)則展示。規(guī)則引擎對規(guī)則庫和事件庫進行匹配，在匹配前需要規(guī)則沖突檢測模塊對規(guī)則庫進行檢測，如果有沖突，則需要修改規(guī)則以避免規(guī)則沖突帶來的問題，可見規(guī)則沖突檢測對系統(tǒng)的重要性。如果匹配成功，則觸發(fā)規(guī)則執(zhí)行模塊去執(zhí)行動作部分。

1.1 規(guī)則引擎技術(shù)

規(guī)則引擎起源于基于規(guī)則的專家系統(tǒng)，它是在推理引擎的基礎(chǔ)上發(fā)展而來的，是一種嵌入在程序內(nèi)的組件[1]。專家系統(tǒng)實際上是一個計算機程序，只是它包含著特定領(lǐng)域大量的知識和經(jīng)驗，通過推理可以得到類似專家級別的效果。

規(guī)則引擎一般包括工作內(nèi)存、匹配器、規(guī)則集容器和執(zhí)行器幾個部分，其結(jié)構(gòu)如圖所示。（1）規(guī)則集容器連接著存儲規(guī)則的數(shù)據(jù)庫，用于將規(guī)則數(shù)據(jù)庫中的規(guī)則取出來以待匹配，是匹配前的規(guī)則緩存模塊。（2）工作內(nèi)存則相當于一個事件庫，其中存放著當前的環(huán)境參數(shù)，設(shè)備狀態(tài)等事件信息。（3）匹配器將規(guī)則集容器和工作內(nèi)存連接起來，分別對兩者中的規(guī)則和事件進行匹配，若匹配成功，則可以執(zhí)行該規(guī)則。（4）執(zhí)行器則存儲著匹配成功的規(guī)則，并且系統(tǒng)會去按一定順序執(zhí)行這個規(guī)則的動作部分。

規(guī)則引擎的工作流程如下所示：

1）調(diào)用規(guī)則沖突檢測模塊對規(guī)則數(shù)據(jù)庫中的規(guī)則進行沖突檢測，如果沖突，則將沖突規(guī)則返回修改;

2）從規(guī)則庫中取出需要匹配的規(guī)則放到規(guī)則集容器，并轉(zhuǎn)化成一定的形式以便匹配;

3）更新工作內(nèi)存中的數(shù)據(jù)，即更新事件庫;

4）匹配器對容器中規(guī)則和工作內(nèi)存中的事件進行匹配，并將匹配成功的規(guī)則加入執(zhí)行器;

5）執(zhí)行器按照某種預(yù)定順序去執(zhí)行匹配成功規(guī)則的動作。

規(guī)則引擎適合比較復(fù)雜的而且沒有明確清晰的解決方案的場景，對于需要動態(tài)更新，基于一定數(shù)據(jù)量能夠很快做出決策的場景也非常適用。目前常見的商業(yè)引擎有ILOG的JRules和Jess，商業(yè)引擎做得比較成熟好用，穩(wěn)定性高，但缺點是其價格非常昂貴。作為一個商業(yè)引擎，Jess并不是開源的，但是好在對于學(xué)術(shù)研究用途是免費提供的，只有商業(yè)用途時才需要付費，因此基于Jess的研究項目非常多。而Drools則是目前最活躍的開源引擎。

1.2 Rete算法

在規(guī)則引擎中，規(guī)則匹配模塊尤為重要，其匹配質(zhì)量和效率直接影響著規(guī)則引擎的好壞。常用模匹配算法有Rete，Leaps，Treat等。目前許多規(guī)則引擎的匹配算法都是基于1982年Forgy提出的RETE算法改進而成的[2]。

Rete算法是一種高效的前向鏈型匹配算法，它是基于時間冗余性和結(jié)構(gòu)相似性這兩個基本的假設(shè)。（1）時間冗余性，即在每個執(zhí)行周期，往往只有一小部分的事實發(fā)生了變化，如果每次對所有的事實重新匹配，效率非常低下，因此可以記錄下已經(jīng)匹配過得事實，然后下次匹配只對變化的事實進行匹配。（2）結(jié)構(gòu)相似性，是指許多規(guī)則之間往往具有比較相似的模式和模式組。

在產(chǎn)生式系統(tǒng)（productionsystem）中，被處理的數(shù)據(jù)稱為工作內(nèi)存（workingmemory），一條產(chǎn)生式規(guī)則分為兩個部分前提（LHS）和結(jié)論（RHS），進行匹配的主要流程可以分為：

（1）匹配找出符合條件部分的workingmemory集合;

（2）然后選擇一個條件被滿足的規(guī)則;

（3）執(zhí)行該規(guī)則的動作部分;

（4）返回（1）;

Rete算法主要是通過構(gòu)建一個匹配網(wǎng)絡(luò)來提升匹配步驟的效率，該匹配網(wǎng)絡(luò)分為aloha網(wǎng)絡(luò)和beta網(wǎng)絡(luò)兩個部分進行匹配。Rete算法的核心思路是將在過去匹配過程中的全部信息保存下來，用于再次匹配時的篩選，以便提高匹配效率。在不斷循環(huán)匹配中，通過記住已經(jīng)匹配過的事實，然后只去計算新刪除或新添加的事實所引發(fā)的變化，僅通過變化的事實去匹配其對應(yīng)的規(guī)則，因為每次事實的變化相對于規(guī)則來說是少量，因此這種從事實去匹配規(guī)則的演繹推理能有效降低計算量，提升匹配效率。但隨之而來的問題就是需要占用大量的內(nèi)存資源，運行成本增加。

2規(guī)則沖突類型分析

所謂規(guī)則，就相當于一條完整的控制指令?；谖锫?lián)網(wǎng)的智能家居傳感網(wǎng)絡(luò)可以從當前環(huán)境狀態(tài)下獲取相關(guān)環(huán)境狀態(tài)參數(shù)以及設(shè)備狀態(tài)參數(shù)，如果滿足用戶設(shè)定的觸發(fā)條件，控制系統(tǒng)便控制設(shè)備對當前環(huán)境或者設(shè)備狀態(tài)進行改變。規(guī)則可以分為條件（Condition）部分和動作（Action）部分。即IF條件部分滿足，THEN執(zhí)行動作部分的相應(yīng)動作。

本文可以將規(guī)則抽象成是由用戶（User），觸發(fā)器（Triggers）和執(zhí)行器（Actuators），環(huán)境實體（Environments）四個部分組成[3]。其中用戶中包括用戶ID以及用戶權(quán)限，觸發(fā)器中包括條件中涉及的環(huán)境實體的ID，觸發(fā)條件，以及該觸發(fā)條件優(yōu)先級。環(huán)境實體中包括環(huán)境實體ID，以及它前狀態(tài)和后狀態(tài)。執(zhí)行器中包括執(zhí)行動作中涉及環(huán)境實體的ID以及動作（Action）。通過對上述規(guī)則模型分析，可以發(fā)現(xiàn)規(guī)則之間可能會有相似觸發(fā)條件，相似執(zhí)行動作，相反執(zhí)行動作等關(guān)系，進一步總結(jié)這些關(guān)系得出了下述幾種規(guī)則沖突類型：

1）執(zhí)行動作相反沖突。執(zhí)行動作相反沖突即當前狀態(tài)下，兩條規(guī)則的條件部分都得到滿足，并且兩規(guī)則優(yōu)先級相同，即兩條規(guī)則同時被觸發(fā)時，如果兩條規(guī)則的執(zhí)行器是對相同環(huán)境實體采取相反的動作，即發(fā)生了執(zhí)行動作相反沖突。例如下面兩條規(guī)則：

RA：當溫度大于28℃時，則打開空調(diào);

RB：當溫度大于28℃時，則關(guān)閉空調(diào)。

2）影子沖突。影子沖突即兩條規(guī)則的觸發(fā)條件部分有相互包含的關(guān)系，而且兩規(guī)則的執(zhí)行器對同一環(huán)境實體采取了相同的操作。比如：

RA：如果室內(nèi)PM2.5濃度>35mg/m?，則打開空氣凈化器;

RB：如果室內(nèi)PM2.5濃度>45mg/m?，則打開空氣凈化器。

如果當前室內(nèi)的PM2.5是50mg/m?，兩條規(guī)則皆符合。但考慮當前室內(nèi)PM2.5濃度是40mg/m?時，顯然未滿足RB的觸發(fā)條件，但滿足RA要打開空氣凈化器的條件，顯然這兩條規(guī)則之間是沖突的。

3）依賴沖突。依賴沖突是指RA的觸發(fā)條件恰好是RB執(zhí)行后的狀態(tài)，而RB的觸發(fā)條件也恰好是RA執(zhí)行后的狀態(tài)，兩條規(guī)則的觸發(fā)條件和對方的執(zhí)行后狀態(tài)互為依賴型。例如下面兩條規(guī)則：

RA：如果打開照明燈光，則關(guān)閉窗簾;

RB：如果關(guān)閉了窗簾，則打開照明燈光。

上述兩條規(guī)則如果單獨存在，則可以正常運行，但是如果兩條規(guī)則同時存在，一旦一條規(guī)則被觸發(fā)，比如打開了燈光，那么將會關(guān)閉窗簾，相應(yīng)地B規(guī)則也會被觸發(fā)，這樣兩條規(guī)則會不斷進行循環(huán)執(zhí)行，占用系統(tǒng)資源，影響系統(tǒng)穩(wěn)定性。在依賴沖突里，上述兩條規(guī)則間的依賴是一種直接依賴，還有可能就是有三條或三條以上的規(guī)則之間存在著間接依賴關(guān)系。

3規(guī)則模型

本文是基于本體和SWRL規(guī)則語言對智能家居規(guī)則沖突問題進行研究的，因此將使用SWRL建立規(guī)則。

SWRL是一種語義網(wǎng)規(guī)則表示語言，由W3C在2004年提出。SWRL結(jié)合了本體語言O(shè)WLDL，OWLLite與規(guī)則標記語言SWRLML[4]。SWRL允許用戶編寫基于OWL概念表示的規(guī)則，而且它能夠提供比OWL語言更加強大的推理能力。在語義上，SWRL是建立在與OWL相同的描述邏輯基礎(chǔ)上，并在執(zhí)行推理時提供類似的強形式保證。

在形式上，一條SWRL規(guī)則分為兩個部分，一個前提（antecedent）與一個結(jié)論（consequent）。Antecedent部分在owl文件中使用Body標簽，consequent在owl文件中使用Head標簽。即SWRL規(guī)則可以抽象為如下所示的形式：

Antecedent—>Consequent。

其中Body和Head部分都可以包含一個或者多個原子（atoms）。所以也可以將規(guī)則表示成：

atom^atom^atom^…—>atom^atom^…

它所表示的意思是只要前提部分的所有atoms都為真，就可以得到結(jié)論部分所有的atoms也為真。一個atom是形如：

P（arg1，arg2，arg3…argn）

其中P是一個謂詞符號，其中arg1， arg2，…，argn是表達式的項或參數(shù)。在SWRL中，支持五種類型的謂詞：OWL類、OWL屬性、數(shù)據(jù)類型、數(shù)據(jù)范圍和內(nèi)置函數(shù)。參數(shù)可以是OWL個體或數(shù)據(jù)值或引用它們的變量。SWRL中的所有變量都被視為普遍的量化，其范圍僅限于給定的規(guī)則。

在SWRL中約定了一種規(guī)范，用戶是按照這些規(guī)范去方便的制定規(guī)則的。它主要分為四個部分：Imp、Atom、Variable和Building。Imp包括head和body，head表示的是這條規(guī)則的結(jié)果部分，body則是這個結(jié)果需要滿足的所有條件的交，在head和body中包含著的一個個實例則是由原子和變量（variable）組成的。在Atom中包含了幾種限制表達式，其主要可分為以下幾類：C（x），P（x，y）， sameAs（x，y） 以及differentFrom（x，y）。C表示的是OWL中的類，P是OWL屬性，括號中的x，y可以是變量，可以是owl個體（owlindividual），也可以是owl數(shù)據(jù)值。SameAs表示x和y相等，diffrentfrom表示x和y不相等。Building是SWRL內(nèi)置的模塊化元件，在編寫規(guī)則時可以直接使用。

SWRL中提供了七種atoms：ClassAtoms、IndividualPropertyatoms、DataValuedPropertyatoms、DifferentIndividualsatoms、SameIndividualatoms、Built-inatoms、DataRangeatoms。下面列出一條簡單的SWRL規(guī)則實例：

hasParent（？x ， ？y）^hasBrother（？y ， ？z）->hasUncle（？x，？z）

這條規(guī)則是說如果y是x的父親并且z是y的兄弟，那么我們便可以得到z是x的叔叔。根據(jù)上述其中不同的atoms以及它們之間自由的組合，我們便可以使用SWRL構(gòu)建強大的規(guī)則庫，結(jié)合本體知識庫和SWRL，便可以使用推理機進行推理，挖掘中知識庫中隱藏的大量信息。

如果一條規(guī)則條件部分包含了“∧”和“∨”這樣的邏輯運算符，那么規(guī)則往往可以通過這種邏輯組合表示的特別復(fù)雜。復(fù)雜的規(guī)則形式會使沖突檢測變得困難，為解決這一問題，我們可以使用析取范式來將復(fù)雜的規(guī)則轉(zhuǎn)化為基本的簡單規(guī)則。比如形如：f：A1∧A2∧（A3∨（A4∧A5））->B1∧B2的一條規(guī)則，通過拆分化簡可以將其分解為下述兩條簡單規(guī)則：：A1∧A2∧A3->B1∧B2與A1∧A2∧A4∧A5->B1∧B2，這樣處理后會方便進行沖突檢測。

4一種基于智能家居的規(guī)則沖突避免機制

基于智能家居系統(tǒng)中規(guī)則沖突的常見性以及帶來的不良后果，必須有一套規(guī)則沖突避免和檢測機制。在規(guī)則系統(tǒng)中，如果對所有的規(guī)則都進行規(guī)則沖突檢測的話，一是如果規(guī)則庫非常龐大，那么所帶來的時間開銷和資源開銷也會大為增加。二是其實沒有必要進行全部檢測，在日常場景中，我們對各種家居設(shè)備操作的頻率以及它們的重要性都有非常大的差異，因此可以在檢測之前采用一定方法進行規(guī)則沖突的避免?？梢曰趦?yōu)先級或者是“先進后出”的方法去執(zhí)行規(guī)則?！跋冗M后出”即一種類似棧機制的一種方法，即后添加的規(guī)則先被激活，先添加的后被激活，由于這種方式并不適合多任務(wù)并發(fā)的智能家居場景，因此暫不做討論。下面將提出基于場景優(yōu)先級和基于用戶優(yōu)先級的規(guī)則沖突避免方法。

4.1 基于場景優(yōu)先級

在智能家居系統(tǒng)中，用戶可以將所需要執(zhí)行的任務(wù)劃分為多個場景類型，每一個任務(wù)就對應(yīng)著一條規(guī)則，而為每一條規(guī)則設(shè)定一個場景類型。比如現(xiàn)在有如下兩條規(guī)則，RA：當檢測到室內(nèi)煙霧濃度高時，就打開窗戶并打開煙霧報警;RB：當打開音響時，關(guān)閉窗戶。那么如果在煙霧濃度過高時，恰好打開了音響，這時兩條規(guī)則便發(fā)生了沖突。但明顯RA涉及安全，更為重要，需要優(yōu)先執(zhí)行，因此我們可以將這兩條規(guī)則加入不同的場景類型中，并按照類型的重要性為場景類型設(shè)置不同的優(yōu)先級，正好避免了這種沖突的發(fā)生[5]。

我們可以將場景劃分為以下四種場景類型：

1）安全場景。R1：如果在夜間，窗戶或者門被打開，則打開燈光，打開報警器;

2）娛樂場景。R2：如果打開家庭影院，則關(guān)閉窗簾，關(guān)閉燈光。

3）能量場景。R3：當家用電器總功率超過2000W時且溫度低于28℃時，則關(guān)閉空調(diào)。

4）環(huán)境場景。如果有人在家且室內(nèi)PM2.5濃度>35mg/m?，則打開空氣凈化器。

根據(jù)不同的需求，用戶可以靈活的設(shè)定各場景的優(yōu)先級。例如：當家里有成人且孩子在家時，我們可以把娛樂場景設(shè)置到最高優(yōu)先級，安全場景次之。當家中有老人時我們又可將環(huán)境場景設(shè)置到最高優(yōu)先級，為老人的健康提供一定的服務(wù)。

對于不同場景類型的規(guī)則之間的沖突使用優(yōu)先級便可以避免。對于同一場景類型中規(guī)則之間的沖突，我們可以使用沖突檢測算法進行檢測，此時由于進行的場景劃分，沖突檢測時需要遍歷的規(guī)則數(shù)也將減少，效率也會提高。

4.2 基于用戶優(yōu)先級

此外，還可以進行基于用戶優(yōu)先級的沖突避免。在家庭中往往有多個人同時生活，相應(yīng)的也將會有多個用戶可以制定規(guī)則。由于不同用戶需求不同，因此不同用戶之間制定的規(guī)則具有隨機性，很可能會發(fā)生沖突。如果現(xiàn)在系統(tǒng)中存在兩個用戶，A用戶制定了一條R1：在早晨七點到八點之間打開窗戶進行通風(fēng)。B用戶制定了一條R2：在晚上10點后到早晨10點前，關(guān)閉窗戶，以便睡眠不被噪聲干擾。那么在這兩段時間重合的區(qū)域，系統(tǒng)將會發(fā)生規(guī)則沖突。為解決上述問題，可以采用類似設(shè)置用戶權(quán)限的方法，為A，B用戶設(shè)定不同的優(yōu)先級，當不同用戶的規(guī)則發(fā)生沖突時，系統(tǒng)將選擇執(zhí)行優(yōu)先級高的用戶的規(guī)則，從而可以避免這種類型的沖突發(fā)生。

可見，上述基于優(yōu)先級的規(guī)則沖突避免機制很好地將各用戶，各需求場景之間的沖突進行了避免，可以使得不同用戶不同場景規(guī)則的添加變得更為豐富靈活同時又不影響規(guī)則的執(zhí)行，也降低了沖突檢測模塊的復(fù)雜度。其主要分為兩個階段，首先是場景任務(wù)的添加階段，此時涉及了同一類型場景的沖突檢測，如果有沖突，則提醒用戶進行規(guī)則修改，如果沒有沖突，則進行場景任務(wù)執(zhí)行階段，此階段便可以基于預(yù)設(shè)的場景優(yōu)先級以及用戶優(yōu)先級，決定執(zhí)行哪些規(guī)則。

參考文獻：

[1] 劉偉. Java規(guī)則引擎——Drools的介紹及應(yīng)用[J]. 網(wǎng)絡(luò)新媒體技術(shù)， 2005，26（6）：717-721.

[2] Forgy CL. Rete： a fast algorithm for the many pattern/many object pattern match problem[M]. Expert systems. IEEE Computer Society Press， 1991：547-559.

[3] SunY， WangX， LuoH， etal. Conflict Detection Scheme Based on Formal Rule Model for Smart Building Systems[J]. IEEE Transactionson Human-Machine Systems， 2015， 45（2）：215-227.

[4] 金保華， 林青， 付中舉， 等. 基于SWRL的應(yīng)急案例庫的知識表示及推理方法研究[J]. 科學(xué)技術(shù)與工程， 2012， 12（33）：9049-9055.

[5] 潘平安. 基于Zigbee和Android的智能家居系統(tǒng)的研究與實現(xiàn)[D].華東交通大學(xué).2017

【通聯(lián)編輯：王力】