[[393484]]

本文轉(zhuǎn)載自微信公眾號(hào)「五分鐘學(xué)大數(shù)據(jù)」，作者五分鐘學(xué)大數(shù)據(jù)。轉(zhuǎn)載本文請(qǐng)聯(lián)系五分鐘學(xué)大數(shù)據(jù)公眾號(hào)。

我們?cè)诳粗辈サ臅r(shí)候，不管對(duì)于主播還是用戶來說，非常重要的一項(xiàng)就是彈幕文化。為了增加直播趣味性和互動(dòng)性, 各大網(wǎng)絡(luò)直播平臺(tái)紛紛采用彈窗彈幕作為用戶實(shí)時(shí)交流的方式，內(nèi)容豐富且形式多樣的彈幕數(shù)據(jù)中隱含著復(fù)雜的用戶屬性與用戶行為, 研究并理解在線直播平臺(tái)用戶具有彈幕內(nèi)容審核與監(jiān)控、輿論熱點(diǎn)預(yù)測、個(gè)性化摘要標(biāo)注等多方面的應(yīng)用價(jià)值。

本文不分析彈幕數(shù)據(jù)的應(yīng)用價(jià)值，只通過彈幕內(nèi)容審核與監(jiān)控案例來了解下Flink CEP的概念及功能。

在用戶發(fā)彈幕時(shí)，直播平臺(tái)主要實(shí)時(shí)監(jiān)控識(shí)別兩類彈幕內(nèi)容：一類是發(fā)布不友善彈幕的用戶 ;一類是刷屏的用戶。

我們先記住上述需要實(shí)時(shí)監(jiān)控識(shí)別的兩類用戶，接下來介紹Flink CEP的API，然后使用CEP解決上述問題。

Flink CEP

Flink CEP 是什么

Flink CEP是一個(gè)基于Flink的復(fù)雜事件處理庫，可以從多個(gè)數(shù)據(jù)流中發(fā)現(xiàn)復(fù)雜事件，識(shí)別有意義的事件(例如機(jī)會(huì)或者威脅)，并盡快的做出響應(yīng)，而不是需要等待幾天或則幾個(gè)月相當(dāng)長的時(shí)間，才發(fā)現(xiàn)問題。

Flink CEP API

CEP API的核心是Pattern(模式) API，它允許你快速定義復(fù)雜的事件模式。每個(gè)模式包含多個(gè)階段(stage)或者我們也可稱為狀態(tài)(state)。從一個(gè)狀態(tài)切換到另一個(gè)狀態(tài)，用戶可以指定條件，這些條件可以作用在鄰近的事件或獨(dú)立事件上。

介紹API之前先來理解幾個(gè)概念：

1. 模式與模式序列

• 簡單模式稱為模式，將最終在數(shù)據(jù)流中進(jìn)行搜索匹配的復(fù)雜模式序列稱為模式序列，每個(gè)復(fù)雜模式序列是由多個(gè)簡單模式組成。
• 匹配是一系列輸入事件，這些事件通過一系列有效的模式轉(zhuǎn)換，能夠訪問復(fù)雜模式圖的所有模式。
• 每個(gè)模式必須具有唯一的名稱，我們可以使用模式名稱來標(biāo)識(shí)該模式匹配到的事件。

2. 單個(gè)模式

一個(gè)模式既可以是單例的，也可以是循環(huán)的。單例模式接受單個(gè)事件，循環(huán)模式可以接受多個(gè)事件。

3. 模式示例：

有如下模式：a b+ c?d

其中a,b,c,d這些字母代表的是模式，+代表循環(huán)，b+就是循環(huán)模式;?代表可選，c?就是可選模式;

所以上述模式的意思就是：a后面可以跟一個(gè)或多個(gè)b，后面再可選的跟c，最后跟d。

其中a、c? 、d是單例模式，b+是循環(huán)模式。

一般情況下，模式都是單例模式，可以使用量詞(Quantifiers)將其轉(zhuǎn)換為循環(huán)模式。

每個(gè)模式可以帶有一個(gè)或多個(gè)條件，這些條件是基于事件接收進(jìn)行定義的。或者說，每個(gè)模式通過一個(gè)或多個(gè)條件來匹配和接收事件。

了解完上述概念后，接下來介紹下案例中需要用到的幾個(gè)CEP API：

案例中用到的CEP API：

• Begin：定義一個(gè)起始模式狀態(tài)

用法：start = Pattern.<:Event>begin("start");

• Next：附加一個(gè)新的模式狀態(tài)。匹配事件必須直接接續(xù)上一個(gè)匹配事件

用法：next = start.next("next");

• Where：定義當(dāng)前模式狀態(tài)的過濾條件。僅當(dāng)事件通過過濾器時(shí)，它才能與狀態(tài)匹配

用法：patternState.where(_.message == "TMD");

• Within: 定義事件序列與模式匹配的最大時(shí)間間隔。如果未完成的事件序列超過此時(shí)間，則將其丟棄

用法：patternState.within(Time.seconds(10));

• Times：一個(gè)給定類型的事件出現(xiàn)了指定次數(shù)

用法：patternState.times(5);

API 先介紹以上這幾個(gè)，接下來我們解決下文章開頭提到的案例：

監(jiān)測用戶彈幕行為案例

案例一：監(jiān)測惡意用戶

規(guī)則：用戶如果在10s內(nèi)，同時(shí)輸入 TMD 超過5次，就認(rèn)為用戶為惡意攻擊，識(shí)別出該用戶。

使用 Flink CEP 檢測惡意用戶：

import org.apache.flink.api.scala._ 
import org.apache.flink.cep.PatternSelectFunction 
import org.apache.flink.cep.scala.{CEP, PatternStream} 
import org.apache.flink.cep.scala.pattern.Pattern 
import org.apache.flink.streaming.api.TimeCharacteristic 
import org.apache.flink.streaming.api.scala.{DataStream, OutputTag, StreamExecutionEnvironment} 
import org.apache.flink.streaming.api.windowing.time.Time 
 
object BarrageBehavior01 { 
  case class  LoginEvent(userId:String, message:String, timestamp:Long){ 
    override def toString: String = userId 
  } 
 
  def main(args: Array[String]): Unit = { 
    val env = StreamExecutionEnvironment.getExecutionEnvironment 
 
    // 使用IngestionTime作為EventTime 
    env.setStreamTimeCharacteristic(TimeCharacteristic.EventTime) 
 
    // 用于觀察測試數(shù)據(jù)處理順序 
    env.setParallelism(1) 
 
    // 模擬數(shù)據(jù)源 
    val loginEventStream: DataStream[LoginEvent] = env.fromCollection( 
      List( 
        LoginEvent("1", "TMD", 1618498576), 
        LoginEvent("1", "TMD", 1618498577), 
        LoginEvent("1", "TMD", 1618498579), 
        LoginEvent("1", "TMD", 1618498582), 
        LoginEvent("2", "TMD", 1618498583),  
        LoginEvent("1", "TMD", 1618498585) 
      ) 
    ).assignAscendingTimestamps(_.timestamp * 1000) 
 
    //定義模式 
    val loginEventPattern: Pattern[LoginEvent, LoginEvent] = Pattern.begin[LoginEvent]("begin") 
      .where(_.message == "TMD") 
      .times(5) 
      .within(Time.seconds(10)) 
 
    //匹配模式 
    val patternStream: PatternStream[LoginEvent] = CEP.pattern(loginEventStream.keyBy(_.userId), loginEventPattern) 
 
    import scala.collection.Map 
    val result = patternStream.select((pattern:Map[String, Iterable[LoginEvent]])=> { 
      val first = pattern.getOrElse("begin", null).iterator.next() 
      (first.userId, first.timestamp) 
    }) 
    //惡意用戶，實(shí)際處理可將按用戶進(jìn)行禁言等處理，為簡化此處僅打印出該用戶 
    result.print("惡意用戶>>>") 
    env.execute("BarrageBehavior01") 
  } 
} 

實(shí)例二：監(jiān)測刷屏用戶

規(guī)則：用戶如果在10s內(nèi)，同時(shí)連續(xù)輸入同樣一句話超過5次，就認(rèn)為是惡意刷屏。

使用 Flink CEP檢測刷屏用戶

object BarrageBehavior02 { 
  case class Message(userId: String, ip: String, msg: String) 
 
  def main(args: Array[String]): Unit = { 
    //初始化運(yùn)行環(huán)境 
    val env = StreamExecutionEnvironment.getExecutionEnvironment 
 
    //設(shè)置并行度 
    env.setParallelism(1) 
 
    // 模擬數(shù)據(jù)源 
    val loginEventStream: DataStream[Message] = env.fromCollection( 
      List( 
        Message("1", "192.168.0.1", "beijing"), 
        Message("1", "192.168.0.2", "beijing"), 
        Message("1", "192.168.0.3", "beijing"), 
        Message("1", "192.168.0.4", "beijing"), 
        Message("2", "192.168.10.10", "shanghai"), 
        Message("3", "192.168.10.10", "beijing"), 
        Message("3", "192.168.10.11", "beijing"), 
        Message("4", "192.168.10.10", "beijing"), 
        Message("5", "192.168.10.11", "shanghai"), 
        Message("4", "192.168.10.12", "beijing"), 
        Message("5", "192.168.10.13", "shanghai"), 
        Message("5", "192.168.10.14", "shanghai"), 
        Message("5", "192.168.10.15", "beijing"), 
        Message("6", "192.168.10.16", "beijing"), 
        Message("6", "192.168.10.17", "beijing"), 
        Message("6", "192.168.10.18", "beijing"), 
        Message("5", "192.168.10.18", "shanghai"), 
        Message("6", "192.168.10.19", "beijing"), 
        Message("6", "192.168.10.19", "beijing"), 
        Message("5", "192.168.10.18", "shanghai") 
      ) 
    ) 
 
    //定義模式 
    val loginbeijingPattern = Pattern.begin[Message]("start") 
      .where(_.msg != null) //一條登錄失敗 
      .times(5).optional  //將滿足五次的數(shù)據(jù)配對(duì)打印 
      .within(Time.seconds(10)) 
 
    //進(jìn)行分組匹配 
    val loginbeijingDataPattern = CEP.pattern(loginEventStream.keyBy(_.userId), loginbeijingPattern) 
 
    //查找符合規(guī)則的數(shù)據(jù) 
    val loginbeijingResult: DataStream[Option[Iterable[Message]]] = loginbeijingDataPattern.select(patternSelectFun = (pattern: collection.Map[String, Iterable[Message]]) => { 
      var loginEventList: Option[Iterable[Message]] = null 
      loginEventList = pattern.get("start") match { 
        case Some(value) => { 
          if (value.toList.map(x => (x.userId, x.msg)).distinct.size == 1) { 
            Some(value) 
          } else { 
            None 
          } 
        } 
      } 
      loginEventList 
    }) 
 
    //打印測試 
    loginbeijingResult.filter(x=>x!=None).map(x=>{ 
      x match { 
        case Some(value)=> value 
      } 
    }).print() 
 
    env.execute("BarrageBehavior02) 
  } 
} 

Flink CEP API

除了案例中介紹的幾個(gè)API外，我們?cè)诮榻B下其他的常用API：

1. 條件 API

為了讓傳入事件被模式所接受，給模式指定傳入事件必須滿足的條件，這些條件由事件本身的屬性或者前面匹配過的事件的屬性統(tǒng)計(jì)量等來設(shè)定。比如，事件的某個(gè)值大于5，或者大于先前接受事件的某個(gè)值的平均值。

可以使用pattern.where()、pattern.or()、pattern.until()方法來指定條件。條件既可以是迭代條件IterativeConditions，也可以是簡單條件SimpleConditions。

FlinkCEP支持事件之間的三種臨近條件：

• next()：嚴(yán)格的滿足條件

示例：模式為begin("first").where(_.name='a').next("second").where(.name='b')當(dāng)且僅當(dāng)數(shù)據(jù)為a,b時(shí)，模式才會(huì)被命中。如果數(shù)據(jù)為a,c,b，由于a的后面跟了c，所以a會(huì)被直接丟棄，模式不會(huì)命中。

• followedBy()：松散的滿足條件

示例：模式為begin("first").where(_.name='a').followedBy("second").where(.name='b')當(dāng)且僅當(dāng)數(shù)據(jù)為a,b或者為a,c,b，模式均被命中，中間的c會(huì)被忽略掉。

• followedByAny()：非確定的松散滿足條件

示例：模式為begin("first").where(_.name='a').followedByAny("second").where(.name='b')當(dāng)且僅當(dāng)數(shù)據(jù)為a,c,b,b時(shí)，對(duì)于followedBy模式而言命中的為{a,b}，對(duì)于followedByAny而言會(huì)有兩次命中{a,b},{a,b}。

2. 量詞 API

還記得我們?cè)谏厦嬷v解模式概念時(shí)說過的一句話：一般情況下，模式都是單例模式，可以使用量詞(Quantifiers)將其轉(zhuǎn)換為循環(huán)模式。這里的量詞就是指的量詞API。

以下這幾個(gè)量詞API，可以將模式指定為循環(huán)模式：

• pattern.oneOrMore()：一個(gè)給定的事件有一次或多次出現(xiàn)，例如上面提到的b+。
• pattern.times(#ofTimes)：一個(gè)給定類型的事件出現(xiàn)了指定次數(shù)，例如4次。
• pattern.times(#fromTimes, #toTimes)：一個(gè)給定類型的事件出現(xiàn)的次數(shù)在指定次數(shù)范圍內(nèi)，例如2~4次。
• 可以使用pattern.greedy()方法將模式變成循環(huán)模式，但是不能讓一組模式都變成循環(huán)模式。greedy：就是盡可能的重復(fù)。
• 使用pattern.optional()方法將循環(huán)模式變成可選的，即可以是循環(huán)模式也可以是單個(gè)模式。

3. 匹配后的跳過策略

所謂的匹配跳過策略，是對(duì)多個(gè)成功匹配的模式進(jìn)行篩選。也就是說如果多個(gè)匹配成功，可能我不需要這么多，按照匹配策略，過濾下就可以。

Flink中有五種跳過策略：

• NO_SKIP: 不過濾，所有可能的匹配都會(huì)被發(fā)出。
• SKIP_TO_NEXT: 丟棄與開始匹配到的事件相同的事件，發(fā)出開始匹配到的事件，即直接跳到下一個(gè)模式匹配到的事件，以此類推。
• SKIP_PAST_LAST_EVENT: 丟棄匹配開始后但結(jié)束之前匹配到的事件。
• SKIP_TO_FIRST[PatternName]: 丟棄匹配開始后但在PatternName模式匹配到的第一個(gè)事件之前匹配到的事件。
• SKIP_TO_LAST[PatternName]: 丟棄匹配開始后但在PatternName模式匹配到的最后一個(gè)事件之前匹配到的事件。

怎么理解上述策略，我們以NO_SKIP和SKIP_PAST_LAST_EVENT為例講解下：

在模式為：begin("start").where(_.name='a').oneOrMore().followedBy("second").where(_.name='b')中，我們輸入數(shù)據(jù)：a,a,a,a,b ，如果是NO_SKIP策略，即不過濾策略，模式匹配到的是:{a,b},{a,a,b},{a,a,a,b},{a,a,a,a,b};如果是SKIP_PAST_LAST_EVENT策略，即丟棄匹配開始后但結(jié)束之前匹配到的事件，模式匹配到的是:{a,a,a,a,b}。

Flink CEP 的使用場景

除上述案例場景外，F(xiàn)link CEP 還廣泛用于網(wǎng)絡(luò)欺詐，故障檢測，風(fēng)險(xiǎn)規(guī)避，智能營銷等領(lǐng)域。

1. 實(shí)時(shí)反作弊和風(fēng)控

對(duì)于電商來說，羊毛黨是必不可少的，國內(nèi)拼多多曾爆出 100 元的無門檻券隨便領(lǐng)，當(dāng)晚被人褥幾百億，對(duì)于這種情況肯定是沒有做好及時(shí)的風(fēng)控。另外還有就是商家上架商品時(shí)通過頻繁修改商品的名稱和濫用標(biāo)題來提高搜索關(guān)鍵字的排名、批量注冊(cè)一批機(jī)器賬號(hào)快速刷單來提高商品的銷售量等作弊行為，各種各樣的作弊手法也是需要不斷的去制定規(guī)則去匹配這種行為。

2. 實(shí)時(shí)營銷

分析用戶在手機(jī) APP 的實(shí)時(shí)行為，統(tǒng)計(jì)用戶的活動(dòng)周期，通過為用戶畫像來給用戶進(jìn)行推薦。比如用戶在登錄 APP 后 1 分鐘內(nèi)只瀏覽了商品沒有下單;用戶在瀏覽一個(gè)商品后，3 分鐘內(nèi)又去查看其他同類的商品，進(jìn)行比價(jià)行為;用戶商品下單后 1 分鐘內(nèi)是否支付了該訂單。如果這些數(shù)據(jù)都可以很好的利用起來，那么就可以給用戶推薦瀏覽過的類似商品，這樣可以大大提高購買率。

3. 實(shí)時(shí)網(wǎng)絡(luò)攻擊檢測

當(dāng)下互聯(lián)網(wǎng)安全形勢仍然嚴(yán)峻，網(wǎng)絡(luò)攻擊屢見不鮮且花樣眾多，這里我們以 DDOS(分布式拒絕服務(wù)攻擊)產(chǎn)生的流入流量來作為遭受攻擊的判斷依據(jù)。對(duì)網(wǎng)絡(luò)遭受的潛在攻擊進(jìn)行實(shí)時(shí)檢測并給出預(yù)警，云服務(wù)廠商的多個(gè)數(shù)據(jù)中心會(huì)定時(shí)向監(jiān)控中心上報(bào)其瞬時(shí)流量，如果流量在預(yù)設(shè)的正常范圍內(nèi)則認(rèn)為是正常現(xiàn)象，不做任何操作;如果某數(shù)據(jù)中心在 10 秒內(nèi)連續(xù) 5 次上報(bào)的流量超過正常范圍的閾值，則觸發(fā)一條警告的事件;如果某數(shù)據(jù)中心 30 秒內(nèi)連續(xù)出現(xiàn) 30 次上報(bào)的流量超過正常范圍的閾值，則觸發(fā)嚴(yán)重的告警。

Flink CEP 的原理簡單介紹

Apache Flink在實(shí)現(xiàn)CEP時(shí)借鑒了Efficient Pattern Matching over Event Streams論文中NFA的模型，在這篇論文中，還提到了一些優(yōu)化，我們?cè)谶@里先跳過，只說下NFA的概念。

在這篇論文中，提到了NFA，也就是Non-determined Finite Automaton，叫做不確定的有限狀態(tài)機(jī)，指的是狀態(tài)有限，但是每個(gè)狀態(tài)可能被轉(zhuǎn)換成多個(gè)狀態(tài)(不確定)。

非確定有限自動(dòng)狀態(tài)機(jī)：

先介紹兩個(gè)概念：

• 狀態(tài)：狀態(tài)分為三類，起始狀態(tài)、中間狀態(tài)和最終狀態(tài)。
• 轉(zhuǎn)換：take/ignore/proceed都是轉(zhuǎn)換的名稱。

在NFA匹配規(guī)則里，本質(zhì)上是一個(gè)狀態(tài)轉(zhuǎn)換的過程。三種轉(zhuǎn)換的含義如下所示：

• Take: 主要是條件的判斷，當(dāng)過來一條數(shù)據(jù)進(jìn)行判斷，一旦滿足條件，獲取當(dāng)前元素，放入到結(jié)果集中，然后將當(dāng)前狀態(tài)轉(zhuǎn)移到下一個(gè)的狀態(tài)。
• Proceed：當(dāng)前的狀態(tài)可以不依賴任何的事件轉(zhuǎn)移到下一個(gè)狀態(tài)，比如說透傳的意思。
• Ignore：當(dāng)一條數(shù)據(jù)到來的時(shí)候，可以忽略這個(gè)消息事件，當(dāng)前的狀態(tài)保持不變，相當(dāng)于自己到自己的一個(gè)狀態(tài)。

NFA的特點(diǎn)：在NFA中，給定當(dāng)前狀態(tài)，可能有多個(gè)下一個(gè)狀態(tài)?？梢噪S機(jī)選擇下一個(gè)狀態(tài)，也可以并行(同時(shí))選擇下一個(gè)狀態(tài)。輸入符號(hào)可以為空。

規(guī)則引擎

規(guī)則引擎：將業(yè)務(wù)決策從應(yīng)用程序代碼中分離出來，并使用預(yù)定義的語義模塊編寫業(yè)務(wù)決策。接受數(shù)據(jù)輸入，解釋業(yè)務(wù)規(guī)則，并根據(jù)業(yè)務(wù)規(guī)則做出業(yè)務(wù)決策。

使用規(guī)則引擎可以通過降低實(shí)現(xiàn)復(fù)雜業(yè)務(wù)邏輯的組件的復(fù)雜性，降低應(yīng)用程序的維護(hù)和可擴(kuò)展性成本。

1. Drools

Drools 是一款使用 Java 編寫的開源規(guī)則引擎，通常用來解決業(yè)務(wù)代碼與業(yè)務(wù)規(guī)則的分離，它內(nèi)置的 Drools Fusion 模塊也提供 CEP 的功能。

優(yōu)勢：

• 功能較為完善，具有如系統(tǒng)監(jiān)控、操作平臺(tái)等功能。
• 規(guī)則支持動(dòng)態(tài)更新。

劣勢：

• 以內(nèi)存實(shí)現(xiàn)時(shí)間窗功能，無法支持較長跨度的時(shí)間窗。
• 無法有效支持定時(shí)觸達(dá)(如用戶在瀏覽發(fā)生一段時(shí)間后觸達(dá)條件判斷)。

2. Aviator

Aviator 是一個(gè)高性能、輕量級(jí)的 Java 語言實(shí)現(xiàn)的表達(dá)式求值引擎，主要用于各種表達(dá)式的動(dòng)態(tài)求值。

優(yōu)勢：

• 支持大部分運(yùn)算操作符。
• 支持函數(shù)調(diào)用和自定義函數(shù)。
• 支持正則表達(dá)式匹配。
• 支持傳入變量并且性能優(yōu)秀。

劣勢：

沒有 if else、do while 等語句，沒有賦值語句，沒有位運(yùn)算符。

3. EasyRules

EasyRules 集成了 MVEL 和 SpEL 表達(dá)式的一款輕量級(jí)規(guī)則引擎。

優(yōu)勢：

• 輕量級(jí)框架，學(xué)習(xí)成本低。
• 基于 POJO。
• 為定義業(yè)務(wù)引擎提供有用的抽象和簡便的應(yīng)用。
• 支持從簡單的規(guī)則組建成復(fù)雜規(guī)則。

4. Esper

Esper 設(shè)計(jì)目標(biāo)為 CEP 的輕量級(jí)解決方案，可以方便的嵌入服務(wù)中，提供 CEP 功能。

優(yōu)勢：

• 輕量級(jí)可嵌入開發(fā)，常用的 CEP 功能簡單好用。
• EPL 語法與 SQL 類似，學(xué)習(xí)成本較低。

劣勢：

• 單機(jī)全內(nèi)存方案，需要整合其他分布式和存儲(chǔ)。
• 以內(nèi)存實(shí)現(xiàn)時(shí)間窗功能，無法支持較長跨度的時(shí)間窗。
• 無法有效支持定時(shí)觸達(dá)(如用戶在瀏覽發(fā)生一段時(shí)間后觸達(dá)條件判斷)。

5. Flink CEP

Flink 是一個(gè)流式系統(tǒng)，具有高吞吐低延遲的特點(diǎn)，F(xiàn)link CEP 是一套極具通用性、易于使用的實(shí)時(shí)流式事件處理方案。

優(yōu)勢：

• 繼承了 Flink 高吞吐的特點(diǎn)。
• 事件支持存儲(chǔ)到外部，可以支持較長跨度的時(shí)間窗。
• 可以支持定時(shí)觸達(dá)(用 followedBy + PartternTimeoutFunction 實(shí)現(xiàn))。