基于Bitmap的油水井采注優化實時推理引擎

劉陽 張天石 李世超 佟星 曾鵬 于海斌

新一代信息技術的發展推動了物聯網技術的產業推進.在工業領域,工業物聯網已經成為工業泛在信息獲取的重要依托手段,改變了過去流程工業內部生產信息以及環境信息難以實時獲取的問題,成為工業領域全流程優化的重要使能手段.

近年來,隨著工業物聯網體系在油田領域的部署與推廣,已經初步實現了數字油田的建設目標,未來智慧油田將成為提升油田開發效率、降低成本、提升競爭力的重要發展方向.對比數字油田側重于基于泛在感知技術對油田各種生產和管理數據的采集、上傳與存儲,智慧油田更加傾向于融入人類的經驗與智慧,通過對采集到的各種勘探、開發、生產、運營及外部環境等數據進行全面整理和全局分析,為指導高效、低成本、實時的開采措施制定與運營決策提供輔助支持.在我國,很大一部分油田開發進入中后期階段,面臨含水率不斷升高、能效比逐漸降低的問題.對于油田油井、水井管網進行采注協同優化,是提升油田作業效率的重要舉措之一,將是未來智慧油田的重要組成部分.傳統油田油水井采注調整通常采用“以采定注”的方式來進行,缺乏充分利用油水井地層結構、數值模擬分析結果以及生產動態數據綜合分析的工具手段,在企業負責處理分析的不同業務部門在不同時間尺度分別進行優化策略制定的情況下,綜合采注優化周期較長.隨著工業物聯網終端以及大數據平臺的部署,大量實時動態數據的產生,這種由各部門在不同時間尺度上來聯合驅動優化的模式將難以滿足油田提升采注效率的需求,融合油田工程師分析經驗并基于油水井動態生產作業數據、油藏地質信息以及數值模擬信息的綜合推理系統將有效改變油田企業多部門人員聯合驅動優化的局面.

油田油水井數量龐大,會產生大量實時數據以及待處理分析事件,為適應對大量實時事件的快速處理,油水井采注協同優化推理引擎需要具有對大量同時到達的實時事件的實時處理能力,并能適應專業人員對推理引擎中的規則及參數進行修改.在融合人類經驗方面,產生式推理引擎具有較好的用戶適應性.產生式推理引擎可以根據用戶定義的規則和當前產生的事件進行規則匹配并進行沖突消解,將產生的推理結果反饋給用戶或者運行系統進一步操作使用的一種推理機制.如圖1所示,一個產生式系統通常包括一組規則集,其中的每個規則都包括一組條件和執行動作,當當前外部事件與規則集中的規則條件在經過模式匹配后都得以滿足時,該規則的執行動作將被加入到議程中,如果該動作是最終執行動作,那么該動作將被推送入執行推理結果引擎,如果該動作為推理中間結果,那么將被放入工作內存中等待后續事件到達繼續執行.

圖1 產生式推理引擎示意圖Fig.1 The sketch map of production rule reasoning

可以看到,產生式推理引擎對人類經驗融入的接口比較友好,但是其最大缺點是在大量規則集的情況下同時到達大量外部事件時,其匹配效率將十分低下,因為按照每個事件條件和規則逐一匹配,匹配的事件復雜度將與規則數量和事件數量的增長呈指數相關特點.

因此,本文以提升事件與規則的匹配效率為出發點,通過對事件和規則進行基于Bitmap的編碼,提升了大數據事件與規則的匹配效率,并針對規則匹配過程中無效數據事件對推理引擎資源的占用問題,提出了對無效事件的分組與處理機制,實驗結果表明了基于Bitmap編碼的推理引擎的有效性.

1 相關工作

油田開發生產的優化過程控制中,會產生實時處理大量事件及規則的需求,為應對大數據量事件帶來的處理問題,采用對事件的編碼壓縮與索引的方法可以有效提升對事件處理的效率,其中Bitmap是應用比較廣泛的一種處理機制.針對大數據壓縮以及索引問題,O′Neil[1?2]最先提出Bitmap索引技術,Bitmap就是用一個bit位來標記某個元素對應的數據,由于采用了bit為單位來存儲數據,因此可以大大節省存儲空間;Bitmap技術中主要包括了數據的壓縮、分類以及檢索[3].許多學者提出了不同的Bitmap壓縮以及檢索算法.Antoshenkov[4]提出了BBC(Byte-aligned bitmap compression)算法用于支持快速的數據壓縮,同時保持了競爭壓縮率(Competitive compression rate);Wu等[5]提出的WAH(World-aligned-hybrid)檢索算法用于索引和搜索像科學模擬結果以及網絡流量這樣數據量較大的數據集;Delige等提出的PLWAH(Position list word aligned hybrid)基于WAH算法更好地利用壓縮空間以及CPU,在同一個條件下能夠減少一半的存儲空間[6];Fusco等[7]提出了一種利用單詞碼本來大量減少Bitmap索引尺寸的算法COMPAX(Compressed adaptive index);Kim等[8]提出了一種新的bitmap壓縮算法SBH(Superbyte-aligned hybrid),該算法不僅是當前最先進的Bitmap壓縮方案,而且其處理速度是WAH的5倍.清華大學文羽豪等提出了Bitmap索引壓縮算法[9]、SECOMPAX(Compressed adaptive index)以及Bitmap索引編碼算法MASC[10].

產生式推理是一類基于知識的模式匹配方法,是實現知識自動化的重要手段,王飛躍[11]提出知識自動化可以理解成為基于知識的服務、基于決策的服務,關鍵是把數據信息與任務無縫、準確、即時的匹配與結合起來;RETE算法是規則匹配中的一類經典方法[12];RETE算法是由Forgy[13]在1979年首先提出并進行了論述,根據規則生成一個RETE規則網絡[14],事件流不斷通過RETE規則網絡進行匹配,一直持續到網絡的終端節點才結束,同時產生復合事件[15].RETE適用場景十分廣泛;其中Kawakami等提出了一種基于RETE算法分別用于網絡拓撲節點管理[16?17]以及樓宇節能管理[18?19].Pallavi等[20]應用RETE算法提高專家系統的應用效率,使得系統返回的信息更令人滿意.Wu提出了線性正向推理算法LFA(Linear forward-chaining)[21],通過拆分規則因子和規則執行體來減少模式匹配的比對次數,進而提升產生式推理系統的性能.燕山大學馮建周等[22]提出了利用語義本體技術建立關聯數據的物聯網語義關聯網絡,通過Jena事件推理實現語義推理從而實現物聯網系統的智能決策.在現有油田開采過程中應用模式匹配用于生產還處于起步階段,朱秀莉等[23]提出基于T-S推理網絡預測油田開發指標,對于預測問題具有一定潛力.

在上述研究中,雖然研究人員針對RETE算法的性能做了諸多改進,但是針對油田推理引擎這種具有到達事件量大、規則數量大且隨時有修改需求的推理場景涉及較少,因此,本文針對油田油水井采注聯合優化需求,本文提出了一種基于Bitmap的實時推理引擎,通過引入Bitmap的處理特點來提升事件與規則的匹配效率并過濾無效事件.

2 預備知識

2.1 油田實時推理系統

在圖2中,油田專業用戶可以通過規則集可視化接口對推理系統中的規則進行增加、修改和刪除等操作,實時推理引擎可對當前所有規則集進行規則沖突檢測,當新規則與規則集中其他規則有沖突時,推理引擎需要提醒用戶該沖突以及沖突產生原因,該功能可有效避免由于不同用戶在經驗上的不一致,導致的推理結果不準確問題;當用戶錄入的新規則不存在沖突時,該規則可被直接存儲到規則庫中.當外部事件到達時,該規則可以立即成為推理引擎的一部分并被執行.此外,在油田實時推理引擎中,數以萬計的油水井將實時產生大量與采注作業相關的生產事件到達推理引擎,對于這些到達事件的處理需要更多的計算資源,而且具有緊急響應需求的事件(例如油水井工況異常)需要實時處理,本文中將通過到達事件處理模塊,實現對油田場景的處理.

2.2 Bitmap

Bitmap就是采用比特位來標記某個元素在指定前提下對應的值或者存在情況的方法,是一種常用的數據庫索引,由于采用比特位為單位對數據進行存儲,因此可以節省存儲空間,并可通過對比特位的布爾運算提升檢索效率.

假設規則R的條件部分(Left hand side,LHS)為

其中(keyi,operationi,valuei)表示中第i個條件,keyi表示第i個條件的關鍵字,operationi表示第i個條件的操作符,valuei表示第i個條件的閾值.在Bitmap映射中,將全部規則集中的條件無重復列出,并按照關鍵字key的升序進行排列,形成基于規則集條件的升序列表.假設一個基于規則集條件的升序列表為

圖2 油田實時推理系統Fig.2Real-time reasoning system in oil field

L(Rconditionall)中共包含4個元素,那么對于事件“單層含水值=80%”來說,其對應升序列表的Bitmap形式為B(E單層含水值)=(0110),其中若第i位為“1”則表示事件與中的第i個元素的關鍵字相關,若為“0”則表示不相關(注:本文中對于事件的Bitmap形式僅針對事件中的key部分來進行,而不考慮事件中對事件取值的判斷).在事件“單層含水值=80%”中,按照每個中文字符型占用2字節存儲空間計算,該事件的關鍵字“單層含水值”需要10字節存儲,而對應的Bitmap只需要4比特,大大減少了事件的占用空間,也提升了事件對于相關規則的定位效率.

可以看出,事件關鍵字的表達與規則條件的升序列表中的元素個數相同,當規則條件升序列表中元素個數較多,例如為10000時,對應的事件關鍵字Bitmap長度也將達到10000比特,這將遠遠大于原始10字節的存儲空間.但是在采用規則條件升序列表前提下,事件的Bitmap中為“1”的比特位會集中出現,其余位均為0,針對這種情況的Bitmap,其壓縮方法已有很多,COMPAX編碼[7]可以較好地解決該問題.

3 基于Bitmap的推理方法

圖3所示為實時推理引擎架構,主要包含到達事件處理和推理條件過濾兩部分.到達事件處理模塊完成對達到數據的事件處理以及編碼功能,推理條件過濾模塊完成對編碼后事件的篩選與原子條件觸發與推理執行功能.

3.1 到達事件處理

在油田實時推理引擎中,將主要接收兩類報文,一是由工業物聯網傳感器獲取的實時生產及工況數據,另一類是由油田用戶選定的需要分析的靜態勘探開發數據.由于這兩類報文來源不同,導致其表現形式各異,需要對這些數據進行預處理.本文將這些具有復雜結構的周期作業報文以及油田勘探開發數據庫中的各類數據采用事件封裝的形式來統一處理,對于實時推理引擎來說,統稱為到達事件.需要注意的是,這兩類數據的位置標定方式略有不同,其中傳感器獲取的數據通常以“井號,時間”為中心進行描述存放在油田開發動態庫中,而油田靜態勘探開發數據主要為油田工程師使用,使用方式著眼于油水井與地層之間的關系,通常以“井號+區塊+層號”來使用相應地層地質信息,因此需要對這兩類數據報文進行基于井號的事件位置對齊.為簡化對異構數據源的處理,本文給出如下定義:

圖3 實時推理引擎架構Fig.3 The architecture of real-time reasoning engine

定義1.原子事件:指僅包含一種數據類型的事件.

定義 2.原子規則:指規則中的RHS(Right hand side)部分僅能通過同時滿足全部LHS條件才能觸發的規則,即原子規則中的LHS只能為單條件規則或者只包“∧”運算符的條件組合.

定義3.原子條件:原子規則中具有不可再分特征的條件.

例如,對于具有單井溫度、油壓、套壓、電參信息的復雜工業物聯網傳感器報文,可以通過原子事件提取拆分成4個原子事件,其中溫度、油壓、套壓等信息稱為原子事件的關鍵字,原子事件表達形式為其中分別代表事件ei的關鍵字、值、地理位置和時間窗口.在形成原子事件后,要完成對事件中關鍵字和地理位置的編碼.

的編碼采用基于Bitmap的編碼方式,首先對規則集中的所有原子條件進行基于條件關鍵字的升序排列,形成原子條件升序列表L(AtomicCondition),然后對L(AtomicCondition)中的不同關鍵字起止位置構建B+樹Tree(AtomicCondition).對于到達事件中的關鍵字,通過對Tree(AtomicCondition)的檢索,將對應起止位的比特值置為“1”,其他位置為“0”,然后采用COMPAX編碼進行壓縮.

油水井是人類與油藏地質發生作用的連接點,因此在油田分析處理業務中,數據的觀測位置是以井號為中心的.但是由于地質位置具有三維特征,油藏的形成具有一定的區域性特征,因此在保存油井靜態位置信息時不僅會保留井號視角,還會存儲油井在不同地質層的巖層、物性等信息.這樣,為了實現對油田事件的多視角分析,要對只具有井號信息的傳感器事件進行地理位置補齊.當前,對于我國開發成熟的油田公司,單個油田的區塊劃分不會多于100個,了解全面的地質層劃分也不會多于1000個,因此可分別構建區塊關鍵字升序列表和地質層關鍵字升序列表,通過與井號的關聯來實現對地理位置的補充,為規則中基于位置劃分推理范圍的條件提供支持.

在到達事件處理模塊對原子事件進行關鍵字和地理位置編碼后,將形成原子事件列表.

3.2 推理條件過濾

3.2.1 β 網絡

為了提高規則匹配的執行效率,需對規則進行預處理,將原始規則集轉換成高效的β網絡.油田規則集的制定由油田用戶來制定,規則的條件既有合取操作,也有析取操作,按照對油田油藏及生產分析的經驗來制定.可形成形如x1∧x2∧(y1∨(z1∧z2))→A1的規則表達式,其中xi,yi,zi代表原子條件,Ai代表執行的動作.邏輯運算在經過轉換后可形成析取范式,上述規則的轉換過程如下:

這樣,規則在經過標準化轉化后都可形成析取范式,得到的析取范式可分別形成具有原子規則特征的規則來執行,具有較高的獨立性,可以用樹形結構來表達析取范式得到的兩個原子規則,如圖4.

圖4 原子規則樹Fig.4 Atomic rule trees

圖5 β網絡Fig.5 β network

從上圖中的原子規則樹可以看出,如果將規則樹中的原子條件按照關鍵字升序排列,那么原子條件x1和x2將重復出現兩次,也意味著事件與條件的匹配將重復進行兩次,降低了匹配效率并占用了更多的規則存儲空間.因此,對具有重復原子條件的規則進行原子條件合并,構建β網絡,如圖5所示.

在β網絡中,作為輸入的原子條件只出現一次,對于多條規則中出現的相同原子條件通過復合條件x1∧x2、x1∧x2∧y1、x1∧x2∧z1∧z2的形式來實現.

3.2.2 基于規則的原子條件篩選

原子條件篩選流程圖如圖6所示.

圖6 原子條件篩選流程圖Fig.6 The flow chart for atomic condition filtering

在油田業務推理過程中,數據視角以井號為中心,輔以所屬區塊、地質分層等位置信息,所以在形成原子事件列表后,需要按照空間相關和時間相關性進行事件分類.如上圖所示,時空事件分組指對原子事件列表中的任意事件的地理位置編碼和時間窗口按照用戶指定模式進行邏輯與操作,當且僅當兩個事件的地理位置編碼和時間窗口編碼與用戶指定時空條件的邏輯與操作均不為0時,該兩個事件可以形成一個分組;否則將形成新的時空事件分組.算法說明如下:

算法1.時空事件分組

然后對同一分組中事件的關鍵字編碼進行邏輯或操作并得到結果KG,將KG與所有規則逐條進行匹配,只有當匹配結果表明該規則的所有條件關鍵字均在事件分組中出現,將事件分組傳遞到原子條件觸發模塊,進行規則執行,算法說明如下.

算法2.分組事件與規則匹配

算法2可以用來判斷當前分組事件是否覆蓋原子規則中所有條件的關鍵字,只有當原子規則條件中各關鍵字相關事件全部到達,該規則方可執行.通過該判斷,可以有效過濾掉不相關事件,即不相關事件不會進行原子條件觸發.

其中,kij,oij,vij分別代表第j個規則條件中的第i個關鍵字、操作符和閾值,且kim=kin(m/=n),這樣,可形成規則集R的基于原子條件關鍵字的升序列表.

假設對于到達原子事件時空分組形成的一組事件中包括兩個事件e1和e2,其中事件e1的Bitmap編碼為B(e1)=(1110000),e2的Bitmap編碼為B(e2)=(0001110),計算KG=B(e1)∨B(e2)=(1111110),然后分別計算KG各規則條件編碼的邏輯與值,有

油田業務分析過程中,有些推理執行結果是進行進一步模型計算,并將結果反饋到推理系統繼續使用,這時,需要將具有計算特性的推理執行動作結果反饋到到達事件處理模塊,重新進行編碼計算,以觸發相應規則的執行.

4 實驗與分析

為對實時推理引擎在油田業務中的執行性能進行分析,本文推理引擎對實際油田業務進行了部署測試.

4.1 數據集與實驗平臺

本文構建數據集主要包括規則集合和事件集合.

規則集包括對單采油井生產優化推理規則子集、單注水井注水優化推理規則子集、采注聯通關系分析規則子集以及在約束條件下采注聯合優化措施選取規則子集等.圖7所示為油水井聯合優化措施流程圖.

其中采油單井生產優化推理規則子集中包括PVT(Pressure-volume-temperature)模型計算分析規則、多相管流模型計算分析規則、采油井流入動態模型計算分析規則、單采油井最大產量優化設計規則與定產量優化設計規則等;單注水井優化規則子集中包括吸水能力分析規則、水驅特征分析規則、注水井生產優化設計規則等;油水井協同優化規則子集包括開發生產系統現狀分析規則、遞減分析規則、采油井與注水井單井優化備選方案管理規則、物質平衡分析規則、采注井動態連通關系計算分析規則、油水井協同生產組合優化方案選取規則等.各規則集執行側將進行模型計算與識別分析功能,并反饋到推理引擎中進行進一步優化規則的觸發.上述單井優化規則集將形成多種采注優化采注方案組合,對多組優化采注組合方案,在系統整體目標約束規則下進行最優組合選取,系統整體目標通常包括總產量高、總欠注水量低、總生產能耗低等,閾值設定依據油田生產特征來人工設定.本文采用對規則集進行了原子規則拆分,形成測試規則集合.

事件集合采用勘探開發靜態數據、萬口油水井規模的生產實時工況與動態數據以及300口生產參數可調整油水井.在試驗過程中,通過設定分析需要覆蓋的區塊,來控制到達事件數量的變化.

圖7 油水井采注協同優化流程圖Fig.7 The co-optimizationflow chart for injection-production in oil and water wells

實時推理引擎部署在國內某油田公司,平臺硬件配置為Interl Core i5,2GB內存和百兆以太網卡.

移動通信生產性實訓基地建成后,基本具備企業真實工作環境，可以更好地進行校企深度合作，為共同培養學生、承接生產性項目、更好地為通信行業提供報務打下良好的基礎。

4.2 實驗結果及其分析

本文提出的實時推理引擎通過基于Bitmap的事件處理來實現對到達事件的篩選,以優化規則引擎的匹配過程,目的在于提升對更多到達事件的可處理能力.RETE作為經典的產生式推理算法已經得到了廣泛的研究,LFA算法作為經典的規則引擎匹配算法也致力于減少模式匹配次數,因此,本文選取RETE和LFA作為性能對比算法.如圖8所示為在規則數為5000時,本文方法在到達事件處理能力上與RETE、LFA的對比結果,其中到達事件量為每秒鐘的事件數量.

圖8 不同到達事件情況下性能對比圖Fig.8 The performance comparison with different numbers of arrival events

從圖8試驗對比結果可以看出,本文實時推理引擎、RETE推理引擎和LFA算法在到達事件量為4500 events/s時,均可對到達事件進行實時處理:隨著同時到達事件量增加至5000 events/s,本文方法和RETE算法仍可實時處理到達事件,但是LFA算法已經不能實時處理更多的到達事件,其原因是LFA算法在對到達事件的對比方法開銷要大于Bitmap方法,加之等待執行的到達事件對資源的耗費,使得其處理能力難以處理更多的到達事件:在到達事件數在5000 events/s以上時,RETE算法可實時響應的事件數量沒有顯著增加,本文方法在到達事件數量小于40000/s的時候,均可對到達事件進行實時處理.

圖9所示為在每秒到達事件數為20000時,不同方法在不同原子條件數量下,推理引擎的可處理事件數量.可以看出RETE和LFA算法在原子條件數增加的情況下,可處理事件數量下降明顯,在原子條件數量達到20000時,RETE算法的可實時處理事件數維持在2000左右,LFA算法的可實時處理事件數下降到500左右;本文方法在原子條件數達到10000時,可處理事件數對比達到事件數量處理能力略有下降,其后維持在穩定狀態.

圖9 不同原子條件下性能對比圖Fig.9 The performance comparison with different numbers of atomic conditions

通過對本文實時推理引擎、傳統RETE算法以及LFA算法的比較可以看出,基于Bitmap的實時推理引擎在篩選無效到達事件的處理以及模式匹配方面的改進是有效的,使得整體性能優于傳統方法.

基于本文油水井采注優化實時推理引擎,對油田300口可調整作業參數的油水井口進行試驗,單井平均日耗電量從200kWh降低到145kWh、區塊生產時效提高100天,對比應用前具有有效性.

5 結論

本文針對油田采注聯合優化的實現過程中,需要大量融入人類經驗進行全局分析的場景,提出了一種基于Bitmap編碼的實時推理引擎,通過對產生的事件關鍵字進行比特位級編碼及壓縮,可以有效提升事件與規則的匹配能力.并針對油田業務規則中的時空相關性,對產生事件進行篩選,對當前規則無效事件,將不會進入規則觸發流程,有效減少了大量到達事件對規則推理引擎的壓力,提升了實時推理引擎的性能.針對某油田公司業務系統進行了推理引擎實驗,結果表明本文方法在到達事件數和規則數增加時,均有良好的處理性能.后續工作將對油井采注優化過程中各參數的選擇進行基于大數據分析的智能學習,以使得推理引擎能更快的適應于不同地質條件的油田場景.

1 O0Neil P E.Model 204 architecture and performance.In:Proceedings of the 2nd International Workshop on High Performance Transaction Systems.London,UK:Springer,1987.40?59

2 O0Neil P E,Quass D.Improved query performance with variant indexes.ACM SIGMOD Record,1997,26(2):38?49

3 van Schaik S J,de Moor O.A memory efficient reachability data structure through bit vector compression.In:Proceedings of the 2011 ACM SIGMOD International Conference on Management of Data.Athens,Greece:ACM,2011.913?924

4 Antoshenkov G.Byte-aligned bitmap compression.In:Proceedings of the 5th Data Compression Conference.Snowbird,UT,USA:IEEE,1995.476

5 Wu K S,Otoo E J,Shoshani A.Optimizing bitmap indices with efficient compression.ACM Transactions on Database Systems(TODS),2006,31(1):1?38

7 Fusco F,Stoecklin M P,Vlachos M.NET-FLi:on-the- fly compression,archiving and indexing of streaming network traffic.Proceedings of the VLDB Endowment,2010,3(1?2):1382?1393

8 Kim S,Lee J,Satti S R,Moon B.SBH:super byte-aligned hybrid bitmap compression.Information Systems,2016,62:155?168

9 Wen Y H,Chen Z,Ma G,Cao J W,Zheng W X,Peng G D,Li S W,Huang W L.SECOMPAX:a bitmap index compression algorithm.In:Proceedings of the 23rd International Conference on Computer Communication and Networks(ICCCN).Shanghai,China:IEEE,2014.1?7

10 Wen Y H,Wang H,Chen Z,Cao J W,Peng G D,Huang W L,Hu Z W,Zhou J,Guo J H.MASC:a bitmap index encoding algorithm for fast data retrieval.In:Proceedings of the 2016 IEEE International Conference on Communications(ICC).Kuala Lumpur,Malaysia:IEEE,2016.1?6

11 Wang Fei-Yue.Software-de fined systems and knowledge automation:a parallel paradigm shift from Newton to Merton.Acta Automatica Sinica,2015,41(1):1?8(王飛躍.軟件定義的系統與知識自動化:從牛頓到默頓的平行升華.自動化學報,2015,41(1):1?8)

12 Wu Dan-Feng,Zeng Guang-Ping,Yan Jing-Ying.Research on rete algorithm supporting evolution rules engine.Application Research of Computers,2013,30(6):1747?1750(武丹鳳,曾廣平,閆京穎.支持演化規則引擎的rete算法研究.計算機應用研究,2013,30(6):1747?1750)

13 Forgy C L.Rete:a fast algorithm for the many pattern/many object pattern match problem.Arti ficial Intelligence,1982,19(1):17?37

14 Hong Y G,Kim H J,Park H D,Kim D H.Adaptive GTS allocation scheme to support QoS and multiple devices in 802.15.4.In:Proceedings of the 11th International Conference on Advanced Communication Technology.Phoenix Park,Ireland:IEEE,2009.1697?1702

15 Xu Jiu-Qiang,Lu Suo,Liu Da-Peng,Kong Qiu-Shi.Research on RFID composite events detection based on improved rete algorithm.Journal of Northeastern University(Natural Science),2012,33(6):806?809,814(徐久強,盧鎖,劉大鵬,孔求實.基于改進Rete算法的RFID復合事件檢測方法.東北大學學報(自然科學版),2012,33(6):806?809,814)

16 Kawakami T,Yoshihisa T,Yanagisawa Y,Tsukamoto M.A rule processing scheme using the rete algorithm in grid topology networks.In:Proceedings of the 29th International Conference on Advanced Information Networking and Applications(AINA).Gwangju,Korea:IEEE,2015.674?679

17 Kawakami T,Yoshihisa T,Tsukamoto M.A control method of ubiquitous computers using the RETE algorithm in grid topology network.In:Proceedings of the 3rd Global Conference on Consumer Electronics(GCCE).Tokyo,Japan:IEEE,2014.551?552

18 Kawakami T,Yoshihisa T,Fujita N,Tsukamoto M.A rulebased home energy management system using the RETE algorithm.In:Proceedings of the 2nd Global Conference on Consumer Electronics(GCCE).Tokyo,Japan:IEEE,2013.162?163

19 Kawakami T,Fujita N,Yoshihisa T,Tsukamoto M.An evaluation and implementation of rule-based home energy management system using the RETE algorithm.The Scienti fic World Journal,2014,2014:Article No.591478

20 Pallavi M S,Vaisakh P,Reshna N P.Implementation of rete algorithm using course finder system.In:Proceedings of the 2016 International Conference on Data Mining and Advanced Computing(SAPIENCE).Ernakulam,India:IEEE,2016.96?100

21 Wu X D.LFA:a linear forward-chaining algorithm for AI production systems.Expert Systems,1993,10(4):237?242

22 Feng Jian-Zhou,Song Sha-Sha,Kong Ling-Fu.Research on semantic association and decision method of the internet of things.Acta Automatica Sinica,2016,42(11):1691?1701(馮建周,宋沙沙,孔令富.物聯網語義關聯和決策方法的研究.自動化學報,2016,42(11):1691?1701)

23 Zhu Xiu-Li,Li Long,Li Pan-Chi.Forecasting methods of oil field development indexes based on T-S reasoning networks.Application Research of Computers,2011,28(8):2991?2993(朱秀莉,李龍,李盼池.基于T-S推理網絡的油田開發指標預測方法.計算機應用研究,2011,28(8):2991?2993)