什么是推/拉数据流模型的优缺点？

Question

我一直在开发一个内部DSP应用程序（用于Groovy / Jython / JRuby的Java w / hooks，通过OSGi的插件，大量的JNI），数据流/图表样式，类似于纯数据和simulink 。我目前的设计是推模型。用户与某个源组件交互，导致它将数据推送到下一个组件，依此类推，直到结束块（通常是显示器或文件写入器）。这种设计存在一些独特的挑战，特别是当组件需要输入时。没有简单的方法来请求更多输入。我已经通过反馈控制流来缓解了一些这种情况，例如，FFT块可以广播它需要更多数据来源它的链块。我已经考虑过将组件的支持添加为推/拉/两者。

我正在寻找关于push vs pull vs both / hybrid的优点的回应。你之前做过这个吗？什么是“陷阱”？你是怎么处理的？这个问题有更好的解决方案吗？

Answer 1

在大型产品中采用“主要拉动”方法的一些经验：

模型：节点构建1：N树，即每个组件（根除外）有1个父节点和1..N个子节点。数据几乎完全从父母流向儿童。更改通知可以来自树中的任何节点。

实施：通过发送节点的id和“生成”计数器通知所有叶子。 Leafs知道他们依赖哪个节点路径，因此他们知道他们是否需要更新。 （任何其他子节点更新算法也会这样做，事后看来可能更好）。

Leafs查询其父级以获取当前数据，以递归方式查询冒泡。包括生成计数器，因此起泡停止在始发节点处。

优点：

• 父节点不需要太多/任何有关其子节点的信息。任何人都可以使用数据 - 这允许通用方法在用于显示的数据之上实现一些（最初不是预期的）非UI功能
• 子节点可以聚合并延迟更新（避免重绘确保快速绘画）
• 非活动叶子确实不会导致任何数据流量

缺点：

• 随着完整数据的发布，增量更新非常昂贵。 实现实际上允许请求不同的数据包（和 生成计数器可以防止不必要的数据流量），但最初设计的数据包非常大。切片它们是事后的想法，但工作正常。
• 你需要一个真正良好的生成机制。最初实现的一个与初始更新（需要特殊处理 - 请参阅“增量更新”）和更新聚合
相冲突
• 对于 up 树的数据的需求被大大低估了。
只有当节点提供对当前数据的只读访问权限时，
• 发布才是便宜的。这可能需要额外的更新同步，但
• 有时您希望中间节点更新，即使所有叶子都处于非活动状态
• 一些叶子最终实现了轮询，一些基本节点最终依赖于它。难看。

---

一般而言：

当数据和处理层对UI一无所知时，Data-Pull“感觉”对我来说更具原生性。但是，它需要复杂的变更通知机制来避免“更新宇宙”。

Data-Push简化了增量更新，但前提是发件人非常了解接收者。

我没有使用其他型号的相似规模的经验，所以我无法真正提出建议。回想起来，我看到我主要使用拉力，这不是一件麻烦事。看到其他人的经历会很有趣。

Answer 2

我在一个纯拉图像处理库上工作。它更适合于批量式操作，我们不需要处理动态输入，因此它似乎运行良好。 Pull特别适用于大型数据集和线程：我们线性扩展至至少32个CPU（取决于所评估的图形，当然，heh）。

我们有一个GUI，允许叶子是动态数据源（例如，提供帧的摄像机），并通过丢弃和重建图形的相关部分来处理它们。在我们的情况下这很便宜，所以开销不是那么高。