基于蟻群的工作流任務(wù)分配算法研究

崔 璐，毋 濤

(西安工程大學(xué) 計(jì)算機(jī)科學(xué)學(xué)院，陜西 西安 710600)

0 引 言

工作流就是業(yè)務(wù)流程的自動(dòng)化[1]，在此過(guò)程中，多個(gè)參與者之間按照一定的過(guò)程規(guī)則自動(dòng)進(jìn)行文檔、信息或任務(wù)傳遞，以實(shí)現(xiàn)預(yù)期的業(yè)務(wù)目標(biāo)，這也是過(guò)程、事件、資源的有機(jī)結(jié)合。隨著工作流技術(shù)的發(fā)展，工作流管理系統(tǒng)被應(yīng)用于各種領(lǐng)域，工作流管理系統(tǒng)的性能也成為人們關(guān)注的焦點(diǎn)。不同的任務(wù)分配策略對(duì)工作流管理系統(tǒng)的性能有很大的影響，因此需要制定良好的任務(wù)分配策略，選擇工作流引擎調(diào)度系統(tǒng)中合適的資源來(lái)操作任務(wù)。工作流系統(tǒng)中的資源，根據(jù)適用領(lǐng)域的區(qū)別，可分為設(shè)備資源、人力資源、應(yīng)用程序或者網(wǎng)絡(luò)資源等[2]，其中人力資源一般指擁有一定經(jīng)驗(yàn)或?qū)I(yè)知識(shí)的任務(wù)執(zhí)行者。實(shí)際中隨著業(yè)務(wù)流程規(guī)模的增大，往往存在多個(gè)流程實(shí)例同時(shí)到達(dá)的情景，當(dāng)工作流系統(tǒng)頻繁地把任務(wù)分配給能力值或經(jīng)驗(yàn)值高的執(zhí)行者，此類執(zhí)行者任務(wù)列表中待處理任務(wù)會(huì)不斷增多，負(fù)載過(guò)重，反而不能及時(shí)處理完所分配的任務(wù)。且執(zhí)行時(shí)間相近但重要性不同的任務(wù)，對(duì)執(zhí)行者的負(fù)載影響也不同。當(dāng)任務(wù)列表中有多個(gè)重要任務(wù)時(shí)，執(zhí)行者通常會(huì)優(yōu)先執(zhí)行重要任務(wù)而無(wú)暇顧及不太重要的任務(wù)。這些都是業(yè)務(wù)流程執(zhí)行中的重要影響因素，當(dāng)工作流整體負(fù)載不均衡時(shí)，會(huì)導(dǎo)致工作流系統(tǒng)響應(yīng)時(shí)間過(guò)長(zhǎng)、資源利用率不高、工作流環(huán)境穩(wěn)定性遭到破壞等問(wèn)題。

文獻(xiàn)[3]提出了一種新的以優(yōu)化執(zhí)行時(shí)間和處理成本為目標(biāo)的工作流調(diào)度算法，旨在隱式評(píng)估適合VM執(zhí)行的實(shí)例范圍，以避免會(huì)導(dǎo)致截止時(shí)間違規(guī)的過(guò)高投入。文獻(xiàn)[4]利用三角模糊數(shù)將執(zhí)行者的專業(yè)技能、成員協(xié)作度、任務(wù)完成質(zhì)量這類定義模糊的影響因素進(jìn)行量化處理，再對(duì)各個(gè)影響因素分配合適的權(quán)重因子，最后選取綜合分?jǐn)?shù)高的候選者分配任務(wù)。但這些研究都沒(méi)有考慮在工作流的實(shí)際應(yīng)用中，當(dāng)實(shí)例密集到達(dá)時(shí)執(zhí)行者負(fù)載對(duì)流程的影響。文獻(xiàn)[5]給出結(jié)合協(xié)作相容與負(fù)載均衡的多目標(biāo)聯(lián)合優(yōu)化任務(wù)分配算法，提高流程執(zhí)行效率，卻缺少任務(wù)重要性對(duì)任務(wù)負(fù)載的影響分析。文獻(xiàn)[6]從任務(wù)和用戶的屬性出發(fā)，提出一種兼顧用戶經(jīng)驗(yàn)值和任務(wù)負(fù)載的任務(wù)分配算法，并針對(duì)任務(wù)的重要程度給任務(wù)負(fù)載加影響因子，但是執(zhí)行者根據(jù)主觀定義任務(wù)的重要程度，不能客觀反映任務(wù)重要性差異與流程執(zhí)行時(shí)間長(zhǎng)短的關(guān)系。文獻(xiàn)[7]針對(duì)網(wǎng)格環(huán)境下工作流調(diào)度問(wèn)題，提出了一種基于遺傳算法和蟻群算法相結(jié)合的混合機(jī)制，優(yōu)化模型的最大完成時(shí)間和成本。將蟻群這種自適應(yīng)算法應(yīng)用于工作流調(diào)度中，提升流程的實(shí)用性與效率。綜上所述，為了提高流程的性能，該文提出基于蟻群算法的兼顧關(guān)鍵任務(wù)和工作負(fù)載的任務(wù)分配算法，不僅考慮了執(zhí)行者的當(dāng)前工作負(fù)載，還考慮了關(guān)鍵任務(wù)重要性對(duì)工作負(fù)載的影響。

1 任務(wù)分配策略與模型

1.1 主要思想

任務(wù)分配的目標(biāo)，是根據(jù)執(zhí)行者們的預(yù)測(cè)負(fù)載所在分區(qū)和任務(wù)列表中待執(zhí)行的關(guān)鍵任務(wù)數(shù)量，來(lái)選擇負(fù)載相對(duì)較小的執(zhí)行者執(zhí)行任務(wù)，以平衡實(shí)例密集時(shí)執(zhí)行者的負(fù)載壓力，同時(shí)讓關(guān)鍵任務(wù)減少等待時(shí)間，盡可能并行。該文先通過(guò)執(zhí)行者的負(fù)載狀況，將執(zhí)行者動(dòng)態(tài)分成輕、中、重三個(gè)負(fù)載分區(qū)，然后將輕負(fù)載分區(qū)中的執(zhí)行者作為候選集合，然后從集合中選擇待執(zhí)行關(guān)鍵任務(wù)最少的執(zhí)行者，對(duì)其進(jìn)行任務(wù)分配。

1.2 關(guān)鍵任務(wù)的量化

1.2.1 關(guān)鍵任務(wù)確定

工作流的應(yīng)用中，企業(yè)通常關(guān)心的是：(1)在實(shí)現(xiàn)業(yè)務(wù)預(yù)期目標(biāo)的前提下，完成整個(gè)工作流最少需要多少時(shí)間？(2)哪些任務(wù)是影響工作流進(jìn)度的關(guān)鍵？

可以采用帶權(quán)值的有向無(wú)環(huán)圖DAG來(lái)表示工作流[8]，由于流程中存在并行路徑，所以完成流程的最短時(shí)間是從開始點(diǎn)到完成點(diǎn)的持續(xù)時(shí)間最長(zhǎng)路徑的長(zhǎng)度。有向無(wú)環(huán)圖中，路徑長(zhǎng)度最長(zhǎng)的路徑叫做關(guān)鍵路徑[9]。關(guān)鍵路徑上的活動(dòng)叫做關(guān)鍵活動(dòng)，因此可以依據(jù)有向無(wú)環(huán)圖的關(guān)鍵活動(dòng)，得到工作流中影響流程進(jìn)度的關(guān)鍵任務(wù)。

以圖1所示的簡(jiǎn)單的領(lǐng)料流程為例，求取關(guān)鍵任務(wù)。

圖1 簡(jiǎn)單的領(lǐng)料流程

圖2 圖1流程圖對(duì)應(yīng)的有向無(wú)環(huán)圖

這樣就把問(wèn)題轉(zhuǎn)換為求圖2所示帶權(quán)值的有向無(wú)環(huán)圖G的關(guān)鍵路徑CP(critical path)。當(dāng)關(guān)鍵任務(wù)執(zhí)行時(shí)間延長(zhǎng)或縮短時(shí)，關(guān)鍵路徑的執(zhí)行時(shí)間即流程的總執(zhí)行時(shí)間也相應(yīng)延長(zhǎng)或縮短，所以關(guān)鍵任務(wù)的分配方式與執(zhí)行效率對(duì)提高流程效率起到了重要作用。在計(jì)算關(guān)鍵路徑時(shí)，可以參考流程日志中的歷史流程數(shù)據(jù)獲得每個(gè)任務(wù)的平均執(zhí)行時(shí)間作為標(biāo)準(zhǔn)。

1.2.2 關(guān)鍵任務(wù)量化

(1)

其中，MAX(Ecp(ui))是當(dāng)前執(zhí)行者中關(guān)鍵任務(wù)量最大值，MIN(Ecp(ui))是當(dāng)前執(zhí)行者中關(guān)鍵任務(wù)量最小值。Ecp(ui)值越大，執(zhí)行者ui的相對(duì)關(guān)鍵任務(wù)量越大，在執(zhí)行者負(fù)載相近時(shí)，獲得任務(wù)的概率越小。

1.3 負(fù)載量化

任務(wù)執(zhí)行者的當(dāng)前工作負(fù)載是完成自己工作列表中所有任務(wù)所需要的時(shí)間。分配任務(wù)時(shí)該文假設(shè)同一任務(wù)的可選執(zhí)行者執(zhí)行本任務(wù)的能力相似，即執(zhí)行同樣任務(wù)，不同執(zhí)行者的時(shí)間相同。則可以定義執(zhí)行者ui的當(dāng)前工作負(fù)載為Wcur(ui)：

(2)

其中，TAk是任務(wù)執(zhí)行者ui的當(dāng)前任務(wù)列表集合，列表中每個(gè)任務(wù)Tk的數(shù)量為nk，完成時(shí)間為ωk。設(shè)執(zhí)行者ui的當(dāng)前工作負(fù)載為Wcur(ui)，若現(xiàn)將任務(wù)Tk分配給ui，則ui的預(yù)測(cè)負(fù)載Wpred(ui)為：

Wpred(ui)=Wcur(ui)+ωk

(3)

(4)

據(jù)此，設(shè)共有n個(gè)執(zhí)行者，完成工作流中所有任務(wù)的總負(fù)載Wtotal為：

(5)

(6)

依據(jù)該文的主要思想，結(jié)合關(guān)鍵任務(wù)與負(fù)載的分配模型為：

(7)

即流程中任務(wù)分配的執(zhí)行者相對(duì)關(guān)鍵任務(wù)量與總負(fù)載都盡可能少。

2 基于蟻群算法的任務(wù)分配策略

蟻群算法(ant colony system)是一種用來(lái)尋找優(yōu)化路徑的概率型算法,由Marco Dorigo于1992年在他的博士論文中提出[10]。算法模擬螞蟻的覓食行為，在螞蟻尋找食物的過(guò)程中不斷釋放被稱為信息素的物質(zhì)，螞蟻的棲息地到食物源的路徑越短，該路徑上通過(guò)的螞蟻的數(shù)量就越多，信息素就越強(qiáng)，從而指引螞蟻的行為[11]。即蟻群之間通過(guò)信息素的濃度變化進(jìn)行信息交流和相互協(xié)作，濃度越高的路徑選擇的概率越大[12]?；诖嗽撐奶岢鲆环N基于ACO的任務(wù)分配策略，除此之外還使用關(guān)鍵路徑算法從歷史流程數(shù)據(jù)中確定關(guān)鍵任務(wù)節(jié)點(diǎn)集合，在此基礎(chǔ)上考慮負(fù)載均衡通過(guò)聯(lián)合優(yōu)化策略給出初始解并計(jì)算流程總負(fù)載。

2.1 基于關(guān)鍵路徑的流程關(guān)鍵任務(wù)確定

將工作流進(jìn)行形式化描述后得到帶全權(quán)值的有向無(wú)環(huán)圖G，先通過(guò)拓?fù)渑判虻玫搅鞒倘蝿?wù)的拓?fù)湫蛄衪opoSort[]，基于此與歷史流程數(shù)據(jù)確定流程的關(guān)鍵路徑，從而得到流程關(guān)鍵任務(wù)集合CT。

2.2 聯(lián)合優(yōu)化策略

目標(biāo)是在保持執(zhí)行者負(fù)載相對(duì)平衡的基礎(chǔ)上，選擇相對(duì)關(guān)鍵任務(wù)量較小的執(zhí)行者，以減少關(guān)鍵任務(wù)堆積對(duì)執(zhí)行者與流程的影響。

CTLB算法的執(zhí)行流程為：

(3)循環(huán)(1)和(2)直至所有流程中所有任務(wù)分配完成。

2.3 ACO-CT算法

根據(jù)蟻群算法的基本原理，可以了解到算法主要依靠啟發(fā)式信息構(gòu)建和信息素濃度更新來(lái)求取可行解。本節(jié)主要分為三部分，包括算法初始化、狀態(tài)轉(zhuǎn)移規(guī)則和信息素更新規(guī)則[13]。

2.3.1 算法初始化

利用ACO-CT算法進(jìn)行任務(wù)分配的目的是尋找Timemin時(shí)的解。解的形式是一個(gè)執(zhí)行者編號(hào)組成的數(shù)組，每個(gè)執(zhí)行者對(duì)應(yīng)流程中一個(gè)事件的分配結(jié)果，且這個(gè)結(jié)果在考慮了關(guān)鍵任務(wù)影響與負(fù)載均衡的同時(shí)保證流程執(zhí)行時(shí)間盡可能短。

初始化時(shí)，數(shù)組各元素為0，調(diào)用CTLB得到TAS為一組初始解，計(jì)算得到WL_Total。若經(jīng)過(guò)一次迭代后，得到的總負(fù)載優(yōu)于WL_Total，則更新總負(fù)載與執(zhí)行序列解。任務(wù)Tk與執(zhí)行者ui之間的信息素矩陣τ初始化為：

(8)

其中，n為工作流中執(zhí)行者的數(shù)量。并采用自適應(yīng)蟻群算法MMAS對(duì)基本蟻群算法的改進(jìn)，將τ(k,i)限定在[τmin,τmax]之間，以避免算法陷入局部最優(yōu)。

2.3.2 狀態(tài)轉(zhuǎn)移規(guī)則

算法采用概率選擇的方法構(gòu)建可行解，將起始任務(wù)的執(zhí)行者隨機(jī)分配給不同的螞蟻，完成該任務(wù)后，螞蟻按照狀態(tài)轉(zhuǎn)移概率對(duì)下一個(gè)任務(wù)選擇合適的執(zhí)行者，不斷重復(fù)這個(gè)過(guò)程直至執(zhí)行完所有任務(wù)。狀態(tài)轉(zhuǎn)移概率主要由信息素濃度和啟發(fā)式信息確定[14]，而本算法啟發(fā)式信息的構(gòu)建目標(biāo)是引導(dǎo)螞蟻往列表中關(guān)鍵任務(wù)較少的執(zhí)行者移動(dòng)，即相對(duì)關(guān)鍵任務(wù)量越少，執(zhí)行者被選擇的概率越大。啟發(fā)式信息構(gòu)建如下：

(9)

則算法的狀態(tài)轉(zhuǎn)移規(guī)則為：

(10)

表示螞蟻從可選執(zhí)行者列表UAk中選擇執(zhí)行者ui的概率。其中α是信息啟發(fā)式因子，β是期望啟發(fā)式因子，利用因子控制信息素和啟發(fā)式信息的相對(duì)影響程度。

2.3.3 信息素更新規(guī)則

對(duì)于信息素更新規(guī)則，選擇改進(jìn)后的全局更新規(guī)則，即不再對(duì)所有螞蟻進(jìn)行更新，而是對(duì)每次迭代中最優(yōu)的螞蟻進(jìn)行更新[15]。當(dāng)一次迭代中每個(gè)螞蟻都完成工作流的任務(wù)分配，并得到一個(gè)執(zhí)行者序列與流程總負(fù)載，選擇最優(yōu)的流程總負(fù)載與初始解的流程總負(fù)載比較，對(duì)較優(yōu)的那個(gè)信息素進(jìn)行更新，更新規(guī)則如下：

(11)

其中，ρ是信息揮發(fā)因子，則1-ρ是殘留因子，WL_Totalgb是全局最優(yōu)螞蟻的工作流總負(fù)載，TASgb是最優(yōu)螞蟻的任務(wù)分配的執(zhí)行者序列。

2.3.4 ACO-CT算法執(zhí)行流程

基于以上三部分，ACO-CT的算法執(zhí)行流程可概述為:

(1)流程初始化，先建立關(guān)鍵路徑模型，得到流程的關(guān)鍵任務(wù)合集，并在此過(guò)程中得到每個(gè)任務(wù)的前驅(qū)、后繼任務(wù)集合。

(2)在步驟(1)的基礎(chǔ)上，通過(guò)CTLB聯(lián)合優(yōu)化算法得到一組初始解暫時(shí)作為最優(yōu)解TASgb，并計(jì)算初始解的流程總負(fù)載暫時(shí)作為最優(yōu)解WL_Totalgb。

(3)初始化任務(wù)與執(zhí)行者的信息素矩陣、算法迭代次數(shù)、蟻群規(guī)模、信息揮發(fā)因子、信息啟發(fā)式因子和期望啟發(fā)式因子。

(4)在一次迭代中，每只螞蟻根據(jù)公式(10)的狀態(tài)轉(zhuǎn)移概率選擇任務(wù)的執(zhí)行者，將執(zhí)行者序列保存下來(lái)，計(jì)算每個(gè)螞蟻的流程總負(fù)載，并與WL_Totalgb的值相比較，大于則舍去，小于則更新WL_Totalgb，并將該解的執(zhí)行者序列賦值給TASgb，成為新的最優(yōu)解。直到一次迭代完成。

(5)對(duì)TASgb使用公式(11)更新信息素。

(6)重復(fù)步驟(4)和(5)，直至迭代全部完成。

ACO-CT算法偽代碼如下：

輸入：Tesk set:T={{Tk}}; Executor set:U={ui};

輸出：Ant path with optimal execution sequence TASgb

(1)Initialization ant number :Ants; Number of iterations:Max_Itera,

(2)Parameters:Rho,Alpha,Beta

(3)Workflow mode and Critical task set {CT}:according to Get_TopoSort and Get_CTasks

(4)Use CTLB algorithm to generate a set of initial solutions as theTASgb,and calculate the total workload WL_Totalgbaccording to CAL_WLT

(5)FOR eachpher(k,i)=pInitaccording to formula (8)

(6)ENDFOR

(7)FOR m=1 TO Max_Itera DO

(8)FOR t=1 TO Ants DO

(9)FOR eachTk∈TDO

(10)TASt(k)=0; /*Assignment of ant t to taskTk

(11)ENDFOR

(12)FOR eachTk∈TDO

(13)IFTkis the first task in workflow

(14)Randomly chooseui∈UAkas the executor for ant t

(15)TASt(k)=ui

(16)ELSE choose an executorui∈UAkaccording to formula (10)

(17)TASt(k)=ui

(18)ENDIF

(19)ENDFOR

(20)ENDFOR

(21)FOR t=1 TO Ants DO

(22)CalculateWL_Totaltaccording to algorithm CAL_WLT

(23)IF(WL_Totalt

(24)Update the optimal ant to t

(25)TASgb←TASt

(26)WL_Totalgb←WL_Totalt

(27)ENDIF

(28)ENDFOR

(29)FOR eachTk∈TDO

(30)Update pheromone matrixpher(k,i)using the TASgbaccording to formula(11)

(31)ENDFOR

(32)ENDFOR

3 仿真實(shí)驗(yàn)

本節(jié)通過(guò)仿真實(shí)驗(yàn)檢驗(yàn)ACO-CT算法解決任務(wù)分配問(wèn)題的可行性。實(shí)驗(yàn)從3方面評(píng)估算法的性能：(1)不同實(shí)例規(guī)模下3種任務(wù)分配算法的完成時(shí)間；(2)3種任務(wù)分配算法下任務(wù)執(zhí)行者的負(fù)載均衡情況；(3)ACO-CT算法的收斂性。仿真采用圖1簡(jiǎn)單領(lǐng)料流程的工作流模型。根據(jù)歷史流程數(shù)據(jù)得到各個(gè)任務(wù)的處理時(shí)間，如圖3所示。

圖3 領(lǐng)料流程各任務(wù)時(shí)間

歷史流程數(shù)據(jù)通過(guò)算法可以得出此流程的關(guān)鍵任務(wù)集CT={T1,T2,T4,T6,T7,T8,T9,T10,T11}，實(shí)驗(yàn)中，設(shè)置負(fù)載區(qū)間閾值εL、εM分別為0.34和0.67。在工作流實(shí)例不同到達(dá)概率的情況下，分別用ACO-CT、HEFT、Round_Robin算法進(jìn)行仿真實(shí)驗(yàn)。對(duì)每一個(gè)實(shí)例到達(dá)率，對(duì)每種算法進(jìn)行50次仿真，并用同樣的實(shí)例在不同算法上仿真，實(shí)驗(yàn)結(jié)果采用50次仿真的平均值進(jìn)行分析。

結(jié)合領(lǐng)料的實(shí)例，平均完成時(shí)間比較如圖4所示。

圖4 不同實(shí)例規(guī)模下的工作流完成時(shí)間

從圖4可以看出，ACO-CT算法在實(shí)例規(guī)模不斷增加的情況下結(jié)果都比較好，尤其在實(shí)例規(guī)模較大時(shí)表現(xiàn)更好，這是因?yàn)锳CO-CT兼顧負(fù)載均衡與關(guān)鍵任務(wù)量，一定程度上縮短了關(guān)鍵任務(wù)過(guò)多時(shí)對(duì)執(zhí)行者的影響。HEFT僅僅考慮了期望任務(wù)負(fù)載，忽略了多實(shí)例同時(shí)到達(dá)時(shí)負(fù)載不均的影響，但在實(shí)際的工作中，一般工作流系統(tǒng)應(yīng)用于企業(yè)時(shí)實(shí)例規(guī)模都會(huì)較大，所以ACO-CT考慮更加全面。

現(xiàn)分析3種任務(wù)分配算法下任務(wù)執(zhí)行者的負(fù)載情況。實(shí)驗(yàn)采用流程實(shí)例規(guī)模為8時(shí)，各個(gè)執(zhí)行者的任務(wù)負(fù)載情況。

圖5 實(shí)例規(guī)模為8時(shí)各個(gè)執(zhí)行者任務(wù)負(fù)載

從圖5可以看出，執(zhí)行者在多流程實(shí)例且每個(gè)執(zhí)行者都可以執(zhí)行多個(gè)任務(wù)的情況下，Round_Robin算法執(zhí)行者任務(wù)負(fù)載差距較為明顯，而ACO-CT與HEFT算法可以使執(zhí)行者負(fù)載相對(duì)平衡。HEFT算法的思路很簡(jiǎn)單,就是將所有任務(wù)都分配能夠使它最早完成的執(zhí)行者，也可以一定程度上讓負(fù)載相對(duì)均衡，然而ACO-CT算法因?yàn)樘崆皩?duì)可選執(zhí)行者進(jìn)行負(fù)載分區(qū)，并在一定分區(qū)內(nèi)繼續(xù)考慮關(guān)鍵任務(wù)量的影響，所以不僅考慮到了執(zhí)行者之間的負(fù)載均衡，還減少了整體完成時(shí)間。

由于ACO-CT算法是一個(gè)啟發(fā)式算法，所以對(duì)算法的收斂性進(jìn)行檢驗(yàn)。圖6是在實(shí)例規(guī)模為10時(shí)的最優(yōu)序列完成時(shí)間。隨著迭代次數(shù)的增加，ACO-CT算法的最優(yōu)序列的完成時(shí)間逐漸減小，且本算法引入了MMAS的思想進(jìn)行改進(jìn)，避免了過(guò)早收斂的現(xiàn)象。

圖6 ACO-CT算法收斂性

從圖6可以看出，在迭代160次左右時(shí)，算法就收斂了，就收斂速度來(lái)看，不存在過(guò)早收斂的現(xiàn)象。

4 結(jié)束語(yǔ)

該文研究了基于蟻群的工作流負(fù)載平衡任務(wù)分配算法，通過(guò)對(duì)工作流中執(zhí)行者關(guān)鍵任務(wù)量對(duì)流程性能的影響以及執(zhí)行者之間負(fù)載均衡進(jìn)行建模，采用蟻群算法實(shí)現(xiàn)模型，并通過(guò)實(shí)驗(yàn)驗(yàn)證了算法的有效性。然而，文中的關(guān)鍵任務(wù)的確認(rèn)是基于歷史流程數(shù)據(jù)的，忽略了實(shí)際運(yùn)行過(guò)程中任務(wù)執(zhí)行時(shí)間的動(dòng)態(tài)變化，下一步將考慮動(dòng)態(tài)關(guān)鍵路徑的研究；此外，對(duì)于帶環(huán)的工作流，需要進(jìn)一步處理，例如等效替換等，將帶環(huán)的工作流抽象成一個(gè)任務(wù)，具體方案還需進(jìn)一步研究。