📚 课程目录第1章 CEP基础概念

1. CEP 基础概念：事件、事件流、事件模式、复杂事件处理定义

各位同学好，我是这门课的主讲。今天咱们聊聊 CEP 最基础的东西——事件、事件流、事件模式，以及到底什么是复杂事件处理。

说实话，我刚开始接触推荐系统时，觉得“事件”不就是用户点了个按钮嘛，有啥好讲的？后来在美团做实时推荐，每天处理几十亿条用户行为日志，才发现——事件的定义，直接决定了你能从数据里挖出什么价值。

事件，说白了就是“在某个时间点，发生了某件事”。它有三个核心要素：

举个例子，用户小明在 2024-01-15 10:30:00 点击了商品 A，这就是一个事件：

{
  "event_type": "click",
  "user_id": "xiaoming",
  "item_id": "A",
  "timestamp": 1705293000000,
  "page": "homepage"
}

我在项目中见过不少团队，把事件字段定义得特别随意。比如“page”字段有时写“home”，有时写“首页”，有时写“1”。这种不一致，到了 CEP 阶段就是灾难。所以我建议，事件结构一定要在项目初期就定好规范。

我的经验：事件定义时，尽量把“时间戳”统一成毫秒级 Unix 时间戳，别用字符串。字符串解析在流式处理中会吃掉大量性能。

单个事件没什么意思。真正有价值的是事件流——事件按照时间顺序，源源不断地到达。

你可以把事件流想象成一条河。河水（事件）不停地流，你站在岸边（处理系统），观察河面上漂过的每一片叶子（事件）。

事件流有几个关键特征：

我记得在滴滴做推荐时，遇到过一个问题：用户先点击了“快车”按钮，然后过了 3 秒又点击了“拼车”。按理说应该推荐拼车相关的商品，但事件流里两条记录的时间戳只差了 1 毫秒——因为客户端批量上报了。这就是典型的乱序问题。

事件模式，就是你感兴趣的事件序列模板。它描述了“什么样的事件组合，在什么样的时间关系下，构成了一个有意义的故事”。

举个推荐场景的例子：

你想找出“对商品感兴趣但犹豫不决的用户”，这个模式可能是：

用 CEP 的术语，这就是一个事件模式。模式里通常包含：

  核心观点：事件模式就是你对用户行为的“假设”。你假设某种行为序列意味着“感兴趣”，然后让 CEP 引擎去实时验证这个假设。

好了，前面三个概念都铺垫完了。现在说说 CEP 到底是什么。

复杂事件处理（Complex Event Processing, CEP），是一种从简单事件流中，实时检测出有意义的复杂事件模式的技术。

说白了，就是：

CEP 和普通的流处理（比如 Flink 的简单过滤）有什么区别？我画了张图：

CEP 和普通流处理最大的区别在于：CEP 关注的是事件之间的关系，而不是单个事件本身。普通流处理看到的是“小明点击了商品 A”，CEP 看到的是“小明先搜索了运动鞋，然后浏览了 3 款，最后点击了商品 A——这是一个典型的‘比价行为’模式”。

避坑提醒：我曾经犯过一个错误——把 CEP 当成万能工具，什么逻辑都往模式里塞。结果模式越来越复杂，性能越来越差。后来我总结了一条原则：CEP 只做“跨事件的时序逻辑”，单事件的过滤和计算，交给上游的普通流处理去做。

你可能会问：推荐系统不是有协同过滤、深度学习模型吗？CEP 能干啥？

嗯，这个问题我当年也问过。后来在字节做推荐时，发现一个痛点：模型只能看到“当前状态”，看不到“用户是怎么走到这一步的”。

举个例子：

两个用户都下单了，但行为路径完全不同。模型只看“当前特征”，很难区分这两种场景。而 CEP 可以实时检测出“用户 A 是主动搜索型，用户 B 是被动推荐型”，然后给不同的推荐策略。

CEP 在推荐系统中的典型应用场景：

一个小建议：刚开始用 CEP 时，别想着一步到位。先挑 1~2 个最核心的模式跑通，比如“加购未支付”这种高价值模式。等团队熟悉了 CEP 的思维方式，再逐步扩展。

好了，这一章的内容就到这里。CEP 的基础概念其实不复杂，但它是后面所有内容的地基。事件、事件流、事件模式、复杂事件处理——这四个概念，你可以在后面的每一章里看到它们的身影。