4. 任务依赖与DAG：有向无环图原理、任务依赖关系建模、并行与串行策略

4.1 有向无环图（DAG）原理

在变更风险评估任务编排中，有向无环图（Directed Acyclic Graph, DAG）是描述任务执行顺序与依赖关系的核心数据结构。DAG 由一组顶点（Vertex）和有向边（Directed Edge）组成，且图中不存在任何环路（Cycle）。

• 顶点（Vertex）：代表一个具体的变更风险评估任务，例如“代码扫描”、“依赖分析”、“合规检查”。
• 有向边（Directed Edge）：表示任务之间的依赖关系，方向从前置任务指向后置任务。例如，边 A → B 表示任务 B 必须在任务 A 完成后才能开始。
• 无环（Acyclic）：图中不存在循环依赖，确保任务编排可以被拓扑排序并最终执行完成。

4.2 任务依赖关系建模

任务依赖关系建模是将业务逻辑转化为 DAG 边定义的过程。常见的依赖类型包括：

4.3 并行与串行策略

基于 DAG 的拓扑排序结果，编排引擎可以自动识别可并行执行的任务集合，从而最大化资源利用率。并行与串行策略的选择直接影响变更风险评估的总执行时间与系统稳定性。

4.3.1 串行执行

• 适用场景：强依赖链、资源独占型任务、需要严格顺序保证的审计场景。
• 优点：逻辑简单，易于排查故障，资源竞争风险低。
• 缺点：执行时间长，无法利用多核或分布式资源。

4.3.2 并行执行

• 适用场景：无依赖关系的独立任务、I/O 密集型任务、可水平拆分的批量检查。
• 优点：显著缩短整体执行时间，提升吞吐量。
• 缺点：需要处理资源竞争、数据一致性和错误传播问题。

4.4 混合策略与拓扑排序

在实际变更风险评估中，任务编排通常是串行链 + 并行组的混合模式。编排引擎通过拓扑排序算法（如 Kahn 算法或 DFS 递归）确定任务的执行顺序：

# 伪代码：基于 Kahn 算法的拓扑排序与并行度识别
def topological_sort_with_parallelism(graph):
    in_degree = {node: 0 for node in graph}
    for node in graph:
        for neighbor in graph[node]:
            in_degree[neighbor] += 1

    queue = [node for node in graph if in_degree[node] == 0]
    result = []

    while queue:
        # 当前队列中的所有节点可以并行执行
        parallel_group = list(queue)
        result.append(parallel_group)

        for node in parallel_group:
            queue.remove(node)
            for neighbor in graph[node]:
                in_degree[neighbor] -= 1
                if in_degree[neighbor] == 0:
                    queue.append(neighbor)

    return result  # 返回按层级分组的并行任务列表

4.5 故障排查要点