4. 任务编排模型：DAG（有向无环图）任务模型

在IAM平台的异步任务编排核心引擎中，任务之间的依赖关系与执行顺序不能依赖简单的线性队列。DAG（Directed Acyclic Graph，有向无环图）是业界公认的标准任务编排模型，它能够精确描述任务间的依赖约束，同时保证拓扑排序后不存在循环等待或死锁。

4.1 DAG任务模型定义

DAG由一组节点（Vertex）和一组有向边（Directed Edge）组成，且图中不存在任何环路。在IAM任务编排场景中：

• 节点：代表一个可执行的原子任务单元，例如“同步LDAP用户”、“校验Token权限”、“更新角色缓存”。
• 有向边：代表任务间的依赖关系，方向从前置任务指向后置任务，表示后置任务必须等待前置任务完成后才能开始执行。

4.2 节点与边定义

在IAM引擎中，每个节点和边都携带丰富的元数据，用于权限校验、重试策略和状态追踪。下表列出了节点与边的核心属性：

4.3 任务依赖关系解析

引擎在接收到DAG定义后，会执行依赖关系解析，主要包含以下步骤：

1. 入度计算：遍历所有边，统计每个节点的入度（指向该节点的边数）。入度为0的节点即为起始节点。
2. 依赖校验：检查每个节点的前置任务是否都在DAG中定义，防止出现“悬空依赖”。
3. 权限聚合：从起始节点开始，沿边方向聚合路径上的权限要求，用于后续的权限校验。
4. 环路检测：在拓扑排序过程中，如果最终排序结果中的节点数少于DAG总节点数，则说明存在环路，引擎拒绝执行。

4.4 拓扑排序原理

拓扑排序（Topological Sorting）是DAG编排引擎的核心算法，它能够将DAG中的所有节点排列成一个线性序列，使得对于每一条有向边 (u → v)，节点 u 在序列中都出现在节点 v 之前。常用的实现算法是Kahn算法（基于入度）。

Kahn算法伪代码如下：

function topologicalSort(graph):
    // 1. 初始化入度表
    inDegree = {node: 0 for node in graph.nodes}
    for edge in graph.edges:
        inDegree[edge.to] += 1

    // 2. 将入度为0的节点加入队列
    queue = [node for node in graph.nodes if inDegree[node] == 0]
    result = []

    // 3. 循环处理队列
    while queue is not empty:
        node = queue.pop(0)
        result.append(node)
        for neighbor in graph.getOutNeighbors(node):
            inDegree[neighbor] -= 1
            if inDegree[neighbor] == 0:
                queue.append(neighbor)

    // 4. 检查是否所有节点都已排序
    if len(result) != len(graph.nodes):
        throw "Graph contains a cycle"
    return result

拓扑排序的时间复杂度为 O(V + E)，其中 V 为节点数，E 为边数。在IAM平台的典型场景中，单个DAG的节点数通常不超过200个，该算法可在毫秒级完成。

4.5 DAG任务编排示例

下面以一个IAM权限同步场景为例，展示DAG的结构与拓扑排序结果。该场景包含5个任务节点：

4.6 拓扑排序在IAM中的特殊处理

在IAM平台中，拓扑排序除了确定执行顺序外，还需要额外处理以下场景：

• 并行度控制：入度为0的节点可以并行执行，但引擎需要根据线程池大小和系统负载动态控制并行度，防止资源耗尽。
• 条件分支：某些边的condition属性可能为“仅当前置任务执行成功”或“仅当前置任务执行失败”，拓扑排序需要根据运行时状态动态调整后续节点的入度。
• 权限传播：如果父节点具有高权限，子节点可能继承部分权限。拓扑排序过程中需要维护一个“权限上下文栈”，确保下游节点能够访问上游的临时凭证。

4.7 本章小结