OpenCTI平台中容器实体批量删除功能的技术分析与优化方案
2025-05-30 00:05:20作者:薛曦旖Francesca
问题背景
在OpenCTI平台的使用过程中,用户发现当尝试从容器中删除超过10个实体时,操作会出现异常。具体表现为:在包含100个指标的报告页面中,使用"按类型选择"功能全选指标后执行删除操作,系统仅能删除少量实体随后便发生超时错误。这一现象严重影响了用户对大规模数据的管理效率。
技术根源分析
经过深入排查,发现问题源于系统对GraphQL操作的并发处理机制。在早期的实现中,删除操作采用了看似顺序执行的模式:
R.forEach((n) => {
fetchQuery(...).toPromise().then(async (data) => {
commitMutation({...});
})
}, selectedNodes);
而重构后的版本改为并行处理方式:
[...selectedNodes, ...selectedLinks].forEach(({ id }) =>
fetchQuery(...).toPromise().then((data) => {...})
);
虽然原始实现使用了函数式编程库Ramda的forEach方法,但实际上JavaScript的异步特性使得这些操作仍然是并行执行的。这种并发处理方式会导致两个关键问题:
- 数据库并发冲突:当大量删除请求同时到达数据库时,会产生锁竞争和资源争用
- API超时:服务器无法在合理时间内处理大量并发请求,导致前端超时
解决方案设计
核心改进方案
-
顺序执行机制:
- 使用
async/await实现真正的顺序删除 - 通过递归或reduce方法确保前一个删除操作完成后再开始下一个
- 使用
-
用户反馈增强:
- 实现进度条显示,让用户清晰了解操作进度
- 提供剩余时间和已处理项目数等详细信息
技术实现示例
async function sequentialDelete(entities) {
for (const [index, entity] of entities.entries()) {
try {
await fetchQuery(...).toPromise();
await commitMutation(...);
updateProgress(index + 1, entities.length);
} catch (error) {
handleError(entity, error);
}
}
}
系统架构考量
这一改进涉及OpenCTI平台的多个关键层面:
-
前端优化:
- 进度反馈组件的实现
- 操作取消功能的设计
- 错误恢复机制
-
后端增强:
- 批量操作API的性能优化
- 数据库事务管理
- 请求限流处理
-
用户体验:
- 长时间操作的友好提示
- 操作结果汇总展示
- 失败项目的重试机制
实施建议
对于需要处理类似批量操作的开发团队,建议:
- 对于超过10个项目的批量操作,默认采用顺序处理
- 实现可配置的并发控制参数
- 添加操作预估时间计算功能
- 考虑引入Web Worker处理特别耗时的批量操作
- 完善操作日志记录,便于问题追踪
通过以上改进,OpenCTI平台的批量删除功能将变得更加稳定可靠,能够有效支持用户对大规模安全情报数据的管理需求。这一优化方案不仅解决了当前的具体问题,也为平台未来的性能优化和用户体验提升奠定了基础。
登录后查看全文
热门项目推荐
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00
最新内容推荐
IEC61850建模工具及示例资源:智能电网自动化配置的完整指南 海康威视DS-7800N-K1固件升级包全面解析:提升安防设备性能的关键资源 2022美赛A题优秀论文深度解析:自行车功率分配建模的成功方法 SteamVR 1.2.3 Unity插件:兼容Unity 2019及更低版本的VR开发终极解决方案 PhysioNet医学研究数据库:临床数据分析与生物信号处理的权威资源指南 Photoshop作业资源文件下载指南:全面提升设计学习效率的必备素材库 海能达HP680CPS-V2.0.01.004chs写频软件:专业对讲机配置管理利器 咖啡豆识别数据集:AI目标检测在咖啡质量控制中的革命性应用 TJSONObject完整解析教程:Delphi开发者必备的JSON处理指南 Windows Server 2016 .NET Framework 3.5 SXS文件下载与安装完整指南
项目优选
收起
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
185
196
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
480
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
276
97
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
380
3.44 K
暂无简介
Dart
623
140
React Native鸿蒙化仓库
JavaScript
242
315
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
648
265
openGauss kernel ~ openGauss is an open source relational database management system
C++
157
210