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 16:21:29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
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。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
最新内容推荐
电脑PC网易云音乐免安装皮肤插件使用指南:个性化音乐播放体验 开源电子设计自动化利器:KiCad EDA全方位使用指南 Jetson TX2开发板官方资源完全指南:从入门到精通 昆仑通态MCGS与台达VFD-M变频器通讯程序详解:工业自动化控制完美解决方案 基恩士LJ-X8000A开发版SDK样本程序全面指南 - 工业激光轮廓仪开发利器 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 QT连接阿里云MySQL数据库完整指南:从环境配置到问题解决 Python案例资源下载 - 从入门到精通的完整项目代码合集 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 TJSONObject完整解析教程:Delphi开发者必备的JSON处理指南
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
223
246
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
暂无简介
Dart
672
157
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++
662
313
React Native鸿蒙化仓库
JavaScript
262
323
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
仓颉编译器源码及 cjdb 调试工具。
C++
135
867
仓颉编程语言测试用例。
Cangjie
37
860
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
218