离线调度服务是基于apache dolphinScheduler（ds）来做的。Scheduler服务是最初版本的调度服务，其本质上是一个任务提交服务，即： - scheduler服务存储了用户定义的定时任务元数据，这些元数据描述了任务的定时方式，以及任务启动的参数。 - scheduler服务没有定时能力，它向ds注册定时任务，让ds定时通过http接口向scheduler触发任务运行。 - scheduler服务统一各种类型的任务提交接口，用相同的方式支持包括jdbc类任务、flink batch、spark任务，并管理每个任务实例的全生命周期。 - scheduler本身不存储状态，因此可以很容易地横向扩展。同时支持任务恢复，可以在服务实例挂掉之后对正在运行的实例状态进行恢复。

在大规模时序数据流中实时识别完整事件趋势（CET）在金融服务、实时商业分析和供应链管理等应用中具有重要作用。在完整事件趋势识别过程中可能产生大量中间结果，这些中间结果为CET识别系统带来巨大空间开销，使得CET识别在实际应用中非常具有挑战性。目前国际上最新的方法设计了一种压缩图模型。在这种压缩图中，CET被表示为压缩图中一条路径。这种压缩图模型将不同CET的相同子序列通过图中共同路径进行共享存储。此方法消除了中间结果冗余存储，使得内存空间利用更加高效。然而，每当一个事件到来后，该方法必须遍历压缩图来将这个事件插入到图中。因此，该方法需要?(?2)的时间复杂度来完成?个事件的构图，致使该方法构图时延非常高，难以满足实际应用需求。为了解决这个问题，提出了一种新的基于属性的索引图(ABI Graph)模型。ABI图将事件和事件的属性值具现为图中的两类节点，并使用这两类节点之间的边来表示事件和属性值之间的关联关系，从而将关联事件匹配转化成事件和属性值的匹配。为了从高速事件流中构造ABI图，根据比较器的不同，将匹配模式中谓词进行分类。并根据谓词和每个到来事件的属性来动态生成属性节点，尽量降低属性节点规模以降低构图复杂度。根据ABI图中边的连续性特点，设计了一种范围边表达方式，通过两个范围指针来表达每个事件节点的所有出边，成功将每个事件的构图时间开销和空间开销降低到了?(???(?))和?(1)，其中?是ABI图中属性节点个数。同时，基于ABI图中事件构图独立的特点，在动态构图基础上解决属性节点同步问题，设计了一种并行方法来进一步加速构图过程。构图完成后，针对基于BFS的遍历算法高内存开销低时间开销和基于DFS的遍历算法高时间开销低内存开销特点，设计了一种基于锚节点的并行遍历算法，结合两种基本算法的优势，高效从ABI图中提取所有CET。同时，基于流行分布式计算引擎设计了一种分布式CET提取算法，克服了单机系统物理资源限制问题。最后，通过详细的实验，比较了本方法和最新方法的性能。实验表明，本方法在时间开销上相比最新方法能够达到3个数量级的提升。

计算平台sonic面向全公司的业务线，提供通过sql、jar包的方式向flink、spark等计算引擎提交任务，并管理任务全生命周期