import random
import time

import numpy as np
from coapthon import defines


class SupervisorError(Exception):
    def __init__(self, *args: object) -> None:
        super().__init__(*args)


class NoRttError(SupervisorError):
    def __init__(self, *args: object) -> None:
        super().__init__(*args)


class SuperviseurLocalPlaceHolder():
    """Class de base pour le superviseur
    """

    N_MESURE = 0

    def __init__(self, client_CoAP) -> None:
        client_CoAP.superviseur = self
        self.client = client_CoAP
        self._RTTs = []
        self._taux_retransmition = 0
        self._RTO = defines.ACK_TIMEOUT

    def reset_rto(self):
        self._RTO = defines.ACK_TIMEOUT

    def envoie_message(self, message) -> None:
        self.envoie_token(message.token)

    def reception_message(self, message) -> None:
        self.reception_token(message.token)

    def envoie_token(self, token) -> None:
        pass

    def reception_token(self, tokken) -> None:
        pass

    def failed_request(self):
        pass

    @property
    def RTTs(self):
        return self._RTTs

    @property
    def taux_retransmission(self):
        return self._taux_retransmition

    @property
    def min_RTT(self):
        """Valeur minimum du RTT"""
        if len(self.RTTs):
            return min(self.RTTs)
        raise NoRttError

    @property
    def avg_RTT(self):
        """Moyenne du RTT."""
        if len(self.RTTs):
            return sum(self.RTTs)/len(self.RTTs)
        raise NoRttError

    @property
    def RTO(self):
        return self._RTO
        return random.uniform(self._RTO, (self._RTO * defines.ACK_RANDOM_FACTOR))


class SuperviseurLocal(SuperviseurLocalPlaceHolder):
    """
    Class implementant la supervision local de chaque client.
    """

    N_MESURE = 2

    def __init__(self, client_CoAP) -> None:
        super().__init__(client_CoAP)
        self._dict_envoie = {}
        self._n_envoie = 0
        self._n_token = 0
        self._n_echec = 0

    def envoie_token(self, token) -> None:
        """Enregistre l'envoie d'un token

        Args:
            token (int): Token à enregistrer
        """
        self._n_envoie += 1
        self._n_token += not(token in self._dict_envoie)
        self._dict_envoie[token] = time.time()
        self._taux_retransmition = 1 - self._n_token/self._n_envoie

    def reception_token(self, token) -> None:
        """Enregistre l'arrivée d'un token

        Args:
            token (int): Token à enregister
        """
        if token in self._dict_envoie:
            rtt = time.time() - self._dict_envoie[token]
            self._RTTs.append(time.time() - self._dict_envoie[token])
            # del self._dict_envoie[token]
            self.callback_new_rtt(rtt)
        else:
            pass  # raise ValueError("Tokken inconnue")

    def failed_request(self):
        self._n_echec += 1
        return super().failed_request()

    def callback_new_rtt(self, rtt):
        pass

    def reset(self):
        self._dict_envoie = {}
        self._n_envoie = 0
        self._n_token = 0
        self._n_echec = 0
        self._RTTs = []


class SuperviseurLocalFiltre(SuperviseurLocal):

    N_MESURE = 3

    def __init__(self, client_CoAP, rtt_init=0.01, alpha_l=0.01, alpha_s=0.1) -> None:
        super().__init__(client_CoAP)
        self.alpha_l = alpha_l
        self.alpha_s = alpha_s
        self._RTT_L = rtt_init
        self._RTT_S = rtt_init

    def callback_new_rtt(self, rtt):
        self._RTT_L = rtt*self.alpha_l + (1 - self.alpha_l) * self._RTT_L
        self._RTT_S = rtt*self.alpha_s + (1 - self.alpha_s) * self._RTT_S
        return super().callback_new_rtt(rtt)

    @property
    def RTT_L(self):
        return self._RTT_L

    @property
    def RTT_S(self):
        return self._RTT_S


class SuperviseurGlobal():
    nombre_mesure = 3

    def __init__(self, clients, superviseur_type, *superviseur_args) -> None:
        """Genère un superviseur global pour la liste de client donnée

        Args:
            clients (List(HelperClient)): Liste des clients à supervisé
            superviseur_type (Type): Type de superviseur à utilisé
        """
        self.clients = clients
        self.superviseurs = [superviseur_type(
            client, *superviseur_args) for client in clients]

        self._last_state = np.zeros((superviseur_type.N_MESURE, len(clients)))

    @property
    def state(self):

        vecteurs = []
        for n, superviseur in enumerate(self.superviseurs):
            if isinstance(superviseur, SuperviseurLocalFiltre):
                try:
                    vecteurs.append(np.array([[superviseur.taux_retransmission, superviseur.min_RTT /
                                    superviseur.avg_RTT, superviseur.RTT_S/superviseur.RTT_L]], dtype=np.float32))
                except NoRttError:
                    vecteurs.append(self._last_state[:, n].reshape((1, 3)))
        etat = np.concatenate(vecteurs, axis=0).T
        self._last_state = etat
        return etat

    def application_action(self, actions):
        for n, alpha in enumerate(actions):
            if alpha >= 0:
                g = 1 + alpha
            else:
                g = 1/(1-alpha)
            self.superviseurs[n]._RTO *= g
            self.superviseurs[n]._RTO = min([self.superviseurs[n]._RTO, 2])

    def reset(self):
        [superviseur.reset() for superviseur in self.superviseurs]

    def reset_rto(self):
        for superviseur in self.superviseurs:
            superviseur.reset_rto()

    @property
    def failed(self):
        return sum([superviseur._n_echec for superviseur in self.superviseurs])

    def qualite(self, n_request, beta_retransmission, beta_equite, beta_RTO):

        n_envoies = np.array([
            superviseur._n_envoie for superviseur in self.superviseurs])
        n_tokens = np.array(
            [superviseur._n_token for superviseur in self.superviseurs])
        RTOs = np.array([superviseur.RTO for superviseur in self.superviseurs])

        qualite = 0
        qualite += beta_retransmission * (sum(n_tokens)/sum(n_envoies))
        qualite += beta_equite * \
            (sum(n_envoies/n_tokens))**2 / \
            (len(n_envoies) * sum((n_envoies/n_tokens)**2))
        qualite += beta_RTO * (2-np.max(RTOs))

        if qualite == np.nan:
            return 0
        return qualite