每天近百亿条用户数据,携程大数据高并发应用架构涅槃
互联网二次革命的移动互联网时代,如何吸引用户、留住用户并深入挖掘用户价值,在激烈的竞争中脱颖而出,是各大电商的重要课题。通过各类大数据对用户进行研究,以数据驱动产品是解决这个课题的主要手段,携程的大数据团队也由此应运而生;经过几年的努力,大数据的相关技术为业务带来了惊人的提升与帮助。
以基础大数据的用户意图服务为例,通过将广告和栏位的“千人一面”变为“千人千面”,在提升用户便捷性,可用性,降低费力度的同时,其转化率也得到了数倍的提升,体现了大数据服务的真正价值。
在新形势下,传统应用架构不得不变为大数据及新的高并发架构,来应对业务需求激增及高速迭代的需要。
一,业务高速发展带来的应用架构挑战
公司业务高速发展带来哪些主要的变化,以及给我们的系统带来了哪些挑战?
业务需求的急速增长 ,访问请求的并发量激增,2016年1月份以来,业务部门的服务日均请求量 激增了5.5倍 。
业务逻辑日益复杂化 ,基础业务研发部需要支撑起OTA数十个业务线,业务逻辑日趋复杂和繁多。
业务数据源多样化,异构化 ,接入的业务线、合作公司的数据源越来越多;接入的数据结构由以前的数据库结构化数据整合转为Hive表、评论文本数据、日志数据、天气数据、网页数据等多元化异构数据整合。
业务的高速发展和迭代 ,部门一直以追求以最少的开发人力,以架构和系统的技术优化,支撑起携程各业务线高速发展和迭代的需要。
在这种新形势下,传统应用架构不得不变,做为工程师也必然要自我涅槃,改为大数据及新的高并发架构,来应对业务需求激增及高速迭代的需要。计算分层分解、去SQL、去数据库化、模块化拆解的相关技改工作已经刻不容缓。
以用户意图(AI 点金杖)的个性化服务为例, 面对BU业务线的全面支持的迫切需要,其应用架构必须解决如下 技术难点 :
高访问并发 :每天近亿次的访问请求;
数据量大 :每天TB级的增量数据,近百亿条的用户数据,上百万的产品数据;
业务逻辑复杂 :复杂个性化算法和LBS算法;例如:满足一个复杂用户请求需要大量计算和30次左右的SQL数据查询,服务延时越来越长;
高速迭代上线 :面对OTA多业务线的个性化、Cross-saling、Up-saling、需满足提升转化率的迫切需求,迭代栏位或场景要快速,同时减少研发成本。
二,应对挑战的架构涅磐
面对这些挑战,我们的应用系统架构应该如何涅磐?主要分如下 三大方面 系统详解:
存储的涅磐,这一点对于整个系统的吞吐量和并发量的提升起到最关键的作用,需要结合数据存储模型和具体应用的场景。
计算的涅磐,可以从横向和纵向考虑:横向主要是增加并发度,首先想到的是分布式。纵向拆分就是要求我们找到计算的结合点从而进行分层,针对不同的层次选择不同的计算地点。然后再将各层次计算完后的结果相结合,尽可能最大化系统整体的处理能力。
业务层架构的涅磐,要求系统的良好的模块化设计,清楚的定义模块的边界,模块自升级和可配置化。
三,应用系统的整体架构
认识到需要应对的挑战,我们应该如何设计我们的系统呢,下面将全面的介绍下我们的应用系统整体架构。
下图就是我们应用系统整体架构以及系统层次的模块构成。
![](http://www.chinastor.org/upload/2016-10/161008092024898.jpg)
数据源部分, Hermes是携程框架部门提供的消息队列,基于Kafka和Mysql做为底层实现的封装,应用于系统间实时数据传输交互通道。Hive和 HDFS是携程海量数据的主要存储,两者来自Hadoop 生态体系。Hadoop 这块大家已经很熟悉, 如果不熟悉的同学只要知道Hadoop 主要用于大数据量存储和并行计算批处理工作。
Hive 是基于Hadoop平台的数据仓库,沿用了关系型数据库的很多概念。比如说数据库和表,还有一套近似于SQL的查询接口的支持,在Hive里 叫做HQL,但是其底层的实现细节和关系型数据库完全不一样,Hive底层所有的计算都是基于MR来完成,我们的数据工程师90%都数据处理工作都基于它来完成。
离线部分,包含的模块有MR, Hive , Mahout, SparkQL/MLLib。Hive 上面已经介绍过,Mahout 简单理解提供基于Hadoop平台进行数据挖掘的一些机器学习的算法包。Spark类似hadoop也是提供大数据并行批量处理平台,但是它是基于内存的。SparkQL 和Spark MLLib是基于Spark平台的SQL查询引擎和数据挖掘相关算法框架。我们主要用Mahout和Spark MLLib 进行数据挖掘工作。
调度系统zeus,是淘宝开源大数据平台调度系统,于2015年引进到携程,之后我们进行了重构和功能升级,做为携程大数据平台的作业调度平台。
近线部分,是基于Muise来实现我们的近实时的计算场景,Muise是也是携程OPS提供的实时计算流处理平台,内部是基于Storm实现与HERMES消息队列搭配起来使用。例如,我们使用MUSIE通过消费来自消息队列里的用户实时行为,订单记录,结合画像等一起基础数据,经一系列复杂的规则和算法,实时的识别出用户的行程意图。
后台/线上应用部分,Mysql用于支撑后台系统的数据库。ElasticSearch 是基于Lucene实现的分布式搜索引擎,用于索引用户画像的数据,支持离线精准营销的用户筛选,同时支持线上应用推荐系统的选品功能 。Hbase 基于Hadoop的Hdfs 上的列存储Nosql数据库,用于后台报表可视化系统和线上服务的数据存储。
这里说明一下, 在线和后台应用使用的ElasticSearch和Hbase集群是分开的,互不影响。 Redis 支持在线服务的高速缓存,用于缓存统计分析出来的热点数据。
四,推荐系统案例
介绍完我们应用系统的整体构成, 接下来分享基于这套系统架构实现的一个实例——携程个性化推荐系统。
推荐系统的架构图:
![](http://www.chinastor.org/upload/2016-10/1610080920248911.jpg)
1存储的涅磐
1)Nosql (Hbase+Redis)
![](http://www.chinastor.org/upload/2016-10/161008092024896.jpg)
我们之前存储使用的是Mysql, 一般关系型数据库会做为应用系统存储的首选。大家知道Mysql非商业版对分布式支持不够,在存储数据量不高,查询量和计算复杂度不是很大的情况下,可以满足应用系统绝大部分的功能需求。
我们现状是需要安全存储海量的数据,高吞吐,并发能力强,同时随着数据量和请求量的快速增加,能够通过加节点来扩容。另外还需要支持故障转移,自动恢复,无需额外的运维成本。综上几个主要因素,我们进行了大量的调研和测试,最终我们选用Hbase和Redis 两个Nosql数据库来取代以往使用的Mysql,。我们把用户意图以及推荐产品数据以KV的形式存储在Hbase中,我对操作Hbase进行一些优化,其中包括rowkey的设计,预分配,数据压缩等, 同时针对我们的使用场景对Hbase本身配置方面的也进行了调优。目前存储的数据量已经达到TB级别,支持每天千万次请求,同时保证99%在50毫秒内返回 。
Redis这块和多数应用系统使用方式一样,主要用于缓存热点数据,这里就不多说了。
![](http://www.chinastor.org/upload/2016-10/161008092024894.jpg)
2)搜索引擎 (ElasticSearch)
![](http://www.chinastor.org/upload/2016-10/161008092024892.jpg)
ES索引各业务线产品特征数据,提供基于用户的意图特征和产品特征复杂的多维检索和排序功能,当前集群由4台大内存物理机器构成,采用全内存索引。对比某一个复杂的查询场景, 之前用Mysql将近需要30次查询,使用ES只需要一次组合查询且在100毫秒内返回 。目前每天千万次搜索,99%以上在300毫秒以内返回。
![](http://www.chinastor.org/upload/2016-10/161008092024899.jpg)
2计算的涅磐
1)数据源,我们的数据源分结构化和半结构化数据以及非结构化数据。
结构化数据主要是指携程各产线的产品维表和订单数据,有酒店,景酒,团队游,门票,景点等;还有一些基础数据,比如城市表,车站等,这类数据基本上都是T+1。每天会有流程去各BU的生产表拉取数据。
半结构化数据是指,携程用户的访问行为数据,例如浏览,搜索,预订,反馈等,这边顺便提一下,这些数据这些是由前端采集框架实时采集,然后下发到后端的收集服务,由收集服务在写入到Hermes消息队列,一路会落地到Hadoop上面做长期存储,另一路近线层可以通过订阅Hermes此类数据Topic 进行近实时的计算工作。
我们还用到外部合作渠道的数据,还有一些评论数据,评论属于非结构化的,也是T+1更新。
2)离线计算,主要分三个处理阶段 。
![](http://www.chinastor.org/upload/2016-10/161008092024891.jpg)
预处理阶段,这块主要为后续数据挖掘做一些数据的准备工作,数据去重,过滤,对缺失信息的补足。举例来说采集下来的用户行为数据,所含有的产品信息很少,我们会使用产品表的数据进行一些补足,确保给后续的数据挖掘使用时候尽量完整的。
数据挖掘阶段,主要运用一些常用的数据挖掘算法进行模型训练和·推荐数据的输出(分类,聚类,回归 ,CF等)。
结果导入阶段,我们通过可配置的数据导入工具将推荐数据,进行一系列转换后,导入到HBASE,Redis以及建立ES索引, Redis存储的是经统计计算出的热点数据 。
3)近线计算(用户意图, 产品缓存)
当用户没有明确的目的性情况下,很难找到满足兴趣的产品,我们不仅需要了解用户的历史兴趣,用户实时行为特征的抽取和理解更加重要,以便快速的推荐出符合用户当前兴趣的产品,这就是用户意图服务需要实现的功能。
一般来说用户特征分成两大类:一种是稳定的特征(用户画像),如用户性别,常住地,主题偏好等特征;另一类是根据用户行为计算获取的特征,如用户对酒店星级的偏好,目的地偏好,跟团游/自由行偏好等。基于前面所述的计算的特点,我们使用近在线计算来获取第二类用户特征,整体框图如下。从图中可以看出它的输入数据源包括两大类:第一类是实时的用户行为,第二类是用户画像,历史交易以及情景等离线模块提供的数据。结合这两类数据,经一些列复杂的近线学习算法和规则引擎,计算得出用户当前实时意图列表存储到Hbase和Redis中。
![](http://www.chinastor.org/upload/2016-10/161008092024893.jpg)
携程用户意图框架
近线另一个工作是产品数据缓存,携程的业务线很多,而我们的推荐系统会推各个业务线的产品,因此我们需要调用所有业务线的产品服务接口,但随着我们上线的场景的增加,这样无形的增加了对业务方接口的调用压力。而且业务线产品接口服务主要应用于业务的主流程或关键型应用,比较重,且SLA服务等级层次不齐,可能会影响到整个推荐系统的响应时间。
为了解决这两个问题,我们设计了近在线计算来进行业务的产品信息异步缓存策略,具体的流程如下。
我们会将待推荐的产品Id全部通过Kafka异步下发,在Storm中我们会对各业务方的产品首先进行聚合,达到批处理个数或者时间gap时,再调用各业务方的接口,这样减少对业务方接口的压力。通过调用业务方接口更新的产品状态临时缓存起来(根据各业务产品信息更新周期分别设置缓存失效时间),在线计算的时候直接先读取临时缓存数据,缓存不存在的情况下,再击穿到业务的接口服务。
![](http://www.chinastor.org/upload/2016-10/161008092024897.jpg)
4)在线计算(2个关键业务层架构模块介绍)
1,业务层架构-数据治理和访问模块,支持的存储介质,目前支持的存储介质有Localcache,Redis,Hbase,Mysql 可以支持横向扩展 。统一配置,对同一份数据,采用统一配置,可以随意存储在任意介质,根据id查询返回统一格式的数据,对查询接口完全透明。
穿透策略和容灾策略,Redis只存储了热数据,当需要查询冷数据则可以自动到下一级存储如Hbase查询,避免缓存资源浪费。当Redis出现故障时或请求数异常上涨,超过整体承受能力,此时服务降级自动生效,并可配置化。
![](http://www.chinastor.org/upload/2016-10/161008092024895.jpg)
2,业务层架构-推荐策略模块,整个流程是先将用户意图、用户浏览,相关推荐策略生成的产品集合等做为数据输入,接着按照场景规则,业务逻辑重新过滤,聚合、排序。最后验证和拼装业务线产品信息后输出推荐结果;
![](http://www.chinastor.org/upload/2016-10/1610080920248910.jpg)
我们对此流程每一步进行了一些模块化的抽象,将重排序逻辑按步骤抽象解耦,抽象如右图所示的多个组件,开发新接口时仅需要将内部DSL拼装便可以得到满足业务需求的推荐服务;提高了代码的复用率和可读性,减少了超过50%的开发时间;对于充分验证的模块的复用,有效保证了服务的质量;