[转]携程大数据实践：高并发应用架构及推荐系统案例

本文来自携程技术中心基础业务研发部的《应用架构涅槃》系列分享。据基础业务研发部负责人李小林介绍，互联网二次革命的移动互联网时代，如何吸引用户、留住用户并深刻挖掘用户价值，在激烈的竞争中脱颖而出，是各大电商的重要课题。经过各种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；通过几年的努力，大数据的相关技术为业务带来了惊人的提高与帮助。以基础大数据的用户意图服务为例，经过将广告和栏位的“千人一面”变为“千人千面”，在提高用户便捷性，可用性，下降费力度的同时，其转化率也获得了数倍的提高，体现了大数据服务的真正价值。

在李小林看来，大数据是互联网行业发展的趋势，互联网的从业人员须要高度关注大数据相关的技术及应用，也但愿经过这一系列大数据相关的讲座，让各位同窗有所收获。

首场《应用架构涅磐》分享来自基础业务研发部的董锐，包括业务高速发展带来的应用架构挑战、应对挑战的架构涅磐、应用系统总体架构和推荐系统案例等四个部分。

1、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，以及给咱们的系统带来了哪些挑战？

1. 业务需求的急速增加，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。
2. 业务逻辑日益复杂化，基础业务研发部须要支撑起OTA数十个业务线，业务逻辑日趋复杂和繁多。
3. 业务数据源多样化，异构化，接入的业务线、合做公司的数据源愈来愈多；接入的数据结构由之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。
4. 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须要。

在这种新形势下，传统应用架构不得不变，作为工程师也必然要自我涅槃，改成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须要。计算分层分解、去SQL、去数据库化、模块化拆解的相关技改工做已经刻不容缓。

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须要，其应用架构必须解决以下技术难点：

1. 高访问并发：天天近亿次的访问请求；
2. 数据量大：天天TB级的增量数据，近百亿条的用户数据，上百万的产品数据；
3. 业务逻辑复杂：复杂个性化算法和LBS算法；例如：知足一个复杂用户请求须要大量计算和30次左右的SQL数据查询，服务延时愈来愈长；
4. 高速迭代上线：面对OTA多业务线的个性化、Cross-saling、Up-saling、需知足提高转化率的迫切需求，迭代栏位或场景要快速，同时减小研发成本。

2、应对挑战的架构涅磐

面对这些挑战，咱们的应用系统架构应该如何涅磐？主要分以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高起到最关键的做用，须要结合数据存储模型和具体应用的场景。

• 计算的涅磐，能够从横向和纵向考虑：横向主要是增长并发度，首先想到的是分布式。纵向拆分就是要求咱们找到计算的结合点从而进行分层，针对不一样的层次选择不一样的计算地点。而后再将各层次计算完后的结果相结合，尽量最大化系统总体的处理能力。

• 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。

3、应用系统的总体架构

认识到须要应对的挑战，咱们应该如何设计咱们的系统呢，下面将全面的介绍下咱们的应用系统总体架构。

下图就是咱们应用系统总体架构以及系统层次的模块构成。

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作为底层实现的封装，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，二者来自Hadoop生态体系。Hadoop你们已经很熟悉，若是不熟悉的同窗只要知道Hadoop主要用于大数据量存储和并行计算批处理工做。

Hive是基于Hadoop平台的数据仓库，沿用了关系型数据库的不少概念。好比说数据库和表，还有一套近似于SQL的查询接口的支持，在Hive里叫作HQL，可是其底层的实现细节和关系型数据库彻底不同，Hive底层全部的计算都是基于MR来完成，咱们的数据工程师90%都数据处理工做都基于它来完成。

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相似hadoop也是提供大数据并行批量处理平台，可是它是基于内存的。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。咱们主要用Mahout和Spark MLLib进行数据挖掘工做。

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，以后咱们进行了重构和功能升级，作为携程大数据平台的做业调度平台。

近线部分，是基于Muise来实现咱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，咱们使用MUSIE经过消费来自消息队列里的用户实时行为，订单记录，结合画像等一块儿基础数据，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。

4、推荐系统案例

介绍完咱们应用系统的总体构成，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：

一、存储的涅磐

1）NoSQL (HBase+Redis)

咱们以前存储使用的是MySQL，通常关系型数据库会作为应用系统存储的首选。你们知道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状况下，能够知足应用系统绝大部分的功能需求。

咱们现状是须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长，可以经过加节点来扩容。另外还须要支持故障转移，自动恢复，无需额外的运维成本。综上几个主要因素，咱们进行了大量的调研和测试，最终咱们选用HBase和Redis两个NoSQL数据库来取代以往使用的MySQL。咱们把用户意图以及推荐产品数据以KV的形式存储在HBase中，我对操做HBase进行一些优化，其中包括rowkey的设计，预分配，数据压缩等，同时针对咱们的使用场景对HBase自己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，支持天天千万次请求，同时保证99%在50毫秒内返回。

Redis和多数应用系统使用方式同样，主要用于缓存热点数据，这里就很少说了。

2）搜索引擎 (ElasticSearch)

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，以前用MySQL将近须要30次查询，使用ES只须要一次组合查询且在100毫秒内返回。目前天天千万次搜索，99%以上在300毫秒之内返回。

二、计算的涅磐

1）数据源，咱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，好比城市表、车站等，这类数据基本上都是T+1，天天会有流程去各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，而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上面作长期存储，另外一路近线层能够经过订阅Hermes此类数据Topic进行近实时的计算工做。

咱们还用到外部合做渠道的数据，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。

预处理阶段，这块主要为后续数据挖掘作一些数据的准备工做，数据去重，过滤，对缺失信息的补足。举例来讲采集下来的用户行为数据，所含有的产品信息不多，咱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可能完整的。

数据挖掘阶段，主要运用一些经常使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，咱们经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以及创建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状况下，很难找到知足兴趣的产品，咱们不只须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剧要，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须要实现的功能。

通常来讲用户特征分红两大类：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；另外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色，咱们使用近在线计算来获取第二类用户特征，总体框图以下。从图中能够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。

携程用户意图框架

近线另外一个工做是产品数据缓存，携程的业务线不少，而咱们的推荐系统会推各个业务线的产品，所以咱们须要调用全部业务线的产品服务接口，但随着咱们上线的场景的增长，这样无形的增长了对业务方接口的调用压力。并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，咱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，具体的流程以下。

咱们会将待推荐的产品Id所有经过Kafka异步下发，在Storm中咱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，这样减小对业务方接口的压力。经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，缓存不存在的状况下，再击穿到业务的接口服务。

产品异步缓存框架

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能够支持横向扩展。统一配置，对同一份数据，采用统一配置，能够随意存储在任意介质，根据id查询返回统一格式的数据，对查询接口彻底透明。

穿透策略和容灾策略，Redis只存储了热数据，当须要查询冷数据则能够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，超过总体承受能力，此时服务降级自动生效，并可配置化。

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作为数据输入，接着按照场景规则，业务逻辑从新过滤，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；

咱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，开发新接口时仅须要将内部DSL拼装即可以获得知足业务需求的推荐服务；提升了代码的复用率和可读性，减小了超过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。