阿里搜索实时计算及在线学习 系统Pora介绍 阿里巴巴-搜索事业部-梁义（毅行） liangyi.ly@alibaba-inc.com 2015-6-3 2015-6-3 提纲 • 概要介绍 • 实时计算 • 在线学习 Pora概况 • 基于用户日志的实时计算和在线学习系统 • 海量数据处理 – 每天处理几百亿条实时消息 – 沉淀用户行为、商品访问、特征权重海量数据 – 集成算法模型，实时更新在线服务 • 端到端秒级实时 – 从用户行为发生到线上感知的全链路反馈 • 基于Java实现 业务场景 • 应用场景 – 实时排序/流量调控（成交提升10%） – 实时反作弊 – 实时个性化搜索/推荐 • 业务线 – 淘宝 – 天猫 – 聚划算 – 手淘 – 1688 性能现状 • 实时性 – 端到端（从日志发生至线上生效）平均延迟3-4s – Pora本身处理耗时在200ms左右 • 数据量 – 每天实际处理约500亿用户/商品行为消息 – 双11预计超过2000亿 • QPS – 正常峰值超过100万/s，双11预计超过400万/s – 对应内部HBase QPS超过500万/s，双11预计 超过2000万/s 提纲 • 概要介绍 • 实时计算 – 总体设计 – 核心层 – 业务层 • 在线学习 Pora总体架构 Pora垂直分层 Pora核心层(Tec)特点 • 高吞吐，低延迟，易嵌入，跨平台 – DAG实时计算框架 • 通用，少开发 – HTable存储抽象及通用实现 – 通用数据结构抽象 – 通用处理逻辑抽象 • 易维护 – Metric、Trace、通用工具集 • 松耦合，可扩展 11 DAG实时计算框架 • 数据接入 – Container，比如IStreamContainer通过Input Format读取输入 数据（含数据源信息） • DAG处理链 – 针对数据源配置所有处理节点（Executor） – Executor间通过输入输出依赖自动形成内存DAG ，允许并行执行 • 多线程并发 – 每个处理线程有一个独立的DAG实例 – 线程内置一个FIFO BlockingQueue作为实时输入数据buffer – 异步实时获取buffer中的最新一批数据驱动DAG执行 • 线程数据分发 – Round Robin – Field Dispatching 12 数据源及DAG处理链 多线程及分发机制 14 Pora业务层工作 • 配置和实现各个业务Executor – – – – 解析输入实时消息 关联查询相关用户、商品数据，并加工处理 调用算法插件 更新用户、商品数据及在线系统 • 配置DAG – 配置Executor的参数、输入、输出 • 其它配置 – 数据源InputFormat – Dispatch方式 – Worker数、线程数、buffer size、batch max等 15 Pora业务层特点 • 统一可扩展的算法插件接口 – 支持同时提供用户、商品所有数据给算法插件 • 统一完备的用户行为数据 – 点击、搜索、收藏宝贝、立刻购买、加购物车、 成交... – 融合PC、无线端的行为历史 • 实时商品数据 – 数据按行为、来源、含义分层实时统计 提纲 • 概要介绍 • 实时计算 • 在线学习 – 特征实时 • 用户维度 • 商品维度 – 模型实时 17 特征实时-用户维度 • 输入数据 – 用户实时行为actionInfo – 实时累计用户行为历史actionHistory – 用户特征数据userProfile • 算法插件 – userProfile=f(actionInfo, actionHistory, userProfile) 特征实时-商品维度 • 输入数据 – 商品实时累计数据auctionProfile – 商品特征数据auctionMlrdata • 算法插件 – auctionMlrdata =f(auctionProfile, auctionMlrdata) 特征实时应用案例 • 用户维度 – 个性化搜索 – 个性化推荐 • 商品维度 – 实时排序/流量调控 （成交提升10%） – 反作弊