实时离线平台Pora介绍@2015

概述

      Pora是Personal Offline Realtime Analyze的简称。

      几年前，淘宝的搜索结果已经不再千人一面的商品排序，而是深度融合了用户的个性化偏好的搜索结果。而实时变化的用户行为，能帮助算法更好地预测用户接下来的个性化偏好。为此需要一个系统能实时地获取用户行为，并支持算法实时修改用户或商品的个性化信息。这个系统开始了，叫做Pora。

      整个搜索pipeline上看，Pora位于引擎的离线部分。设计Pora的一个目标是实时处理流数据。因此Pora必须同时具备海量数据处理（高吞吐）和实时（低延迟）。除此之外，Pora还需要成为一个平台。众多算法模块可以运行、灵活调整和实时生效。

      Pora在搜索实时计算体系的位置，见图1:

图1.搜索实时计算体系

Pora总体架构

     从诞生以来，Pora经过了多次演变。 最初是storm集群上开发的应用。2014年迁移到Yarn集群，IStream作为流计算框架。2015年，Pora做了Tec重构。业务不断扩展，从简单的用户维度性别个性化到商品维度个性化，再到如今同时支持用户和商品两个维度多个场景的个性化，支持实时反作弊、推荐、赛马等业务。2015年开始有在线学习框架，现有LR／FTRL算法和实时矩阵分解算法。

     目前的Pora总体架构，如下图2：

图2.Pora总体架构

2015年Pora的重要改动

1. 基于Tec重构

的核心层独立出来，称为Tec项目。Pora定位业务逻辑和算法接口，开发更简洁。Tec是轻量级实时计算框架，支持快速开发高吞吐、低延迟的实时应用。例如AliExpress（AE）搜索的离线数据库Dump业务，基于Tec实现了小时批量到秒级实时的跨越。
      
 

2.在线学习

      数据和模型是算法的两大核心，14年基于Pora，实现了数据的实时更新。15年在Pora上开发了基于Parameter Server架构的在线学习框架，实现了模型的实时更新。

      图3是Pora内部的在线学习框架，工作机理参考Google的DownPour SGD。特点是异步，并行，平台化。Parameter Server由Feature Worker和Hbase Model Storage实现。
      在线学习的算法，详见文章《搜索双链路实时计算体系@双11实战》［5］

图3. 在线学习框架

3.  7*24小时运行

      iStream0.9版本开始支持热切换配置，不用重启应用。主搜Dump在2015年实现了24小时增量。这两个基础完备后，Pora之前的凌晨停顿去掉了，用户个性化，推荐数据等都是24小时运行无延迟。在日常运行，处理数据延迟在秒级，算法改动配置只需要执行热切换命令。

4. 性能优化

      Pora整体QPS，2014年双11峰值94万。到了2015年双11期间，峰值达到501万。2015年双11当晚的零点流量高峰，Pora各应用无延迟，完成整条链路处理是秒级。整体QPS的提升，看着只有5倍多点，如果考虑业务的增长，性能的提升是不止的。

     性能的提升，离不开离线组和莫问团队在Yarn／HDFS／iStream／HQueue／Hbase的重要优化，以及CM8/ET2集群的资源优化。这里节约篇幅，就讲一下Pora上的业务优化和系统优化。

• 业务优化：搜索PV日志的处理链精简和存储IO优化。直接读取htable，避开HSF限流的超时。auctionProfile表的userTag维度统计，去掉不需要的业务日志。
• 系统优化：htable的client端增加cache，双十一当天高峰时段cache的平均命中率达到85%。优化Hqueue和Htable的配置，提高IO性能。解决auction／user／sync应用混合运行的机器热点。

将来

参考文献

1. 搜索双链路实时计算体系@双11实战：http://yq.aliyun.com/articles/2699

2. Google DownPour参考：http://research.google.com/archive/large_deep_networks_nips2012.html