4960浏览
一、背景介绍
CDP系统提供了强大的标签和群体的构建能力，面对海量数据的标签和群体，我们采用了Bitmap+ClickHouse的存储与计算方案。详细内容可以参考如下文章：
CDP技术系列（一）：使用bitmap存储数十亿用户ID的标签或群体
CDP技术系列（二）：ClickHouse+Bitmap实现标签群体组合计算
有了群体之后，它们被广泛的应用到支付，消金，财富，营销等各种核心业务的用户拉新，交易转化，促活等核心链路中。
而人群应用方式中，基于人群的命中服务，是非常重要的P0级接口（日常TPS峰值40W+，响应耗时50ms以内，大促备战120W+）
它主要用来查询指定用户ID是否包含在指定群体中，这篇文章就来分享人群命中接口的演进迭代过程。
二、问题描述
前文已经介绍了CDP中群体的加工和存储方式，采用了ClickHouse(以下简称CK)+Bitmap的方案，为了减轻ClickHouse的计算和存储压力，我们的22000+群体目前只在CK中存储了最新的版本。
这是因为CDP中标签和群体的计算都在CK中，而且依赖的都是最新数据，所以只存储最新数据即可满足需求。如下图：
上图可以看到除了CK中的数据外，我们在OSS对象存储中也放了一份群体数据。
由前文可知，群体的bitmap文件中可以理解为存储的都是offset，这时候如果想查询某一个ID是否在指定群体中，即人群命中服务，需要两个步骤。
首先要将ID转换为bitmap中对应的唯一offset，之后可以尝试直接利用CK SQL查询，bitmapContains(bitmap, offset)来进行判断是否在指定bitmap中。
也可以从CK或OSS中加载指定群体的bitmap，在JAVA程序中使用Roaring64NavigableMap的能力进行判断。
但是，直接使用CK SQL或者oss文件加载方式，肯定都无法直接满足50ms性能的问题。接下来就对我们的前后两套方案进行讲解。
三、历史方案
首先介绍我们的上一版方案，针对上文的问题，可以分解为两步，第一步解决ID到offset的高性能转换；第二步判断offset是否包含在指定群体的bitmap中。
1）解决数十亿ID和offset的快速转换
之前文章中提到，由于用户ID是唯一且不变的，所以对所有的ID进行了编码，每个ID对应一个唯一的offset，并生成了最终的一张ID池表，比如id_offset_table。
有了这些数据之后，就可以考虑如何进行快速查询来进行ID和offset的转换了。
最简单的思路就是每次去表中查询：
SELECT `offset` FROM id_offset_table where id='id1'
但是这种直接查询的方式，显然不能满足高性能的需求，所以，最自然的方式是将常用的ID的结果进行缓存；而常用缓存的方式可以选择缓存到请求的服务器内存，也可以加入到Redis缓存中。
由于目前的ID池已经达到了惊人的数十亿，放到请求服务器内存中，极限情况预计需要500G的内存，单机存放显然是不太现实的。
所以这里最终选择的是放入到Redis缓存中，这也是目前我们采用的方式。
2）判断offset是否包含在指定群体的bitmap中
有了ID对应的offset，接下来就是如何判读是否存在于指定bitmap中；bitmap目前由两个地方存储，一个是CK中，另一个是OSS对象存储中。
之前方案，没有从CK中获取bitmap，采用的是从OSS中将群体文件，直接拉取到大内存物理中，然后再通过接口读取内存数据实现。
这样做的好处是，减少了CK的访问次数，减轻它的压力，毕竟CDP平台的几千个标签和上万个群体的更新都依赖于CK，减轻它的压力，同样的集群配置可以让更多资源留给计算。
但由于群体太多，将OSS文件放入单机内存中，是无法装载所有群体的（采用了32核192G的机器），所以针对群体还进行了分片处理（分为8片，每片中又包含若干台机器），将一个群体的大bitmap拆成若干个小的bitmap，再按照分片通过hash算法加载到不同分组机器的内存中，如下图：
这套方案是将物理机内存作为存储空间，并且使用自研的分片方案，再通过接口层直接读取bitmap数据来获取命中结果。
// 获取命中结果示例
Roaring64NavigableMap bitmap = getBitmap();
boolean isHit = bitmap.contains(offset);
需要注意的是由于对群体数据进行了分片存储，所以存和取的逻辑需要保持统一才能取到正确结果。
3）方案优缺点
通过Redis存储ID和offset的关系，人群数据拆分到8分组机器内存中，实现了群体命中接口的性能需求，总结此历史方案的优缺点，如下：
优点：
1、通过从OSS拉取文件方式，减少CK的查询次数，降低CK压力。
2、拆分逻辑自研，实际上是替换小文件，直接覆盖小文件更新速度快。
3、可分组内水平扩容机器，增加接口整体承载量，经过压测单机可到30000QPS。
4、直接机器内存取值，快速返回结果，满足接口TP999:50ms内需求，但严重依赖机器性能。
缺点：
1、由于加载到机器内存，导致每次重启机器总要全量加载所有群体，启动非常慢（虽然经过优化启动效率已经提升了很多，但随着群体数量的增加重启也会越来越慢）
2、虽然分组内可以水平扩容，但是固定分组后，单机器的内存有限，一旦达到上限需要扩容分组时，必须成倍的扩容，导致扩容分组困难；
3、由于是自研的依赖于机器内存的存储方案，整体结构复杂，在运维的能力方面偏弱，运维的相关工具少；无法有效监控内存数据，这就间接造成了系统的稳定性较差。
4、使用物理机，曾经在大促期间占用了100+台物理机，耗费资源很大。
四、最新方案
上述历史方案中，可以看到ID转offset的方案没有问题；主要问题出在判断offset是否包含在指定群体bitmap这一步中。所以在最新方案中，只对群体加载与offset的判断进行重新梳理及优化。
1）Redis多集群多分片写入
思路和上文中的内存方案类似，都是部署多个集群（或分组），将群体bitmap进行拆分，并根据一定的路由策略存储到不同的集群上，通过不同的集群提供查询能力，如下图：
在新方案中，增加了一整套的群体推送服务，包括数据的新增，更新，删除，检测，重试以及预警等策略，大大增强了群体加载的可监测性及有效性，而在之前的方案中，非常缺少这些有效的运维手段。
2）数据加载策略
和内存加载不同的是，Redis存储中不能再使用文件替换方案，只能采用其他的写入方案。
在这之中，还需要考虑如何保证写入的过程中不影响命中接口的性能。
针对群体数据，同样采用了拆分的思路，把每一个群体按照固定区间切成若干个小的bitmap，并为每个小bitmap编号（即桶号，此桶号同样采用bitmap存储在索引里），缓存key为群体code加上桶号，以便快速取到offset值。
然后将小bitmap的数据转化成字符串的形式，并且拆分之后可以将数据按照Hash规则，均匀的分布到不同的缓存分片（我们最终的分片数达到了16个集群*64分片=1024片）。如下图：
对于读取来说，假如人群命中有1000万QPS，则每个集群分到62.5万，均摊到64个分片也才不到1万，可以说对缓存的单分片来说毫无压力。
对于写入来说，如果按照一个个bit写入的方式，耗时是不可接受的，在这方面我们采用的是将Java字节码转换为Redis字节码，最终以set(key, string)的方式进行数据写入。
这种方式具有以下优点：
1、单值小：每个bitmap最多有65536个Offset（bit位）,相当于最大8kb，不会在缓存中产生较大key而导致性能差
2、写入快：每个key一次性写入到缓存,但是最多可以含有65536个offset（ID），42.94亿群体只需要65536次写入
3、查询效率高：getbit支持查询key下面每个offset，时间复杂度是O(1)
4、拆分压缩数据：拆分多个小的bitmap，相当于是对bitmap进行了压缩
在验证过程中，一个42亿的群体按bit写入需要11.6个小时，而采用字节码转换的方式写入，只需要65~120秒之间，写入效率提升99.9%。
写入完成之后，使用Redis的getbit方法即可获取对应位的值，正如前文提到的即使是1000w的QPS，也能达到高性能命中的目标。
// 获取指定偏移量的值，例如某ID对应的offset为3
jedis.getbit("crowdBitmap", 3);
3）方案优缺点
优点：
1、采用公司内部存储中间件，有专业的运维团队支持。
2、Redis缓存支持主从备份，甚至是一主多从，支持高可用。
3、支持多分片，支持高并发场景，分摊到单个分片的流量较少。
4、写入与读取也很快，满足群体的快速更新需求。
5、只需要很少的机器写入与维护缓存，应用启动效率大大提升。
6、存储扩容方便，即使面对猛增的业务也可以从容应对。
缺点：
1、依赖于公司内部缓存中间件，倘若中间件出现问题，会造成很大影响；虽然理论上概率非常小。当然，也可以再做一个备份存储，这时需要考虑存储成本与收益之间的平衡。
五、现状及展望
上述方案上线后，可以看到非常明显的提升，接口整体TP999耗时从40ms下降到25ms左右 ，如下图：
目前最新的方案经过23年双十一大促的检验，TPS峰值：49.7w/s，TP999峰值：24ms，单次访问查询达到了500w/s，（甚至在某一天军演压测时达到了1000w/s）平稳顺利地完成新老方案的过渡。
随着业务的不断发展，CDP中的群体数量还在持续增加中，按当前的增速评估，此方案已经能够完全支撑业务的持续发展，理论上可以支持到千万级TPS而无压力。
