一、画像系统命中接口相关简介

什么是画像系统

标签画像系统是一种数据管理和分析工具，它通过整合和分析用户的行为数据、交易数据、社交数据等多维度信息，构建出用户的详细画像，帮助咱们运营人员更好地理解目标用户群体，从而实现精准营销和精细化运营。

提供了那些能力：标签注册，标签沉淀，标签取值；群体圈选；群体服务（群体命中，群体下载和订阅等）核心能力

怎么实现精准营销和精细化运营

命中接口：它作为连接用户数据和营销活动的桥梁，确保了营销信息能够准确地传递给最合适的用户群体。

业务场景

• 场景一：商城收银台页面，优惠券展示与否，以及优惠金额多少。
• 场景二：金融APP端资源位，展示哪种营销活动。

• ……

在支付、消金、财富等核心业务中发挥着至关重要的作用，影响着用户拉新、交易转化、促活等关键环节。

命中接口实现逻辑

挑战

• 如何保证三高：高性能（50ms以下），高并发（百万级TPS），高可用。
• 数据量大：群体数量多，而且大量的群体的pin数量都是千万级别以上，甚至有的群体pin数量达到了数十亿。

二、画像系统1.0和2.0版本的命中接口

存储方式（物理机内存）

将人群数据从OSS拉取并存储在物理机（32C256G）中，由于群体数量过多，256G不足以将所有的群体的OSS文件都保存下来，所以采用分片的逻辑，每个分片只存储群体OSS文件的四分之一。

方案优缺点

优点：

1、性能达标：基于内存取值，减少中间件依赖，单机压测到30000TPS，TP999最高40ms；

2、存储成本较低：在当时，和直接使用缓存相比，成本较低；

3、缓解了CK的压力：从OSS拉取文件，减少了CK查询次数。

缺点：

1、初始化群体非常慢：由于数据是存在机器内存中，每次启动机器总要全量加载所有群体，但随着业务发展，群体数量的增加重启也会越来越慢；

2、扩容成本高：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、排查问题效率低：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。

三、画像系统3.0版本的命中接口

背景

• 迁移到了JDOS，JDOS没有256G内存的物理机，所以我们采用的是192G内存的物理机。
• 群体数量由8000+群体膨胀到25000+群体，由于1.0和2.0版本的四分片物理机存储的数据越来越多，快到物理机内存的极限了。
• 从OSS拉取群体的时候，会由于网络抖动，导致拉取人群信息有不完整就断掉的情况，会造成重复拉取，导致物理机堆内存抖动，不稳定，影响TP999，影响业务正常进行。

存储方式（物理机内存）

依旧将人群数据存储在物理机中，但使用了拆分前置的操作，并且将原先的物理机四份片改为了八分片。先将群体的OSS文件拆分成8分，然后物理机对应的分片只需要去拉取自己分片对应的文件即可。

数据分层方案（缓存）

为什么需要使用缓存做数据分层

• 提高系统的可用性和可靠性：应对不可预测的故障，网络问题，服务器故障等，数据分层策略可以帮助系统应对这些不可预测的故障，提高系统的可用性和可靠性

存储方式

因为set集合的特征，元素小于512个会自动压缩，所以我们使用set集合来存用户的offset的。

四、画像系统4.0版本的命中接口

背景

由于在3.0的时候，offset的编码已经超过了2的32次方。我们使用的ck版本加工群体位图的时候不支持大于2的32次方位图计算，升级版本不兼容。对ck计算层架构升级：小于32位的offset计算到现有的bitmap中，大于32位的offset计算时，所有offset - 2^32，计算到高32位bitmap。基于这点想到了如果低成本使用R2M。也可以通过开发达到RoaringBitmap的压缩效果。

为什么要压缩

我们知道创建Bitmap的时候，长度必须是最大的offset的长度。再结合我们的场景，我们现在的pin数量已经超过了数十亿，但是每个人群不可能都是数十亿之多，所以我们位图存储的数据不是连续的，而是稀疏的。

假设我们现在只有64个用户，然后有一个人群包，只有1个offset，63。

按照正常我们需要创建一个64位的Bitmap

这时候我们就把数组拆分成2组，1到32的用户存储到第1组，把33到64的用户存储到第二组。此时我们发现第一组的数组里全是0，那第一组是不是可以不创建？这样我们就用一个32位大小的数组存储了64位的数据。

接下来更进一步，把64位的数组拆成每16个一组，那么我们只需要创建最后一个分组的数组，也就是16位的数组来达到进一步压缩的目的。

压缩流程

根据我们的业务场景，每个位图大小是65536压缩效果最好。

存储方式（缓存）

部署多个R2M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，重试等全部可视化到页面，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。

流程对比

采用集中缓存替换自研分布式存储优缺点对比

性能对比

接口整体TP999耗时从40ms下降到10ms以内

五、命中接口的后续探索

一、逆向存储

背景

我们对一些耗时长的请求进行分析时发现，有些业务方传的群体编码，一次可能传几十个，这种情况我们可能需要判定几十次，然后把结果返回给用户，性能肯定比一次只传一个群体会差。所以我们想使用用户的pin当作key，然后value是用户所在的群体数据。这样不管用户一次传多少个群体，我们只用取一次缓存就可以。

存储方式

key：用户的pin的offset为key

value：用户所在的所有群体集合（以位图的方式存储）

优势

• 性能高：用户传多个群体编码的时候，我们只需要取一次缓存就可以，性能大大提高了。

二、规则判定

背景

发现有些用户在创建群体的时候，只用到了标签，然后对这些标签做逻辑与或非的操作。

举个例子：如果用户选择了两个标签（标签1:男性，标签2:三十岁以上，而且是且的关系）创建了一个人群，现在想判断一个pin是否在这个群体里面，我们可以怎么操作？我们只需要先判定用户是否是男性，然后判断用户是否三十岁以上，然后在内存中做逻辑且的操作就可以了。

优势

• 存储空间：不用存储整个群体位图文件，而且标签位图可重复使用，大大节省了存储空间

六、相关技术附录

CDP系统中目前存在大量由pin集合组成的标签和群体，截止当前共有标签4000+，有效群体17000+。而且大量的群体都是pin数量都是千万级别以上，甚至有的群体pin数量达到了40亿+。如此大量的pin集合，对我们存储结构提出较高的要求。

这里拿群体举例，如果某群体包含1000W个pin，通过文本文件存储，大概需要150M，40亿的群体就达到了惊人的150*40*10=60000M，大约60G，而我们的群体数量已经达到了17000+，再加上标签数据，所需要的存储空间将不可接受。

并且，数据的存储只是其中一个方面，后续针对标签和群体的组合计算，创建出更细粒度的pin包也是一个挑战。

面对以上问题，CDP采用了Bitmap的思路来解决，不但解决了存储空间问题，而且Bitmap本身的交并差运算，能够很好的支持用户对不同标签和群体的组合计算，详细方案如下。

一、bitmap简介

它的基本思想是用bit位来唯一标记某个数值，这样可以用它来记录一个数值没有重复的数据元组。并且每一条数据只使用一个bit来标识，能够大大的节省存储空间。

比如，如果想存储一个数值数组[2,4,6,8]。

Java中如果用byte类型来存储，不考虑其他开销，需要4个字节的空间，一个字节8位，也就是4*8=32bit。

倘若使用更大的数据类型，存储空间也会相应增大，如使用Integer（4字节），则需要4*4*8=128bit。

而如果采用bitmap的思想，只需要构建一个8bit空间，也就是一个字节的空间来存储，如下图。

二、pin池编码

通过上文的例子，可以看到，使用Bitmap思想来存储，实际上每一个数据是一个bit，而且不能重复，这一点用户pin是符合的，没有重复的pin。

由于bitmap里只能存0或者1来标识当前位是否有值，而用户pin确是一个字符串，这就需要将数十亿的用户pin进行唯一性编码，这个编码也就是我们常说的offset偏移量。

每一个pin对应一个唯一的offset，目前已到46亿+，也就是说当前最大的偏移量是45亿+，这部分由数据同学帮我们加工一张pin池表，其中包含了pin和offset的对应关系。这样，新注册的pin，只要顺序增加offset值即可。

下边是一个简单示意图，假设我有8个pin，pin1~pin8，对应的offset编号为1~8。

我要建一个只包含双数pin的标签或群体，则我只需要将offset为2，4，6，8的位设为1即可。

三、ClickHouse简介

有了位图之后，存在哪里，以及怎么进行位图之间的交并差的运算。基于这些问题，我们使用了ClickHouse（以下简称CK），一个由俄罗斯Yandex在2016年年开源的⾼性能分析型SQL数据库，是一个用于联机分析处理（OLAP）的列式数据库管理系统（columnar DBMS）。

它具有以下特点：

1、完备的数据库管理功能，包括DML（数据操作语言）、DDL（数据定义语言）、权限控制、数据备份与恢复、分布式计算和管理。

2、列式存储与数据压缩: 数据按列存储，在按列聚合的场景下，可有效减少查询时所需扫描的数据量。同时，按列存储数据对数据压缩有天然的友好性（列数据的同类性），降低网络传输和磁盘 IO 的压力。

3、关系模型与SQL: ClickHouse使用关系模型描述数据并提供了传统数据库的概念（数据库、表、视图和函数等）。与此同时，使用标准SQL作为查询语言，使得它更容易理解和学习，并轻松与第三方系统集成。

4、数据分片与分布式查询: 将数据横向切分，分布到集群内各个服务器节点进行存储。与此同时，可将数据的查询计算下推至各个节点并行执行，提高查询速度。

更多特性可查看官方文档：https://clickhouse.com/docs/zh/introduction/distinctive-features

还可以查看同事的这篇文章：如何使用Clickhouse搭建数十亿级用户画像平台看这一篇就够了

除了上文CK的特性之外，它还具有分析数据高性能，开发流程简便，开源社区活跃度高，并且支持压缩位图等优势。

四、群体加工链路

基于上面对bitmap以及clickhouse的介绍，我们采用的是ClickHouse+Bitmap实现标签群体组合计算和群体的存储

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。

五、RoaringBitmap压缩

我们最终使用的是RoaringBitmap，一种高效的压缩位图实现，简称RBM。于2016年由S. Chambi、D. Lemire、O. Kaser等人在论文《Better bitmap performance with Roaring bitmaps》 《Consistently faster and smaller compressed bitmaps with Roaring》中提出。

基本实现思路如下：

以整型int（32位）为例，将数据分成高16位和低16位两部分，低16位不变，作为数据位Container，高16位作为桶的编号Container，可以理解为高位的Container中，存放了很多个低位Container。

比如，我要存放65538这个值，则高位为65538>>>16=1，低位为65538-65536*1=2，即存储在1号桶的2号位置，存储位置如下图：

我们当前使用的RoaringBitmap版本为0.8.13，Container包含了三种实现：ArrayContainer(数组容器)，