​apachedoris架构原理及特性（基于Doris的知乎）

apachedoris架构原理及特性（基于Doris的知乎）

导读：本次分享题目为基于Doris的知乎DMP系统架构与实践，由知乎用户理解&数据赋能研发Leader 侯容老师带来经验分享，主要围绕四个方面展开介绍：

背景：知乎DMP的业务背景、流程、特征及功能介绍架构与实现：知乎DMP的架构设计和实现难点及解决方案：知乎DMP平台建设的难点和解决方案未来展望：知乎DMP平台下一步迭代方向

01

背景

DMP本身是个老生常谈的业务领域，在广告系统出现的时候就有了类似DMP平台的系统。业界做得比较好的有腾讯广点通、阿里达摩盘。

知乎搭建DMP的原因可简单概括为：知乎存在大量站内运营的业务需要，搭建DMP平台需要支持同知乎内部系统的对接，搭建DMP存在一定量的知乎定制化需求，需要适配知乎的内部运营流程。

1. DMP业务背景

首先，抛出问题：知乎业务中具体存在哪些问题需要解决？为什么要建立DMP平台来解决这些问题？

下面围绕业务模式、业务场景、业务需求等三个主要方面，来具体说明建设DMP平台的必要性和功能定位。

（1）业务模式

如何找出核心客户，围绕某个客户应该如何运营、如何适配营销操作、以及广告投放，如何进行人和业务的匹配，都需要完成对人的定向、对人的画像洞察，以及对人的理解和运营操作，这些都是DMP的主要业务定位。

知乎DMP主要包括三种业务模式：

站外转站内，典型的场景是，在广告侧有广告主在知乎平台投放广告，触发站外人群，如何通过一个Mapping将站外人群承接到站内，且在站内的各个系统上能够承接这些用户包。站内转站外，典型的场景是，增长投放方面，如何在知乎平台找到一个定向价值用户群，再针对这些用户包到三方平台进行广告投放。站内自闭环，主要是知乎内部运营，包括内容运营、用户运营、活动运营等，一方面增加内容宣传和营销；一方面完成客户的定位及客群分析，解决一些客户问题；策划一些活动，促成客户价值提升和针对营销效果达成。

（2）业务场景

针对上述三种业务模式，知乎DMP适配了多种业务场景：

信息流，比如推荐场景，有一些定向推荐、定向提权等诉求，把某些内容推给谁，某些内容针对特定客户进行定向提权，去重新打分等。广告，比如实时竞价，基于一个客户身上挂的广告特征，进行实时竞价，排序筛选最合适的广告推送。详情页，比如弹窗提示，当用户进入详情页，根据触发的规则条件情况，进行相关的访问引导。活动平台，比如目标用户，对该活动是否可见？哪些活动可见？等进行管理适配。触达系统，比如推送、消息、弹窗、短信等，针对具体的客群进行Push、站内信等触达。站外投放，比如站外广告，面向特定的人群，进行站外广告触达。

（3）业务需求

基于三种业务模式、六种业务场景的拆解分析，提炼出人群管理的功能需求主要包括：

人群对接，主要是对接系统，无论是站外系统还是站内系统，基础需求是用户命中了哪些人群包——以广告系统为例，人群包的ID可以Mapping为一则广告，即一个用户身上可以挂哪些广告；其次是人群包（内部），把人群推荐给谁，或者把哪些内容推送给该人群；最后是人群包（外部），主要围绕外部广告投放场景，提供人群包服务。后两种主要在内部统一ID和外部多平台ID等管理存在差异。人群定向，主要包括导入、导出、标签圈选、人群泛化、人群用户量预估等基础功能。人群洞察，包括人群包内部画像洞察、不同人群包之间的差异对比分析等。

2. DMP业务流程

基于知乎DMP业务模式提炼、业务场景刻画、业务需求澄清等背景梳理，结合站内系统、站外系统交互协同，形成了一套业务流程。

概括为四大核心功能模块：

人群定向模块，包括人群圈选、人群泛化、用户导入等；目标用户ID-Mapping模块，包括站外Mapping、站内Mapping等对接适配；用户洞察（效果评估）模块，包括构成分析、对比分析等；ABTest（活动优化）模块，包括策略设置、实验组织等。

围绕站内运营自闭环、站内向站外投放闭环、站外向站内广告闭环等人群运营，可以灵活适配活动落地。

3.DMP画像特征

在人群定向模块，存在大量的人群标签筛选、组合标签筛选的应用要求，对DMP平台的画像特征库提出很高的要求。

知乎DMP按照三层结构进行画像特征分类设计：

第一层分类：按主题分组，目前主要包括个体信息、消费特征、创作、兴趣、图文等8组。

第二层分类：按属性分组，比如个体信息主题包括基础特征、设备属性、社会属性等，知乎DMP目前有40组属性特征分组。

第三层分类：按标签类分组，比如性别类、手机品牌类、话题类等，目前有120类标签。

基于以上三层特征设计，知乎DMP画像特征库已有标签（标签值）超过250万。

4.DMP功能梳理

按照业务功能和特征管理两大能力进行说明：

业务功能主要服务于运营、营销、站内应用系统等，包括人群定向、人群洞察、ID-Mapping等。特征管理的核心是特征应用接入，在大规模标签特征基础上，结合用户群体关联、以及实时特征要求，这部分技术支撑依赖比较重。

详细的功能分布参见下图：

--

02

架构与实现

一套好的架构设计，能够有效降低业务功能实现的复杂度；能够支撑业务功能动态扩展与迭代；对于有外部交互的系统，能够保障系统的兼容性和开放性；能够保持系统运维的便捷性。

1.DMP平台架构

知乎DMP平台的整体架构，不同模块进行差异化设计：

对外模块：

lDMP接口：高稳定性、高并发高吞吐。

lDMP前台：操作简单，低运营使用成本。

lDMP后台：日常开发工作配置化，降低开发成本。

业务模块：

人群圈选：可扩展。新增特征0成本，新增规则低成本。人群洞察：可扩展。新增特征0成本，新增洞察方式低成本。人群泛化：可扩展。新增泛化方式低成本。特征生产：扩展成本低。原子特征低成本生产，派生特征通过后台可配置。ID-Mapping：屏蔽ID打通逻辑。计算任务运维：屏蔽机器资源和任务依赖的逻辑。存储：可扩展可持续，不因业务成长而导致成本大幅增加。

架构分布详情，如下图示：

2.DMP平台功能盘点

按照业务向、基础向两部分进行特征功能介绍。

（1）业务向功能

核心功能为人群定向、人群洞察两部分，分别支撑业务应用侧和价值运营侧服务。

知乎DMP业务向功能上线运营情况介绍：

支持了5.2万人群定向；支持340次人群洞察；支持59次人群泛化。

（2）基础向功能

主要包括特征建设、ID-Mapping能力、计算任务运维等三部分工作，形成三组专业小组分工协同。

知乎DMP基础向功能运营情况介绍：

每日2.0 TB共5日11TB（离线、实时）特征——Doris。120个离线生产任务和5个实时生产任务。每日6100次人群评估，300个人群圈选，1-2个人群洞察，1个人群泛化任务。

3.DMP特征数据链路及存储

数据导入/存储、快速查询/读取，是DMP平台关键的数据技术环节。

DMP的批量、流式特征如何建设并落地到相应的存储？

（1）离线标签链路（Spark批处理计算过程）

基于Hive中的各类业务数据，进行SQL批量计算，生成tag表（落地Hive表）；基于tag表再进行Mapping计算——主要通过用户/设备核心完成的统一ID计算，生成连续的自动ID，同时完成ID、Imei、IDsa等统一转换和唯一绑定；如果是一个新用户，则生成一个新ID，如果是一个老用户，则直接获取已有ID，这个过程维护了一张ID-Mapping表，继而附加各类MD5加密等处理过程，形成用户唯一ID、各类ID映射关系表。知乎DMP中的ID-Mapping表已存储约8.5亿的ID转化宽表数据。

（2）实时标签链路（Flink实时计算处理过程）

基于Kafka中的各类业务数据，进行流式特征计算，生成实时tag表（Kafka数据）；基于tag表进行流式Mapping计算，通过用户/设备核心完成统一ID计算（过程同上）。

（3）枚举采集

即250万标签的应用服务能力。

知乎DMP平台现有的125个标签类分组，分别由120个离线业务存储过程和5个实时业务事件过程计算完成，已经生成了各类原子标签。

ES标签搜索存储：在面向标签筛选应用环节，大规模标签录入操作成本太高，所有选择使用Bulk Load自动写入ES，生成标签枚举表tag_group表（存储标签中文信息及搜索，约250万记录），生成连续自增ID；

Doris中核心存储：根据ES中的连续自增ID，可以映射到Doris中用户标签表tag_map表（倒排表，用户和标签组合表，约有1100亿数据），Doris中还存在第三张表即用户行为表，是基于实时数仓够贱的，这里不做扩展介绍。

基于这三张表，给客户洞察、人群定向提供了相应的数据支撑基础。

4.人群定向流程

基于上个环节生成的ES-标签枚举表、Doris-用户标签表、Doris-ID转换映射表，进行人群定向流程解读。

场景一：通过购物车圈选人群标签，生成人群包，进行人群预估、继而完成人群圈选，最后写入Redis的过程。

第一步：标签搜索（相关标签、标签组合等设置，购物车生成）

第二步：人群预估（潜在人群包的动态评估，根据标签组合联动调整购物车配置，完成目标事件的人群匹配）

第三步：生成人群包，关联原数据、ID-Mapping 关联转换（站外）；将人群包ID和人群ID写入Redis，支持高并发查询使用。若非高并发场景，可以写入离线存储机制使用。

场景二：种子人群泛化场景，依托AI平台完成模型训练和人群推理泛化，通过置信度去选择，打上人群标签和人群包，最后写会Doris的过程。

该场景包括历史效果人群泛化、圈选人群的特征泛化等。

日常业务运营过程中，对标签、历史人群进行组合、泛化，再限制条件进行圈选、洞察，最后再调整等灵活组合、交叉应用模式。

--

03

难点及解决方案

本部分主要围绕人群定向方面做进行总结分享。

1.人群定向性能优化的痛点

知乎DMP平台关键应用模块包括人群定向和客户洞察，都依赖基础的画像特征。基于当前250万的标签特征数据基础，如何解决以下两个场景痛点：

人群定向方面关注痛点问题一：人群预估（秒级响应）——针对投放和营销场景，对人群数量期望是一定的，通过类似购物车的模式，动态调整用户特征，如何能保障快速看到预计匹配的人数？

人群定向方面关注痛点问题二：人群圈选（分钟级响应）——热点运营，当热点事件发生后，快速进行人群包圈选抢事件，对人群包时间有很高要求。

2.人群定向性能优化的思路（第一版）

解决上述性能问题的主要思路：

①倒排索引，将数据表变为bitmap。

②查询条件的与或非转变为bitmap的交并差。

③附带完成连续数值转变为离散标签，即发挥离散计算的性能优势，又提高了业务场景应用适配性。

倒排序索引，示例如下图（左）所示：

ID-Mapping适配，基于倒排序索引优化结果，在导入的过程中，完成ID-Mapping的生成（支持bitmap），实现用户ID的连续自增。如下图（右）所示：

结合倒排序索引存储方式优化调整，查询逻辑变化示例如下：

经过上述优化，仍存在单一bitmap过大的问题，导致shuffle过程网络IO过大，交换过程中数据堆积Doris出现brpc传输拥堵报错，上百兆的bitmap间进行交并差计算性能低等情况；以及bitmap空间分布分散，导致每次查询都会有大量的数据交换，网络负载高，速度慢等特点。

3.人群定向性能优化的思路（第二版）

基于人群预估分钟级、人群圈选10分钟级的优化结果，再优化的核心思路是分而治之。

第二版优化的解决思路：基于全站ID的交并差等价于将全站ID分组后的交并差结果的合并，故分而治之思路可行；考虑利用Doris的colocate group特性，将分组所有tag的bitmap阈值在同一台物理机上，避免网络开销；同时，升级Doris新版本，利用bitmap_and_not_count等组合函数，性能优于多函数嵌套等特性。

适配第二版优化的解决方案：查询过程调整，变更预估和圈人的查询逻辑实现；发挥多线程查询计算能力；查询代码嵌套条件优化；写入过程调整，进行百万人群写入分组，设置分组key；数据表设置colocate group。

分而治之方案的具体优化逻辑，如下图所示：

优化前后的bitmap逻辑计算复杂度对比如下图所示：

通过上述两版本优化，实现人群定向秒级响应，人群圈选分钟级响应效果。知乎DMP平台达到运营投产目标。

--

04

知乎DMP平台下一步迭代方向

1.业务运营优化

从DMP平台的多核心模块整体运营协同考虑，将目前松耦合的目标结果管理模块，同平台进行强绑定；将依赖流程绑定的A/B实验能力，与平台进行逻辑绑定。

2.技术迭代优化

技术层面，主要结合平台日常运营圈选操作特点分析，实现以下两方面的提升：

查询效率提升：自动探查SQL复杂查询条件，预先合并成一个派生特征的bitmap，预测和圈选时对复杂条件SQL重写为派生特征。

导入效率提升：将每天2TB的数据导入，每15天大约会存11TB的数据，导入过程中加速策略——结合业界的Spark写OLTP引擎，考虑能否通过Spark直接写Doris Tablet文件，并挂载到FE。

今天的分享就到这里，谢谢大家。

分享嘉宾：侯容 知乎

编辑整理：李挺 上海琢学

出品平台：DataFunTalk

01/分享嘉宾

侯容｜知乎 用户理解&数据赋能研发 Leader

毕业于北京化工大学，2018 年初入职知乎，在社区业务线完成多方向的业务流程建设和架构的搭建，2021 年开始负责知乎用户理解&数据赋能方向的研发团队管理，主要涵盖用户理解和实时数据的工程和业务研发。2021 年在知乎带领团队完成了实时数据系统从基建到业务层从 0 到 1 的建设及重写升级用户理解应用，形成「数据来源于业务，数据赋能于业务」的闭环，建设了相应的基建，提升了用户理解和实时数据的业务迭代效率，最终赋能业务拿到了不错的业务效果。

02/关于我们

DataFun：专注于大数据、人工智能技术应用的分享与交流。发起于2017年，在北京、上海、深圳、杭州等城市举办超过100 线下和100 线上沙龙、论坛及峰会，已邀请超过2000位专家和学者参与分享。其公众号 DataFunTalk 累计生产原创文章800 ，百万 阅读，14万 精准粉丝。

,