https://www.infoq.cn/article/ctrip-big-data-high-concurrency-applications-architecture?utm_campaign=infoq_content&utm_source=infoq&utm_medium=feed&utm_term=global

互联网二次革命的移动互联网时代，如何吸引用户、留住用户并深入挖掘用户价值，在激烈的竞争中脱颖而出，是各大电商的重要课题。通过各类大数据对用户进行研究，以数据驱动产品是解决这个课题的主要手段，携程的大数据团队也由此应运而生；经过几年的努力，大数据的相关技术为业务带来了惊人的提升与帮助。

以基础大数据的用户意图服务为例，通过将广告和栏位的“千人一面”变为“千人千面”，在提升用户便捷性，可用性，降低费力度的同时，其转化率也得到了数倍的提升，体现了大数据服务的真正价值。

在新形势下，传统应用架构不得不变为大数据及新的高并发架构，来应对业务需求激增及高速迭代的需要。

一、业务高速发展带来的应用架构挑战

公司业务高速发展带来哪些主要的变化，以及给我们的系统带来了哪些挑战？

1. 业务需求的急速增长，访问请求的并发量激增，2016 年 1 月份以来，业务部门的服务日均请求量激增了 5.5 倍。
2. 业务逻辑日益复杂化，基础业务研发部需要支撑起 OTA 数十个业务线，业务逻辑日趋复杂和繁多。
3. 业务数据源多样化，异构化，接入的业务线、合作公司的数据源越来越多；接入的数据结构由以前的数据库结构化数据整合转为 Hive 表、评论文本数据、日志数据、天气数据、网页数据等多元化异构数据整合。
4. 业务的高速发展和迭代，部门一直以追求以最少的开发人力，以架构和系统的技术优化，支撑起携程各业务线高速发展和迭代的需要。

在这种新形势下，传统应用架构不得不变，做为工程师也必然要自我涅槃，改为大数据及新的高并发架构，来应对业务需求激增及高速迭代的需要。计算分层分解、去 SQL、去数据库化、模块化拆解的相关技改工作已经刻不容缓。

以用户意图（AI 点金杖）的个性化服务为例， 面对 BU 业务线的全面支持的迫切需要，其应用架构必须解决如下技术难点：

1. 高访问并发：每天近亿次的访问请求；
2. 数据量大：每天 TB 级的增量数据，近百亿条的用户数据，上百万的产品数据；
3. 业务逻辑复杂：复杂个性化算法和 LBS 算法；例如：满足一个复杂用户请求需要大量计算和 30 次左右的 SQL 数据查询，服务延时越来越长；
4. 高速迭代上线：面对 OTA 多业务线的个性化、Cross-saling、Up-saling、需满足提升转化率的迫切需求，迭代栏位或场景要快速，同时减少研发成本。

二、应对挑战的架构涅磐

面对这些挑战，我们的应用系统架构应该如何涅磐？主要分如下三大方面系统详解:

存储的涅磐，这一点对于整个系统的吞吐量和并发量的提升起到最关键的作用，需要结合数据存储模型和具体应用的场景。

计算的涅磐，可以从横向和纵向考虑：横向主要是增加并发度，首先想到的是分布式。纵向拆分就是要求我们找到计算的结合点从而进行分层，针对不同的层次选择不同的计算地点。然后再将各层次计算完后的结果相结合，尽可能最大化系统整体的处理能力。

业务层架构的涅磐，要求系统的良好的模块化设计，清楚的定义模块的边界，模块自升级和可配置化。

三、应用系统的整体架构

认识到需要应对的挑战，我们应该如何设计我们的系统呢，下面将全面的介绍下我们的应用系统整体架构。

下图就是我们应用系统整体架构以及系统层次的模块构成。

数据源部分， Hermes 是携程框架部门提供的消息队列，基于 Kafka 和 Mysql 做为底层实现的封装，应用于系统间实时数据传输交互通道。Hive 和 HDFS 是携程海量数据的主要存储，两者来自 Hadoop 生态体系。Hadoop 这块大家已经很熟悉， 如果不熟悉的同学只要知道 Hadoop 主要用于大数据量存储和并行计算批处理工作。

Hive 是基于 Hadoop 平台的数据仓库，沿用了关系型数据库的很多概念。比如说数据库和表，还有一套近似于 SQL 的查询接口的支持，在 Hive 里 叫做 HQL，但是其底层的实现细节和关系型数据库完全不一样，Hive 底层所有的计算都是基于 MR 来完成，我们的数据工程师 90% 都数据处理工作都基于它来完成。

离线部分，包含的模块有 MR, Hive , Mahout, SparkQL/MLLib。Hive 上面已经介绍过，Mahout 简单理解提供基于 Hadoop 平台进行数据挖掘的一些机器学习的算法包。Spark 类似 hadoop 也是提供大数据并行批量处理平台，但是它是基于内存的。SparkQL 和 Spark MLLib 是基于 Spark 平台的 SQL 查询引擎和数据挖掘相关算法框架。我们主要用 Mahout 和 Spark MLLib 进行数据挖掘工作。

调度系统 zeus，是淘宝开源大数据平台调度系统，于 2015 年引进到携程，之后我们进行了重构和功能升级，做为携程大数据平台的作业调度平台。

近线部分，是基于 Muise 来实现我们的近实时的计算场景，Muise 是也是携程 OPS 提供的实时计算流处理平台，内部是基于 Storm 实现与 HERMES 消息队列搭配起来使用。例如，我们使用 MUSIE 通过消费来自消息队列里的用户实时行为，订单记录，结合画像等一起基础数据，经一系列复杂的规则和算法，实时的识别出用户的行程意图。

后台 / 线上应用部分，Mysql 用于支撑后台系统的数据库。ElasticSearch 是基于 Lucene 实现的分布式搜索引擎，用于索引用户画像的数据，支持离线精准营销的用户筛选，同时支持线上应用推荐系统的选品功能 。Hbase 基于 Hadoop 的 Hdfs 上的列存储 Nosql 数据库，用于后台报表可视化系统和线上服务的数据存储。

这里说明一下, 在线和后台应用使用的 ElasticSearch 和 Hbase 集群是分开的，互不影响。 Redis 支持在线服务的高速缓存，用于缓存统计分析出来的热点数据。

四、推荐系统案例

介绍完我们应用系统的整体构成， 接下来分享基于这套系统架构实现的一个实例——携程个性化推荐系统。

推荐系统的架构图：

1 存储的涅磐

1）Nosql (Hbase+Redis)

我们之前存储使用的是 Mysql,  一般关系型数据库会做为应用系统存储的首选。大家知道 Mysql 非商业版对分布式支持不够，在存储数据量不高，查询量和计算复杂度不是很大的情况下，可以满足应用系统绝大部分的功能需求。

我们现状是需要安全存储海量的数据，高吞吐，并发能力强，同时随着数据量和请求量的快速增加，能够通过加节点来扩容。另外还需要支持故障转移，自动恢复，无需额外的运维成本。综上几个主要因素，我们进行了大量的调研和测试，最终我们选用 Hbase 和 Redis 两个 Nosql 数据库来取代以往使用的 Mysql,。我们把用户意图以及推荐产品数据以 KV 的形式存储在 Hbase 中，我对操作 Hbase 进行一些优化，其中包括 rowkey 的设计，预分配，数据压缩等， 同时针对我们的使用场景对 Hbase 本身配置方面的也进行了调优。目前存储的数据量已经达到 TB 级别，支持每天千万次请求，同时保证 99% 在 50 毫秒内返回 。

Redis 这块和多数应用系统使用方式一样，主要用于缓存热点数据，这里就不多说了。

2）搜索引擎 (ElasticSearch)

ES 索引各业务线产品特征数据，提供基于用户的意图特征和产品特征复杂的多维检索和排序功能，当前集群由 4 台大内存物理机器构成，采用全内存索引。对比某一个复杂的查询场景， 之前用 Mysql 将近需要 30 次查询，使用 ES 只需要一次组合查询且在 100 毫秒内返回 。目前每天千万次搜索，99% 以上在 300 毫秒以内返回。

2 计算的涅磐

1）数据源，我们的数据源分结构化和半结构化数据以及非结构化数据。

结构化数据主要是指携程各产线的产品维表和订单数据，有酒店，景酒，团队游，门票，景点等；还有一些基础数据，比如城市表，车站等，这类数据基本上都是 T+1。每天会有流程去各 BU 的生产表拉取数据。

半结构化数据是指，携程用户的访问行为数据，例如浏览，搜索，预订，反馈等，这边顺便提一下，这些数据这些是由前端采集框架实时采集，然后下发到后端的收集服务，由收集服务在写入到 Hermes 消息队列，一路会落地到 Hadoop 上面做长期存储，另一路近线层可以通过订阅 Hermes 此类数据 Topic 进行近实时的计算工作。

我们还用到外部合作渠道的数据，还有一些评论数据，评论属于非结构化的，也是 T+1 更新。

2）离线计算，主要分三个处理阶段 。

预处理阶段，这块主要为后续数据挖掘做一些数据的准备工作，数据去重，过滤，对缺失信息的补足。举例来说采集下来的用户行为数据，所含有的产品信息很少，我们会使用产品表的数据进行一些补足，确保给后续的数据挖掘使用时候尽量完整的。

数据挖掘阶段，主要运用一些常用的数据挖掘算法进行模型训练和推荐数据的输出 (分类，聚类，回归 ，CF 等)。

结果导入阶段，我们通过可配置的数据导入工具将推荐数据，进行一系列转换后，导入到 HBASE，Redis 以及建立 ES 索引， Redis 存储的是经统计计算出的热点数据 。 

3）近线计算（用户意图, 产品缓存）

当用户没有明确的目的性情况下，很难找到满足兴趣的产品，我们不仅需要了解用户的历史兴趣，用户实时行为特征的抽取和理解更加重要，以便快速的推荐出符合用户当前兴趣的产品，这就是用户意图服务需要实现的功能。

一般来说用户特征分成两大类：一种是稳定的特征（用户画像），如用户性别，常住地，主题偏好等特征；另一类是根据用户行为计算获取的特征，如用户对酒店星级的偏好，目的地偏好，跟团游 / 自由行偏好等。基于前面所述的计算的特点，我们使用近在线计算来获取第二类用户特征，整体框图如下。从图中可以看出它的输入数据源包括两大类：第一类是实时的用户行为，第二类是用户画像，历史交易以及情景等离线模块提供的数据。结合这两类数据，经一些列复杂的近线学习算法和规则引擎，计算得出用户当前实时意图列表存储到 Hbase 和 Redis 中。

携程用户意图框架

近线另一个工作是产品数据缓存，携程的业务线很多，而我们的推荐系统会推各个业务线的产品，因此我们需要调用所有业务线的产品服务接口，但随着我们上线的场景的增加，这样无形的增加了对业务方接口的调用压力。而且业务线产品接口服务主要应用于业务的主流程或关键型应用，比较重，且 SLA 服务等级层次不齐，可能会影响到整个推荐系统的响应时间。

为了解决这两个问题，我们设计了近在线计算来进行业务的产品信息异步缓存策略，具体的流程如下。

我们会将待推荐的产品 Id 全部通过 Kafka 异步下发，在 Storm 中我们会对各业务方的产品首先进行聚合，达到批处理个数或者时间 gap 时，再调用各业务方的接口，这样减少对业务方接口的压力。通过调用业务方接口更新的产品状态临时缓存起来（根据各业务产品信息更新周期分别设置缓存失效时间），在线计算的时候直接先读取临时缓存数据，缓存不存在的情况下，再击穿到业务的接口服务。

4）在线计算（2 个关键业务层架构模块介绍）

1，业务层架构 - 数据治理和访问模块，支持的存储介质，目前支持的存储介质有 Localcache，Redis，Hbase，Mysql 可以支持横向扩展 。统一配置，对同一份数据，采用统一配置，可以随意存储在任意介质，根据 id 查询返回统一格式的数据，对查询接口完全透明。

穿透策略和容灾策略，Redis 只存储了热数据，当需要查询冷数据则可以自动到下一级存储如 Hbase 查询，避免缓存资源浪费。当 Redis 出现故障时或请求数异常上涨，超过整体承受能力，此时服务降级自动生效，并可配置化。 

2，业务层架构 - 推荐策略模块，整个流程是先将用户意图、用户浏览，相关推荐策略生成的产品集合等做为数据输入，接着按照场景规则，业务逻辑重新过滤，聚合、排序。最后验证和拼装业务线产品信息后输出推荐结果；

我们对此流程每一步进行了一些模块化的抽象，将重排序逻辑按步骤抽象解耦，抽象如右图所示的多个组件，开发新接口时仅需要将内部 DSL 拼装便可以得到满足业务需求的推荐服务；提高了代码的复用率和可读性，减少了超过 50% 的开发时间；对于充分验证的模块的复用，有效保证了服务的质量。