nosql在視訊網站大資料分析的應用
阿新 • • 發佈：2019-01-11
| 優酷作為一家大型視訊網站，擁有海量播放流暢的視訊。我們秉承注重使用者體驗這一產品技術理念，將絕大部分儲存用在視訊資源上。通過建設專用的視訊CDN，建立了可自由擴充套件、效能優異的架構，在提供更好使用者體驗的同時優化了儲存資源。在除視訊資源外的其他方面，我們也累積了海量資料：僅運營資料，每天收集到的網站各類訪問日誌總量已經達到TB級，經分析及壓縮處理後留存下來的歷史運營資料已達數百TB，很快將會達到 PB級，5年後資料量將會達到幾十PB級。 如何更好地處理和分析這些海量資料，以挖掘出其中的價值? 挖掘資料中的價值 對企業來說，尤其是對於為使用者提供服務的行業，僅提供基礎服務已經越來越難應付日趨細化的商業模式。如何為使用者提供差異化的優質服務成為這類企業必須解決的問題。而資料好比燈塔，能為企業指引前進的方向。網際網路、電信、金融等行業都在加大資料 對優酷而言，通過使用者的每次播放流程，我們都對頁面瀏覽、評論收藏、視訊播放以及播放時的各種操作進行了記錄。經處理後的分析結果會反饋給不同的業務模組，對包括產品、內容運營、使用者的個性化推薦及廣告投放等方面的提升，都起到了關鍵作用。 網站頁面、客戶端的UI/UE的設計及效果，都需要資料進行支援。通過A/B測試系統，我們收集到使用者對不同UI下的操作反饋，進而評估UI的改變對使用者的影響。 內容方面，通過對使用者網路情況的統計：每次播放是否發生了緩衝，平均下載速度是多少等，進行實時的統計和計算，獲取每個地區每個運營商下使用者的載入表現，以此來決定CDN節點的分佈和分配策略，為不同地區、不同運營商的使用者提供清晰流暢的視訊服務。 在推薦方面，通過對大量視訊播放行為的分析，歸納不同時長、不同型別、不同內容的視訊之間的相互關聯，挖掘不同人群使用者的同質化觀看習慣，對每次使用者的觀看進行有針對性的後續推薦，並藉助後續資料的分析，迭代地改善現有服務，為使用者提供量身定製的推送服務。 資料對於優酷的廣告精準投放也起到了重要作用。優酷的廣告系統支援對不同地域、頻道、標籤及人群等條件的定向投放。在投放策略上，我們本著儘可能不影響使用者體驗的原則，對於廣告長度及投放頻次都進行了限制。雖然這給投放造成了較大難度，但通過對各種細粒度的定向條件組合歷史資料進行的分析，我們在廣告投放方面已經相當準確。在投放階段，我們實時分析使用者屬性、訪問情況及當前廣告投放量，對每次投放動態調整。 技術架構 下面以優酷的運營資料為例介紹我們的海量資料解決之道。我們的運營資料包括播放、使用者互動、搜尋、廣告等，目前總計達數百TB，它們儲存在數百臺伺服器  如圖所示，根據業務型別的不同，我們收集到日誌之後，按照不同時間策略先對資料進行清洗。不失真的原始日誌，按規定的格式直接以檔案的形式儲存在Hadoop上，資料清洗轉換後的中間結果，會儲存在Hive資料倉庫上;而一些粗粒度的彙總資料，則寫到MySQL、HBase等資料庫 每天優酷的日常資料處理任務多達數百個，對時效性要求不同，任務的執行策略也不同。需要準實時查詢的，我們可以提供延遲10分鐘的資料;其他任務也根據優先順序及緊急程度安排排程，而執行中的資源的分配由系統動態調整。 NoSQL探索之路 層出不窮的NoSQL技術，無疑是現在極其熱門的領域，依託高可用性、高水平擴充套件性、高效存取及支援MapReduce等特性使其在應對Web2.0網站時比關係型資料庫更加得心應手。 目前優酷大量資料依然儲存在MySQL等平臺上，這是考慮到關係型資料庫大都經歷了長時間的實踐檢驗，比較成熟，遵循相同標準，能獲得較好的支援。而且，主流關係型資料庫也都積極嘗試從海量資料等方面改進產品。此外，NoSQL分Key-Value、document、column、圖等多種型別，特性各不相同，這種總稱遮蔽了彼此之間的差異;而且各NoSQL產品還在不斷變化，甚至API也有所更改，這在技術掌握上及維護上成本較高，畢竟找一個懂 MySQL及SQL的開發工程師比找一個MongoDB專家要容易得多。 儘管如此，仍阻擋不住我們對NoSQL產品進行嘗試的熱情：一方面對不同業務應用適合的產品，另一方面對同類產品也在做評估對比。目前優酷的線上評論業務已部分遷移到MongoDB，運營資料分析及挖掘處理我們在使用Hadoop/HBase;在Key-Value產品方面，我們也在尋找更優的 Memcache替代品，如Redis，相對於Memcache，除了對Value的儲存支援三種不同的資料結構外，同一個Key的Value進行部分更新也會更適合一些對Value頻繁修改的線上業務;同時我們在搜尋產品中應用了Tokyo Tyrant;對於Cassandra等產品我們也進行過研究。可以說，我們會一直持續關注NoSQL技術，未來可能會根據需要選擇合適的產品應用到實際業務中。 目前NoSQL技術依然處於發展階段，只有少數蘊涵優秀的技術，並最終倖免淘汰，與其他資料解決方案一起生存下來，未來也許會有新的NoSQL產品出現。開發人員，尤其是各大公司的技術團隊在使用NoSQL專案的同時，根據使用經驗，會對一些針對特定使用場景的特性及服務加以抽象並實現，形成類似於基於Hadoop平臺的Pig這類衍生專案。在這方面未來的發展潛力是巨大的，比如在BI領域，目前的NoSQL產品與現有BI產品幾乎沒有交集。將來一些NoSQL產品應該能夠通過現有主流BI產品直接訪問，或者提供自己的BI模組。類似的功能也許會形成新的標準，顛覆現有開發模式。 機遇大於挑戰 海量資料時代對企業的影響，並非直接來自資料，而在於社會的飛速進步及不斷湧現的商業模式。2007年，微軟CEO鮑爾默說，Google公司現在幾乎是每年翻一番。優酷從起步，到重新整理5年多來美國IPO最大漲幅紀錄，只用了短短4年時間。而隨著變革速度不斷加快，各企業掉隊落伍的可能性已明顯增大。從海量資料中挖掘潛在價值，分析行業趨勢，在短時間內更新業務模式，優化產品和服務，提升核心競爭力，將是企業需要持續解決的課題。 隨著資料量越來越大，平行計算得到了越來越普遍的應用，新技術的產生使得技術選擇多元化，學習成本有所提高;同時，在學習之後的應用階段，開發、測試及維護成本都大大降低，資料分析、挖掘及BI領域依舊會得到成型軟體的支援。因此，海量資料時代的技術人員，機遇反而大於挑戰：一方面需要從關注開發細節，轉而關注各種新技術的特性;另一方面應該具備更深的業務抽象能力。只有具備這樣的綜合能力，才能讓技術發揮更大的價值。 展望 目前，企業所掌握的資料，還遠沒有達到最細的粒度，隨著技術的發展和裝置的廉價化，未來企業能夠收集到的資料還將呈非線性增長。能夠為運營提供支援的新維度、新指標也會被繼續發掘出來。分析的難度隨著維度和指標的增多不斷加大，傳統的資料探勘及BI產品將越來越難滿足需求。 在應對海量資料的計算模型方面，目前MapReduce成為主流，大多數平臺和產品都在應用MapReduce。而未來，也許會有更好的或者針對特定領域更好的計算模型出現。目前Google在圖處理方面，已在使用Pregel模型;Yahoo!也在開發新一代的MapReduce模型，以期從可靠性、可用性、可擴充套件性、向後相容、延遲及叢集利用等方面，對現有模型進行改進。這類改進會進一步提高海量資料的計算效率。 平行計算及分散式系統未來的產品線應會不斷豐富。風靡一時的Hadoop並非完美，高吞吐量造成的高延遲、處理時的資源浪費等，也都會是使用者需要考慮的問題。會不會有替代品出現，讓我們拭目以待。 對於具體企業，不同企業可能選用不同的解決方案。一些中小企業，通過購買SaaS服務，將資料提供給第三方服務商處理。服務商通過對多家同行企業的資料分析，尋找共性，再反饋給企業為其創造更大價值，實現了平臺提供者和使用者的雙贏。另外一些企業會通過租用PaaS及IaaS服務的方式，將相對不敏感的資料放到公有云上處理，以節約裝置採購及維護成本。對於企業的敏感資料，會通過建立私有資料中心，搭建私有云來處理，而同時也會考慮用公有云平臺進行互補。最終結果，資料會向一些大的節點集中，而大的節點也更有能力從掌握的海量資料中挖掘有用資訊。這些資訊通用性強的部分會被共享出來，服務於社會。 對於優酷來說，仍處於飛速發展階段，已經在考慮未來自建資料中心，提高資料處理能力，從網站的運營中發掘出更多資訊，為使用者提供更好的視訊服務。 |