近幾年來，人工智能逐漸火熱起來，特別是和大數(shù)據(jù)一起結合使用。人工智能的主要場景又包括圖像能力、語音能力、自然語言處理能力和用戶畫像能力等等。這些場景我們都需要處理海量的數(shù)據(jù)，處理完的數(shù)據(jù)一般都需要存儲起來，這些數(shù)據(jù)的特點主要有如下幾點：

大：數(shù)據(jù)量越大，對我們后面建模越會有好處;

稀疏：每行數(shù)據(jù)可能擁有不同的屬性，比如用戶畫像數(shù)據(jù)，每個人擁有屬性相差很大，可能用戶A擁有這個屬性，但是用戶B沒有這個屬性;那么我們希望存儲的系統(tǒng)能夠處理這種情況，沒有的屬性在底層不占用空間，這樣可以節(jié)約大量的空間使用;

列動態(tài)變化：每行數(shù)據(jù)擁有的列數(shù)是不一樣的。

為了更好的介紹 HBase 在人工智能場景下的使用，下面以某人工智能行業(yè)的客戶案例進行分析如何利用 HBase 設計出一個快速查找人臉特征的系統(tǒng)。

[[250188]]

目前該公司的業(yè)務場景里面有很多人臉相關的特征數(shù)據(jù)，總共3400多萬張，每張人臉數(shù)據(jù)大概 3.2k。這些人臉數(shù)據(jù)又被分成很多組，每個人臉特征屬于某個組。目前總共有近62W個人臉組，每個組的人臉張數(shù)范圍為 1 ~ 1W不等，每個組里面會包含同一個人不同形式的人臉數(shù)據(jù)。組和人臉的分布如下：

• 43%左右的組含有1張人臉數(shù)據(jù);
• 47%左右的組含有 2 ~ 9張人臉數(shù)據(jù);
• 其余的組人臉數(shù)范圍為 10 ~ 10000。

現(xiàn)在的業(yè)務需求主要有以下兩類：

• 根據(jù)人臉組 id 查找該組下面的所有人臉;
• 根據(jù)人臉組 id +人臉 id 查找某個人臉的具體數(shù)據(jù)。

MySQL + OSS 方案

之前業(yè)務數(shù)據(jù)量比較小的情況使用的存儲主要為 MySQL 以及 OSS(對象存儲)。相關表主要有人臉組表group和人臉表face。表的格式如下：

group表： 

[[250189]]

face表： 

其中 feature 大小為3.2k，是二進制數(shù)據(jù) base64 后存入的，這個就是真實的人臉特征數(shù)據(jù)。

現(xiàn)在人臉組 id 和人臉 id 對應關系存儲在 MySQL 中，對應上面的 group 表;人臉 id 和人臉相關的特征數(shù)據(jù)存儲在 OSS 里面，對應上面的 face 表。

因為每個人臉組包含的人類特征數(shù)相差很大(1 ~ 1W)，所以基于上面的表設計，我們需要將人臉組以及每張人臉特征id存儲在每一行，那么屬于同一個人臉組的數(shù)據(jù)在MySQL 里面上實際上存儲了很多行。比如某個人臉組id對應的人臉特征數(shù)為1W，那么需要在 MySQL 里面存儲 1W 行。

我們?nèi)绻枰鶕?jù)人臉組 id 查找該組下面的所有人臉，那么需要從 MySQL 中讀取很多行的數(shù)據(jù)，從中獲取到人臉組和人臉對應的關系，然后到 OSS 里面根據(jù)人臉id獲取所有人臉相關的特征數(shù)據(jù)，如下圖的左部分所示。

我們從上圖的查詢路徑可以看出，這樣的查詢導致鏈路非常長。從上面的設計可看出，如果查詢的組包含的人臉張數(shù)比較多的情況下，那么我們需要從 MySQL 里面掃描很多行，然后再從 OSS 里面拿到這些人臉的特征數(shù)據(jù)，整個查詢時間在10s左右，遠遠不能滿足現(xiàn)有業(yè)務快速發(fā)展的需求。

HBase 方案

上面的設計方案有兩個問題：

• 原本屬于同一條數(shù)據(jù)的內(nèi)容由于數(shù)據(jù)本身大小的原因無法存儲到一行里面，導致后續(xù)查下需要訪問兩個存儲系統(tǒng);
• 由于MySQL不支持動態(tài)列的特性，所以屬于同一個人臉組的數(shù)據(jù)被拆成多行存儲。

針對上面兩個問題，我們進行了分析，得出這個是 HBase 的典型場景，原因如下：

• HBase 擁有動態(tài)列的特性，支持萬億行，百萬列;
• HBase 支持多版本，所有的修改都會記錄在 HBase 中;
• HBase 2.0 引入了 MOB(Medium-Sized Object) 特性，支持小文件存儲。HBase 的 MOB 特性針對文件大小在 1k~10MB 范圍的，比如圖片，短視頻，文檔等，具有低延遲，讀寫強一致，檢索能力強，水平易擴展等關鍵能力。

我們可以使用這三個功能重新設計上面 MySQL + OSS 方案。結合上面應用場景的兩大查詢需求，我們可以將人臉組 id 作為 HBase 的 Rowkey，系統(tǒng)的設計如上圖的右部分顯示，在創(chuàng)建表的時候打開 MOB 功能，如下：

create 'face', {NAME => 'c', IS_MOB => true, MOB_THRESHOLD => 2048} 

上面我們創(chuàng)建了名為 face 的表，IS_MOB 屬性說明列簇 c 將啟用 MOB 特性，MOB_THRESHOLD 是 MOB 文件大小的閾值，單位是字節(jié)，這里的設置說明文件大于 2k 的列都當做小文件存儲。大家可能注意到上面原始方案中采用了 OSS 對象存儲，那我們?yōu)槭裁床恢苯邮褂? OSS 存儲人臉特征數(shù)據(jù)呢，如果有這個疑問，可以看看下面表的性能測試： 

根據(jù)上面的對比，使用 HBase MOB特性來存儲小于10MB的對象相比直接使用對象存儲有一些優(yōu)勢。

我們現(xiàn)在來看看具體的表設計，如下圖：

上面 HBase 表的列簇名為c，我們使用人臉id作為列名。我們只使用了 HBase 的一張表就替換了之前方面的三張表!雖然我們啟用了 MOB，但是具體插入的方法和正常使用一樣，代碼片段如下： 

String CF_DEFAULT = "c"; 
Put put = new Put(groupId.getBytes()); 
put.addColumn(CF_DEFAULT.getBytes(),faceId1.getBytes(), feature1.getBytes()); 
put.addColumn(CF_DEFAULT.getBytes(),faceId2.getBytes(), feature2.getBytes()); 
…… 
put.addColumn(CF_DEFAULT.getBytes(),faceIdn.getBytes(), featuren.getBytes()); 
table.put(put); 

用戶如果需要根據(jù)人臉組id獲取所有人臉的數(shù)據(jù)，可以使用下面方法： 

Get get = new Get(groupId.getBytes()); 
Result re=table.get(get); 

這樣我們可以拿到某個人臉組id對應的所有人臉數(shù)據(jù)。如果需要根據(jù)人臉組id+人臉id查找某個人臉的具體數(shù)據(jù)，看可以使用下面方法： 

Get get = new Get(groupId.getBytes()); 
get.addColumn(CF_DEFAULT.getBytes(), faceId1.getBytes()) 
Result re=table.get(get); 

經(jīng)過上面的改造，在2臺 HBase worker 節(jié)點內(nèi)存為32GB，核數(shù)為8，每個節(jié)點掛載四塊大小為 250GB 的 SSD 磁盤，并寫入 100W 行，每行有1W列，讀取一行的時間在100ms-500ms左右。在每行有1000個face的情況下，讀取一行的時間基本在20-50ms左右，相比之前的10s提升200~500倍。

下面是各個方案的對比性能對比情況。

使用 Spark 加速數(shù)據(jù)分析

我們已經(jīng)將人臉特征數(shù)據(jù)存儲在阿里云 HBase 之中，這個只是數(shù)據(jù)應用的***步，如何將隱藏在這些數(shù)據(jù)背后的價值發(fā)揮出來?這就得借助于數(shù)據(jù)分析，在這個場景就需要采用機器學習的方法進行聚類之類的操作。我們可以借助 Spark 對存儲于 HBase 之中的數(shù)據(jù)進行分析，而且 Spark 本身支持機器學習的。但是如果直接采用開源的 Spark 讀取 HBase 中的數(shù)據(jù)，會對 HBase 本身的讀寫有影響的。

針對這些問題，阿里云 HBase 團隊對 Spark 進行了相關優(yōu)化，比如直接讀取 HFile、算子下沉等;并且提供全托管的 Spark 產(chǎn)品，通過SQL服務ThriftServer、作業(yè)服務LivyServer簡化Spark的使用等。目前這套 Spark 的技術棧如下圖所示。

通過 Spark 服務，我們可以和 HBase 進行很好的整合，將實時流和人臉特征挖掘整合起來，整個架構圖如下：

我們可以收集各種人臉數(shù)據(jù)源的實時數(shù)據(jù)，經(jīng)過 Spark Streaming 進行簡單的 ETL 操作;其次，我們通過 Spark MLib 類庫對剛剛試試收集到的數(shù)據(jù)進行人臉特征挖掘，***挖掘出來的結果存儲到 HBase 之中。***，用戶可以通過訪問 HBase 里面已經(jīng)挖掘好的人臉特征數(shù)據(jù)進行其他的應用。