一、云原生技術(shù)棧

下圖是 CNCF 公布的云原生基礎(chǔ)架構(gòu)的抽象圖。

典型的云原生技術(shù)?？煞譃樗膶樱汗┙o層（Provisioning）、運(yùn)行時(shí)層（Runtime）、策劃和管理層（Orchestration & Management）以及App定義和開發(fā)層（App Definition & Development）。還包括一些可觀測性和分析的基礎(chǔ)設(shè)施，比如監(jiān)控、日志、調(diào)用追蹤、混沌工程。

我們要做的，就是在推薦系統(tǒng)上，利用好 cloud native 的這幾層架構(gòu)，來實(shí)現(xiàn)基礎(chǔ)技術(shù)能力。早期 cloud native 有些基礎(chǔ)設(shè)施還沒有完善，因此部分公司在搭建推薦系統(tǒng)時(shí)，部分基礎(chǔ)設(shè)施是自建的。后期，在 cloud native 技術(shù)完善之后，在設(shè)計(jì)推薦系統(tǒng)時(shí)，就會基于 cloud native 的技術(shù)棧來進(jìn)行模塊設(shè)計(jì)。無論是哪一種形式，都要對云原生的技術(shù)棧和推薦系統(tǒng)的基礎(chǔ)架構(gòu)有比較深入的了解，才能做到較好的融合。

二、推薦系統(tǒng)架構(gòu)

推薦系統(tǒng)的技術(shù)架構(gòu)，可以分為在線和離線部分。

離線部分通常做內(nèi)容建模，數(shù)據(jù)引入時(shí)，通常做內(nèi)容建模，例如內(nèi)容生態(tài)和合作數(shù)據(jù)引入。我們對這些數(shù)據(jù)進(jìn)行內(nèi)容處理，如標(biāo)簽化、標(biāo)簽特征抽取、向量化（即根據(jù)一些模型把 Doc 數(shù)據(jù)轉(zhuǎn)化為向量）。對于用戶數(shù)據(jù)，例如用戶點(diǎn)展、共享和分享這些用戶行為，我們會對其進(jìn)行數(shù)據(jù)挖掘和用戶畫像、Attention 抽取等，并且對用戶的屬性也進(jìn)行向量化。在此基礎(chǔ)上，將用戶的推送或相關(guān)性、關(guān)聯(lián)性等 doc 維度的屬性進(jìn)行召回和排序，最終進(jìn)行展現(xiàn)。

流量方面，在天級范圍內(nèi)體現(xiàn)出明顯的潮汐現(xiàn)象。比如在晚高峰流量高，低谷期流量低。

三、基于云原生的推薦系統(tǒng)設(shè)計(jì)重點(diǎn)

針對推薦系統(tǒng)的特點(diǎn)，在設(shè)計(jì)時(shí)需要從三個(gè)層次建設(shè)基礎(chǔ)能力和業(yè)務(wù)架構(gòu)。第一層，需要構(gòu)建好云原生的基礎(chǔ)設(shè)施，包括 PaaS、事件機(jī)制、服務(wù)編排、服務(wù)畫像、指標(biāo)采集等；在此基礎(chǔ)上，是第二層，云原生能力的建設(shè)，包括構(gòu)建 ALM 的全生命周期管理、容量管理，SaaS 方面的資源管理、調(diào)度機(jī)制，以及流量管理、混沌工程穩(wěn)定性等等；最終體現(xiàn)在第三層業(yè)務(wù)價(jià)值上，包括降低成本、提升研發(fā)效率、保證穩(wěn)定性、提升業(yè)務(wù)效果和提升性能。

接下來重點(diǎn)介紹四個(gè)方面：虛擬化和微服務(wù)化改造，服務(wù)治理和彈性建設(shè)，基于云原生能力的推薦業(yè)務(wù)應(yīng)用以及穩(wěn)定性建設(shè)。

1. 虛擬化和微服務(wù)改造

虛擬化技術(shù)是云原生系統(tǒng)中最基礎(chǔ)的部分，本質(zhì)上是軟硬件的技術(shù)棧。硬件輔助虛擬化方案（Hardware virtualization，HVM），主要利用 CPU 等硬件輔助處理敏感指令，以實(shí)現(xiàn)完全虛擬化功能，無需修改客戶端操作系統(tǒng)。

VMware Workstation，Xen，KVM 產(chǎn)品或架構(gòu)都是應(yīng)用了該技術(shù)，當(dāng)前市場中幾乎所有主流硬件都是支持硬件輔助虛擬化技術(shù)的。

最常見的虛擬化落地方式是 KVM 技術(shù)，通過處理敏感指令，實(shí)現(xiàn) CPU、內(nèi)存和 IO 的虛擬化技術(shù)。

另一個(gè)趨勢是 GPU，在推薦系統(tǒng)中日益盛行，主要用于模型訓(xùn)練、在線推理等一系列高密度復(fù)雜計(jì)算。GPU 顯存大、計(jì)算能力強(qiáng)，需要對其進(jìn)一步虛擬化切分，使業(yè)務(wù)能夠以更低的成本使用，獲得高效的運(yùn)算效果。

虛擬化構(gòu)建之后，必不可少的步驟是微服務(wù)的改造。微服務(wù)化改造是精細(xì)化調(diào)度和服務(wù)資源運(yùn)營的基礎(chǔ)。以百度為例，早期業(yè)務(wù)流量增長迅猛，對研發(fā)迭代的效率要求極高，早期實(shí)現(xiàn)方式為巨型服務(wù)，每個(gè)業(yè)務(wù)模塊功能變復(fù)雜后，功能依然在模塊內(nèi)部實(shí)現(xiàn)，導(dǎo)致開發(fā)迭代變得越來越困難。隨著模塊逐步龐大，會發(fā)現(xiàn)一臺機(jī)器上的部分資源被占滿，而部分資源空閑，因此需要進(jìn)行微服務(wù)化改造。比如預(yù)估層，抽出 CTR 預(yù)估、時(shí)長預(yù)估等，將服務(wù)拆解。

微服務(wù)化拆分的目標(biāo)是無巨型服務(wù)和可遷移服務(wù)。無巨型服務(wù)，即約束服務(wù)的資源顆粒度。同時(shí)做到可遷移，即各服務(wù)實(shí)現(xiàn)實(shí)例自動化遷移?？蛇w移除了常見的擴(kuò)容外，還有服務(wù)實(shí)例自愈。比如當(dāng)整機(jī)出現(xiàn)熱點(diǎn)，或當(dāng)服務(wù)模塊出現(xiàn)異常時(shí)，能快速探測，并實(shí)現(xiàn)自愈。

拆分的原則包括：按策略、業(yè)務(wù)流程拆分，按組織團(tuán)隊(duì)拆分，以及通用服務(wù)平臺化。

一個(gè)典型的推薦系統(tǒng)服務(wù)改造方式為，將一些巨型服務(wù)，如用戶模型、內(nèi)容數(shù)據(jù)、索引排序等，進(jìn)行額外的抽象，進(jìn)行獨(dú)立的平臺化處理，即通過 RPC 訪問外部服務(wù)，使其從原本的推薦服務(wù)中抽離出來。

構(gòu)建通用服務(wù)框架，通過組件式的開發(fā)構(gòu)建可組裝的策略組件。包括業(yè)務(wù)模塊、架構(gòu)模塊。其中架構(gòu)模塊即一些可復(fù)用的基礎(chǔ)模塊，比如 Filter 或一些基礎(chǔ)函數(shù)，還包括一些策略算子，如 CTR、Rank 等，以算子庫的形式提供給業(yè)務(wù)，進(jìn)行拼裝式的使用。

常用的一種拼裝方式是 DAG 引擎。通過一些配置文件，即可將整個(gè)代碼邏輯組裝起來。

2. 服務(wù)治理和彈性建設(shè)

應(yīng)用生命周期管理（ALM）的目標(biāo)是通過服務(wù)治理，讓所有的服務(wù)都保持在合理的運(yùn)行狀態(tài)下，確保資源利用健康度，可檢測、可干預(yù)。服務(wù)治理的能力和效率，是架構(gòu)可持續(xù)發(fā)展的關(guān)鍵因素，其基礎(chǔ)依賴就是容器編排、虛擬化的支持，在此基礎(chǔ)上通過對基礎(chǔ)參數(shù)和性能參數(shù)的采集，進(jìn)行服務(wù)編排。同時(shí)，還要做到可觀測性。

通過 ALM 采集的數(shù)據(jù)，可以對服務(wù)進(jìn)行統(tǒng)一、標(biāo)準(zhǔn)化地治理，實(shí)現(xiàn)對資源的合理利用。但有些服務(wù)，其資源利用率并不是隨 QPS 增長而線性增長的，不同服務(wù)對利用率的容忍率也不同。因此，我們構(gòu)建了以服務(wù)畫像為中心的云原生技術(shù)。

根據(jù)每個(gè)服務(wù)的極限負(fù)載個(gè)性化地設(shè)置合理容量，實(shí)現(xiàn)系統(tǒng)成本全局最優(yōu)?；诜?wù)的機(jī)型偏好的調(diào)度策略，實(shí)現(xiàn)資源最優(yōu)配置，提升系統(tǒng)性能。摒棄傳統(tǒng)固定容量模式，動態(tài)調(diào)整服務(wù)容量，實(shí)現(xiàn)資源按需分配。

針對負(fù)載波動差異大，彈性等級差異大和負(fù)載容忍度差異大等問題，通過不同類型的畫像來構(gòu)建彈性能力。比如在線場景中晚高峰流量大，push 場景中新熱點(diǎn)流量會明顯上升，對于不同的服務(wù)構(gòu)建個(gè)性化流量畫像來描繪其波動特性。另外，從存儲和計(jì)算兩個(gè)維度對各個(gè)服務(wù)的彈性進(jìn)行打分，以此作為彈性伸縮的依據(jù)。

通過 Metric agent、Data Polling 等數(shù)據(jù)采集，離群值處理、缺失值填充以及數(shù)據(jù)聚合等預(yù)處理方法，構(gòu)建多維度服務(wù)畫像。

基于畫像構(gòu)建個(gè)性化的 ALM quota resize 架構(gòu)，通過預(yù)縮容、反饋和熔斷機(jī)制、步進(jìn)式調(diào)整控制流程等方法保障穩(wěn)定性。

基于畫像的 serverless，是一種基于流量預(yù)測的彈性伸縮策略，可以進(jìn)行提前預(yù)判 & 負(fù)載反饋兜底。依托 STL、LSTM 等時(shí)序算法模型進(jìn)行流量預(yù)測。通過主動預(yù)測、提前預(yù)判、監(jiān)控負(fù)載、主被動結(jié)合的方式，構(gòu)建兼顧穩(wěn)定性和成本的安全彈性機(jī)制。

上圖中展示了預(yù)測效果?？梢钥吹筋A(yù)估誤差為 4%，相較于簡單規(guī)則的 18%，具有明顯優(yōu)勢。

3. 基于云原生能力的推薦業(yè)務(wù)應(yīng)用

釋放出來的資源可以用于額外的計(jì)算，以獲得更多收益。

推薦產(chǎn)品不依賴用戶的主動輸入，多數(shù)用戶的“興趣”長期穩(wěn)定。Nearline 召回機(jī)制是介于在線離線之間的一類全新召回方式，容忍秒級延遲，有更大的計(jì)算規(guī)模和復(fù)雜度，可以使用碎片資源和閑置資源，降低機(jī)制成本。

通過異步計(jì)算的方式，與在線計(jì)算解耦，根據(jù)系統(tǒng)負(fù)載主動計(jì)算，可以提前計(jì)算獲得預(yù)估結(jié)果，提升效果。根據(jù)資源情況，動態(tài)調(diào)整計(jì)算參數(shù)，實(shí)現(xiàn)資源平穩(wěn)與充分利用。

4. 穩(wěn)定性建設(shè) - 混沌工程

混沌工程在 2018 年由 CNCF 提出，是??新興的技術(shù)學(xué)科，通過實(shí)驗(yàn)性的?法，讓?們建?對于復(fù)雜分布式系統(tǒng)在?產(chǎn)中抵御突發(fā)事件能力的信心。

傳統(tǒng)的穩(wěn)定性工作，建立在歷史 case 和工程師經(jīng)驗(yàn)基礎(chǔ)上，是一個(gè)（發(fā)生故障->解決問題->下次發(fā)生故障）的循環(huán)。系統(tǒng)經(jīng)過重構(gòu)升級后，穩(wěn)定性能力可能無法持續(xù)。

混沌工程的整體目標(biāo)是通過實(shí)驗(yàn)主動驅(qū)動代替過去的 case 被動驅(qū)動，在可控范圍內(nèi)周期性注入故障，主動發(fā)現(xiàn)系統(tǒng)隱患，驗(yàn)證穩(wěn)定性能力，推動架構(gòu)迭代優(yōu)化。

混沌工程的主要機(jī)制是通過紅藍(lán)對抗機(jī)制進(jìn)行故障的隨機(jī)預(yù)演練。通過對故障場景編排和自動化巡檢，利用韌性指數(shù)把穩(wěn)定性進(jìn)行量化。

基于歷史問題抽象故障庫，建立可量化的穩(wěn)定性評價(jià)體系，引入韌性信心指數(shù)規(guī)范，混沌實(shí)驗(yàn)周期性巡檢，更新韌性指數(shù)，驅(qū)動架構(gòu)優(yōu)化。