华为云PB级数据库GaussDB(for Redis)揭秘第13期:如何搞定推荐系统存储难题
Posted 华为云
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了华为云PB级数据库GaussDB(for Redis)揭秘第13期:如何搞定推荐系统存储难题相关的知识,希望对你有一定的参考价值。
摘要:GaussDB(for Redis)轻松搞定推荐系统核心存储,为企业级应用保驾护航。
本文分享自华为云社区《GaussDB(for Redis)揭秘第13期:如何搞定推荐系统存储难题?》,作者:高斯Redis官方博客 。
一、推荐偏差引发的思考
七夕过后,笔者的一个朋友遇到了尴尬事:当女友点开他的购物APP,竟然自动弹出一系列推荐:玫瑰包邮、感动哭了、浪漫小夜灯……回想七夕那天,礼物并没有出现,于是问题出现了:从实招来,你送谁了?
为了帮助友人重建信任,笔者进行了一番技术调研:这一定是“推荐系统”出了偏差。
推荐系统是一种信息过滤系统,它能够快速分析海量用户行为数据,预测出用户喜好,从而进行有效推荐。在商品推荐、广告投放等业务中,推荐系统责任重大。根据亚马逊2019年度报告,其40%的营收来自内部稳定的推荐系统。
在本文开篇的例子中,正是由于推荐系统问题,才导致了尴尬的场面。笔者决定力挺友人,用可靠的知识让人信服!
二、推荐系统长什么样
通常来说,在一套成熟的推荐系统中,分布式计算、特征存储、推荐算法是关键的三大环节,缺一不可。
下面介绍一类完整的推荐系统,在系统中GaussDB(for Redis)负责核心的特征数据存储。该系统也是华为云诸多客户案例中较为成熟的最佳实践之一。
第一部分:获取特征数据
- 原始数据采集
点赞、收藏、评论、购买……这些行为都属于原始数据,他们随时都在发生,因此数据量庞大。经由Kafka、Redis Stream等流组件向下游传递,或存入数仓,等待后期提取使用。
- 分布式计算
原始数据离散、含义模糊,无法直接给算法使用。此时就要进行大规模的离线、在线计算,对数据加工。Spark、Flink都是典型的大数据计算组件,其强大的分布式计算能力是推荐系统不可或缺的。
- 特征数据存储
经过加工的数据也就是特征、标签,是推荐算法所需的宝贵数据源。在特定场景下,也可以称之为用户画像、物品画像。这部分数据有着反复共享、复用的价值,不仅能用于训练算法模型,还能为生产环境提供服务。
确保特征数据的可靠存储,是推荐系统中极为关键的一环。
第二部分:消费特征数据
- 线下模型训练
有了关键的特征数据,业务就可以开始训练算法模型。只有充分利用特征库,以及最新行为数据,不断打磨推荐算法,这样才能提升推荐系统整体水平,最终带给用户更好的体验。
- 线上推理预测
算法模型训练结束后,将被部署到线上生产环境。它将继续利用已有的特征存储,根据用户的实时行为进行推理,快速预测出与用户最匹配的优质内容,形成推荐列表,并推送给终端用户。
三、推荐系统的存储难题
很显然, “特征数据”在整个系统中起到了关键的衔接作用。由于KV形式的数据抽象与特征数据极为接近,因此推荐系统里往往少不了Redis的身影。
在上述系统的方案中,数据库选型为GaussDB(for Redis),而不是开源Redis。原因是开源Redis在大数据场景下还是存在显而易见的痛点:
1. 数据无法可靠存储
推荐系统其实希望既能使用KV数据库,又能放心将数据长久保存。但开源Redis的能力更侧重于数据的缓存加速,而不是数据存储。而且开源Redis毕竟是纯内存设计,即使有AOF持久化,但通常也只能秒级落盘,数据的保存并不可靠。
2. 数据量上不去,成本下不来
涉及推荐的业务往往用户体量也不会小,随着业务发展,也会有更多的特征数据需要保存。实际上,相同容量的内存与极速SSD相比,价格贵10倍以上都很正常。于是,当数据量达到几十GB、几百GB,开源Redis会变得越来越“烧钱”,因此一般只当做“小”缓存使用。除此之外,开源Redis自身fork问题导致容量利用率低,硬件资源有很大的浪费。
3. 灌库表现不佳
特征数据需要定期更新,往往以小时或天为周期进行大规模数据灌入任务。如果存储组件不够“皮实”,大量写入造成数据库故障,将导致整个推荐系统发生异常。这就可能造成开篇提到的尴尬用户体验。
开源Redis抗写能力并不强,这是由于集群中有一半节点是备节点,它们只能处理读请求。当大批量写入到来时,主节点容易出问题,引发连锁反应。
理论上,架构设计并不是越复杂越好,如果可以,谁不想使用一种既能兼顾特征数据KV类型、成本友好、性能又有保障的可靠数据存储引擎?
四、相见恨晚,遇见GaussDB(for Redis)
与开源Redis不同,GaussDB (for Redis)基于存算分离架构,为推荐系统这一类大数据场景带来关键的技术价值:
1. 可靠存储
数据命令级落盘,在底层存储池中三副本冗余存储,真正做到了0丢失。
2. 降本增效
高性能持久化技术+细粒度存储池,帮助企业将数据库使用成本降低75%以上。
3. 抗写能力强
多线程设计+全部节点可写,抗写能力足够强大,从容应对Spark灌库压力和实时更新。华为云企业级数据库GaussDB (for Redis)提供稳定、可靠的KV存储能力,正是推荐系统核心数据的极佳选型。
五、完美衔接,实现想存就存的自由
其实,在Spark后端接入Redis已经成为一种主流方案,而使用Flink从Redis中提取维度表也是很常见的用法。它们也都提供了用于接入Redis的连接器。GaussDB(for Redis)完全兼容Redis协议,即开即用,用户随时都可以快速创建实例并接入业务。
1. Spark-Redis-Connector
Spark-Redis-Connector完美实现了Spark RDD、DataFrame到GaussDB(for Redis)实例中String、Hash、List、Set等结构的映射。用户可使用熟悉的Spark SQL语法轻松访问GaussDB(for Redis),完成特征数据灌库、更新、提取等关键任务。
使用方法非常简单:
1)当需要读取Hash、List、Set结构到Spark RDD时,分别只用一行即可搞定:
2)而当推荐系统进行灌库或特征数据更新时,可以按如下方式轻松完成写入:
2. Flink-Redis-Connector
Flink这款计算引擎流行程度不亚于Spark,它同样有成熟的Redis连接方案。使用Flink提供的Connector或结合Jedis客户端,都可轻松完成Flink到Redis的读写操作。
以使用Flink统计单词频次的简单场景为例,数据源经过Flink加工后,便可轻松存入GaussDB(for Redis)中。
六、结语
大数据应用对核心数据的存储有着很高的要求,云数据库GaussDB(for Redis)拥有存算分离的云原生架构,在完全兼容Redis协议的基础上,同时做到了稳定性、可靠性的全面领先。面对海量核心数据存储,它还能为企业带来相当可观的成本节约。面向未来,GaussDB(for Redis)极有潜力成为下一个大数据浪潮的新星。
七、附录
本文作者:华为云数据库GuassDB(for Redis)团队
杭州/西安/深圳简历投递:yuwenlong4@huawei.com
GuassDB(for Redis)产品主页:https://www.huaweicloud.com/product/gaussdbforredis.html
更多技术文章,关注高斯Redis官方博客:https://bbs.huaweicloud.com/community/usersnew/id_1614151726110813
以上是关于华为云PB级数据库GaussDB(for Redis)揭秘第13期:如何搞定推荐系统存储难题的主要内容,如果未能解决你的问题,请参考以下文章
华为云PB级数据库GaussDB(for Redis)揭秘第九期:与HBase的对比
华为云PB级数据库GaussDB(for Redis)揭秘第13期:如何搞定推荐系统存储难题
解读 SSDBLevelDB 和 RocksDB 到 GaussDB(for Redis) 的迁移