美团配送实时特征平台建设实践
编辑整理：Frank
出品平台：DataFunTalk
导读：2019年5月，美团正式推出新品牌「美团配送」，升级配送开放平台。那你知道支撑美团配送大脑的实时特征平台是如何建设的吗？如何实现每分钟生产千万级的实时特征？如何在70w+QPS的场景下实现4个9响应耗时在50毫秒的需求？本文将为大家介绍配送实时特征平台的发展历程，关键技术和实践经验。
1. 商业模型
配送的业务最主要的就是一个履约的行为，将用户、商家和骑手关联起来，促进配送效率提升、用户体验提高、配送成本降低，从而形成一个闭环的商业模型。
即时配送平台核心职责就是调整好用户、商家、骑手三元的关系，用更低的成本为用户带来更好的体验，为商家带来更多的单量，为骑手带来更多的收入。
2. 履约模型
配送就是一个履约的过程，不像电商主要是线上完成，配送主要是线下完成履约。
物理世界中，一个运单的完成过程是从用户下单开始到用户收餐骑手离客为止，需经历一系列室内室外的场景——用户下单，系统派单，骑手室外骑行到目的地然后下车步行到商家，等待取餐驻留室内，商家出餐，骑手取餐离店后步行上车，室外骑行到用户目的地，下车步行上楼送餐，驻留室内等待用户收餐，最后用户收餐骑手离客。
可以看到物理世界是比较复杂的一个过程，那就需要智能决策系统来做一定的调度，派给哪个骑手？何时到店取餐？同时要做一个合理的定价，针对恶劣天气和爬楼梯等特殊情况收的费用肯定是不同的，收多少配送费？付给骑手多少配送费？最后还要给出一个合理的时间预估，配送时长是多少？商家多久可以出餐？
算法要做以上这些智能决策过程中，就需要做履约过程整个链路的数字化，通过实时特征平台来做实时感知的数字化，通过AIoT平台完成如骑手骑行、爬楼等行为精准感知的数字化；本次主要介绍实时感知数字化的实时特征平台。
1. 背景
2017年开始做实时特征平台建设的背景是为了解决两大问题：
千万订单履约过程智能化：最开始履约过程是由简单的规则构建的，现在要实现从规则配置化向智能化过渡，包含智能调度、ETA时间预估、配送费定价和爆单等场景；算法实时决策需要分钟级数据的时效性。
现有开发模式无法及时响应：当时实时特征开发散落在4个业务团队，进行烟囱式开发，流程长、效率低，存在一些重复建设；实时特征开发耦合在业务系统中，稳定性风险较高。
2. 目标&规划
基于建设背景，设定了建设目标——建设分钟级时效的实时特征平台，多粒度刻画履约过程，提升研发效率，降低研发成本。
基于建设目标，设定了三阶段的演进计划：
第一阶段——系统化：和业务系统划清边界、确定实时平台架构；将系统搭建起来，验证是否可以支撑业务场景；将新增特征进行收口管理。
第二阶段——规模化：建设高可用的系统，支撑更多的实时特征，将旧特征“绞杀”进行统一收口管理。
第三阶段——平台化：将实时计算整合，进行完善的服务治理。
3. 系统化
① 设计思路
② 整体架构
进行系统化整体架构设计时，先制定了左侧的架构标准：
流程标准化：从数据输入，加工计算到数据输出做了一个流程的标准化。
数据分层，将共性沉淀下来。
特征兜底，降低风险。
基于架构标准，最终制定了右侧的架构图，共分为6层：
数据源层：主要有包裹表、运单表、骑手表以及运单扩展表。
数据层：ODS层将数据进行清洗和转换，在DWD进行维表建模和合流，最后形成索引数据和明细数据的宽表。
计算层：通过标准化的SQL对宽表数据进行计算。
存储层：存储计算层输出的特征数据。
服务层：通过实时特征服务将存储层数据统一输出应用层应用。
应用层：主要有ETA时间预估策略服务、调度策略服务、保单策略服务以及定价策略服务。
管理系统：主要就是一些元数据的管理，比如数据源、特征口径以及存储的管理；还包含兜底策略管理，降级模块，可以对单特征降级，也支持批量降级的核按钮。
③ 数据层关键点
做实时数据系统大都会碰到两个挑战：
流乱序问题
端到端的Exactly-Once语义保障
针对以上挑战，结合配送的实际业务场景给出对应的解决思路：
提前构建“拼图”模板，实时填充：结合物理世界的配送履约过程，构建业务宽表，涵盖下单时间、支付时间、发单时间、调度时间、接单时间、取餐时间、送达时间等，根据实时数据流填充模板宽表，避免各数据流填各自的字段，避免乱序问题。
上游合流保证不丢，下游解决重复问题。
④ 计算层关键点
2017年调研了一些行业解决方案:
Storm开发运维成本较高、SQL化难度高。
Flink没有现在这么火，稳定性无法保障；Spark Streaming不是公司运维的关键点，对于线上场景的稳定性也是无法保障。
耦合在业务系统内部的基于Rpc计算在公司有成熟的监控运维体系和技术框架，但有一个问题是，该场景主要是基于关系型数据库进行计算的，例如MySQL，是存在单点问题的，扩展较难。
因为对基于Rpc的计算是相对有把握的，所以首先升级计算框架，将原有基于关系数据库计算升级为基于内存计算，计算是无状态、可扩展的；为了防止数据倾斜，基于业务特点进行提前按区域分片，采用“能者多劳”模式，计算比较快的节点就多计算一些。
接下来介绍下计算层的核心逻辑：
首先，数据层形成的宽表，主要存储在外存中，例如运单包裹合流信息，那它如何和区域dim起来？就是通过索引表，将区域和运单关联起来。
其次，全国有多少区域是确定的，每隔一分钟会通过定时任务将全国的区域放到MQ中。
最后，就是实时特征计算服务FCS，每个计算节点有多个worker，每个worker中有task会做基于内存数据库H2的计算，当收到MQ的区域信息后，会拉取对应区域的宽表数据，在H2中计算实时特征，计算完成后会继续计算下一批的实时特征。
⑤ 阶段成果
建设系统化的阶段成果主要有：
刻画粒度：维度上主要有商家和区域；粒度上主要有订单、运单、包裹。
效率：特征上线由原来的多天提升到分钟级，收口新特征有60多个。
接入量：接入9个算法模型、15个算法版本。
稳定性：通过特征兜底策略避免了Kafka集群故障，系统没有S级事故。
4. 规模化
① 数据服务挑战&思路
第二阶段规模化建设的背景就是推动实时特征收口。
在外卖的图中会显示每单的配送时长，看上去这是一个指标，但实际上这个指标从外卖到配送经过的链路是很长的，最少有五六个节点，虽然只是一个ETA的预估时间，但是涉及到的特征可能有60个左右；另外，商家列表页会几百个商家，还要做排序，这样对实时特征的压力非常大，对实时特征的查询性能有更高的要求，通常200毫秒的延迟用户就会感知到。所以实时特征计算就会面临两个问题:
稳定性要求高：交易链路
性能要求高：50ms响应时间
解决以上问题的主要思路有：
定制度：“135”制度，1分钟响应问题，3分钟定位问题，5分钟恢复计算
保稳定：做全链路的监控和降级
提性能：满足50ms的响应时间
② 稳定性建设框架
结合实际问题，制定了稳定性建设的框架：
四层监控体系：硬件监控（CPU/网络/磁盘/内存）、基础组件监控（DB/MQ/ES/缓存）、服务监控（性能/异常/超时率/QPS）以及全链路数据质量监控。
容灾体系：事前会做隔离、双缓存的架构设计，1.5倍容量规划以及定期压测；事中会做熔断、限流，三层降级（计算、服务、算法各层都有各自的降级兜底策略）的容错降级机制；事后主要是做CaseStudy的总结以及报警工具的完善，同时还要对实时索引和离线数据进行修复。
制度：有完善的技术方案review机制、代码reiview机制、上线制度、巡检制度、值班制度以及报警治理等制度，最终形成一套可监控、可灰度、可回滚的技术体系。
③ 稳定性建设：拆分、隔离
在规模化稳定性建设的拆分和隔离上，主要做法如下：
服务链路：遵循按照业务场景垂直拆分、一套代码部署隔离的服务/存储拆分原则，将实时特征服务拆分为ETA、调度、定价、爆单四个服务，在物理环境上进行隔离，但是使用的是同一套代码。
计算链路：通过双机房（rz、gh）热备、三种场景集群（监控、运营、履约）对Storm集群进行拆分；使用美团自研的多机房Mafka集群做了MQ容灾，替换了单机房Kafka集群；对于数据收集的canal做了隔离，离线、实时、zk隔离，并做了多机房的容灾。
④ 数据质量
在数据质量上做了全链路过程质量的监控：
流计算：监控时效性；
FCS实时特征计算：监控性能、延迟、完备性、准确性；
FFS实时特征服务：监控响应时间、可用性、容量；
特征结果：监控准确性、完备性。
例如：数据清洗中会关注消息处理耗时；FCS服务会关注event流入总量、sql流入总量、内存表记录数、空值特征比例、单批次计算耗时；宽表会关注宽表记录数、未填充字段占比、不合理记录占比；特征质量会关注骑手平均负载最大值发生的时间、区域特征个数95分位数、商家平均特征个数、骑手负载中位数、众数等；FFS服务会关注每次请求耗时、请求密度、请求成功率和QPS等。
⑤ 查询服务性能优化
做查询服务性能优化主要有三个思路：
IO：使用批量、分组方式降低IO频次；使用PB格式替换原JSON格式、去除无用字段等减负瘦身方式来降低IO大小；使用高速的本地缓存。
CPU：减少Stop The World时间，使用G1替换了原来的CMS。
内存：减少对象创建，控制对象大小。
最终成果是TP4个9的耗时稳定在40毫秒以内。
⑥ 建设成果
规模化的建设成果主要有：
接入量：接入100+算法版本，200+实时特征全部收口，调度、ETA、定价、爆单策略21个核心服务全部接入。
性能：60w+QPS下，4个9的响应时间在50毫秒以内；每分钟生产1000w+特征，计算耗时小于40秒；计算、服务、存储都支持水平扩展。
稳定性：应对了GH机房断电故障，且没有S级事故。
5. 平台化
① 背景&策略
平台化的建设背景是需要满足更多粒度的特征需求，第一类是降雨、降雪等天气等级等的区域维度以及骑手轨迹等的骑手维度；第二类是通过算法实时加工的特征，如预计出餐时长和预计进单量。
针对以上背景，有两大策略来解决：
开放策略：事件驱动，开放履约事件，让业务平台可以根据开放平台自己计算一些特征。
集成策略：建设数据收集通道，汇总第三方特征，业务通过收集通道将自己计算的特征上报汇总起来；将类似于骑手轨迹这种动态维度，屏蔽了计算引擎，引入了Flink进行动态维度计算。
② 架构升级
上图是在平台化建设过程中升级后的架构，蓝色部分是新增的：
数据源层新增了采集SDK：业务平台可以将自己算的特征通过SDK上报到MQ里面，然后通过计算引擎落到第三方特征存储，通过服务层提供给需求方。
计算层引入了Flink和Storm，建设了一层引擎路由，屏蔽掉了底层的计算引擎，让用户使用无感知。
数据粒度：新增了GeoHash、AOI的维度；新增了天气、轨迹、预测类特征的粒度。
接入量：实现了200+第三方特征自助化上报，履约事件校友对接了ADS、ETA等服务。
稳定性：无S级事故。
③ 建设成果
实时特征平台的建设成果有：
业务效果：计算400+实时特征，覆盖了ETA、爆单、调度、动态定价等配送线上策略；实时特征成为配送履约的一环，对算法策略的效果提升显著。
效率提升：开发周期从多天降低到分钟级别。
性能和稳定性：每分钟处理上亿条数据；在70W+的QPS场景下，实时特征服务4个9响应时间在50毫秒；没有S级故障。
配送数据方向的未来规划有：
数据治理：除了实时特征外，还有活动类、运营类的实时数据，因此未来考虑实时特征以及其他场景的数据与实时数仓进行融合；虽然目前做了一些端到端的监控，但大都是单节点的监控，未来会做从数据源到最终提供服务的全链路的数据质量建设。
降低研发成本：可以看到目前架构中使用的计算引擎开发运维成本有点高，有FCS微批处理、Storm、Flink，未来会考虑将计算引擎整合，降低开发运维成本。
今天的分享就到这里，谢谢大家。