详解支撑 7 亿用户搜索的百度图片处理收录中台
内容来源：百度Geek说 作者： imazon
导读： 在百度搜索中，主要由“搜索在线”和“搜索离线”两部分构成，“在线”服务主要用于响应用户请求，“离线”服务则将各种来源的数据转换处理后送入“在线”服务中。“搜索离线”的数据处理是一个典型的海量数据批次/实时计算结合的场景。
一、多模态检索背后的”离线“与“在线”
在百度搜索中，主要由“搜索在线”和“搜索离线”部分构成，“在线”服务主要用于响应用户请求，“离线”服务则将各种来源的数据转换处理后送入“在线”服务中。“搜索离线”的数据处理是一个典型的海量数据批次/实时计算结合的场景。
2015年起，百度App上线了多模态检索能力，将智能化搜索直观体现在用户面前。多模态检索是在传统文本检索之上，增加了视觉检索和语音检索的能力。
其中，“视觉检索”和“文本检索图片”这两类业务的离线、在线技术上，有很多地方是共通的。以视觉检索为例，产品形态包括：猜词、更多尺寸图片、图片来源、垂类图片（短视频、商品、等）、相似推荐等，其背后依托的核心技术有分类（GPU在线模型预估）与ann检索。
在ann检索方面，目前主要采用的检索方法有基于聚类的gno-imi、基于图的hnsw，以及局部敏感hash方法，选型的主要考虑是技术方案成本与特征的适用性，比如gno-imi是百度内开源的，内存占用比较小的方案，应用到百亿规模的ann检索上成本可接受；局部敏感hash的方法，应用到SIFT这类局部特征上，可以加强手机拍照识别场景下召回效果。
这些在线技术的背后，依赖的特征有百余种，离线要收录全网图片，并对图片计算特征，其算力开销是非常庞大的；另外，图片在互联网上依附于网页，还需要维护“图片-图片链接-网页链接”的关系（离线数据处理、在线应用都离不开数据关系，比如为了溯源，需要提供图片的来源网页url等）。
此种情况下，搜索架构部与内容技术架构部依据自身业务与技术特点，联合设计与开发了“图片处理收录中台”，以期达到以下目的：
- 统一的数据获取与处理能力，可整合图片类业务的数据获取、处理、存储逻辑，提升人效，降低存储&计算成本。
- 百亿~千亿级别的图片应用，可实现快速调研、数据采集、全网数据更新能力。
- 建设图片实时筛选与定制下发数据通路，提升图片资源引入的时效性。
该项目在内部名为Imazon项目。Imazon来自于Image + Amazon，其中amazon代表中台能力的吞吐能力、DAG处理能力、图片容量。
目前，图片处理收录中台，提供复杂业务场景下单日处理数十亿级图片数据，秒级实时收录百gps，全网收录万级别gps。平台目前支持多个业务线的图片处理与收录需求，大幅提高了业务执行效率。
二、图片处理收录中台的架构与关键技术
搜索效果的持续优化，离不开数据与算力，主要以收录，存储，计算为核心。图片处理收录中台，希望通过中台提供的通用能力包括：从时效、全网图片收录通路中筛选数据、提供大吞吐的流式处理机制、图片-网页关系刻画能力、原图&缩图存储、在线处理机制等。
2.1 图片处理收录中台解决什么问题？
图片处理收录中台的主体流程，经历6个阶段：网页spider（获取网页内容），图片内容提取，图片spider（爬取图片），特征计算（百余种特征），内容关系存储，建库。如下图所示：
2.2 图片处理收录中台的技术指标
中台的技术指标定义，从架构指标、效果、研发效率3方面来描述。
架构指标包括吞吐、扩展性、稳定性：
- 吞吐，即在成本限制内，提高吞吐，具体指标为：单数据大小：百K bytes（图片+特征）；实时收录 百qps；全网收录万级别qps
- 扩展性，即云原生部署、算力资源弹性调度，有资源时快点算，没资源时慢点算。
- 稳定性，即不丢数据，自动重试，自动回放；时效性数据分钟级处理成功率；全网数据天级处理成功率
效果指标主要关注数据关系：
- 真实的图片-网页链接关系（e.g. 网页/图片退场了，关系更新）
研发效率指标包括业务通用性和语言灵活性：
- 业务通用性：支撑依赖全网图片的业务获取数据；特征迭代
- 语言灵活性：C++&go&php
2.3 图片处理收录中台的架构设计
图片处理收录是一个无界数据的流式处理过程，因此整体架构设计以流式实时处理系统为主，兼支持批处理输入。同时，为了解决大吞吐需求、业务研发效率等问题，设计中采用了弹性计算&事件驱动、业务逻辑与DAG框架解耦部署等思想。具体如下图所示，后文会详细讲解。
2.4 图片处理收录中台的基础设施
百度基础设施：
- 存储：table、bdrp(redis)、undb、bos
- 消息队列：bigpipe
- 服务框架：baidurpc、GDP(go)、ODP(php)
依托&构建的业务基础设施
- Pipeline调度：odyssey，支撑架构全景中的各DAG
- 流控系统：在核心入口层，提供均衡流量、调节流量的能力
- 千仞：托管/调度/路由 百~千类上万实例的cpu/gpu算子
- 内容关系引擎：刻画图-网页关系，基于事件驱动计算，与blades联动弹性调度
- 离线微服务组件：Tigris，DAG节点的具体业务逻辑放到远程RPC中执行
三、优化实践
下面简单介绍在面向大吞吐高算力场景下，中台的一些优化实践。
3.1 大吞吐流式处理架构的实践
成本（算力、存储）是有限的，面对大吞吐需求，在如下方向做了针对性优化：
- 消息队列成本高
- 流量毛刺、波峰波谷带来的资源利用率不足
- 算力不够带来的数据堆积
3.1.1 消息队列成本优化
在离线流式数据处理中，通过消息队列在DAG/pipeline中传输数据是比较常规的方案，该方案可以借助消息队列的持久化来保证业务对数据的不丢的要求（at least once）。业务特点：
- Pipeline/DAG中的传输的是图片及其特征，百K bytes，消息队列的成本比较高昂
- 下游算子，不一定需要所有数据，通过message queue透传所有字段性价比低
具体优化思路如下：
- DAG中message queue传引用（trigger msg），DAG中算子的输出存储到旁路cache
- 旁路cache的高吞吐低成本优化，利用DAG中数据的生命周期，主动删除&脏写优化
具体协议设计为：
- Trigger msg（bytes），通过message queue，miner间点对点传输
- TigrisTuple（100K~ bytes）通过redis实现miner间共享
- ProcessorTuple（M~ bytes）通过旁路cache实现按需读写
3.1.2 流量均衡与波峰滞后计算
入口流量的波峰波谷或毛刺，使得全系统必须按照峰值容量部署，但是低峰期资源利用率又不够。如下图：
具体优化思路如下：
通过反压/流控机制，在资源恒定的前提下，将系统的总吞吐最大化
- 流控系统平滑流量，减少均值与峰值的gap，使得全系统各模块的“容量利用率”稳定维持在高位
- DAG/pipeline具备反压能力，当局部模块容量不足，反压到流控模块，流控模块自适应调节，波峰数据滞后到波谷计算
- 为解决业务上不可接受的数据滞后，区分数据优先级，保证高优数据优先分发（全系统的吞吐设计至少cover高优数据的吞吐）
△图3 3个优先级的流控
3.1.3 解决大吞吐场景下算力临时不够带来的数据堆积
全网数据收录场景下，特征计算存在GPU资源瓶颈，这些特征消耗的GPU卡非常巨大，可以通过“错峰”与“离在线混布、临时资源使用”等思路可以解决该问题，但是引入了新问题：离线pipeline中无法buffer这么多的数据，且不希望反压影响上游DAG处理吞吐
具体优化思路：
- 分析瓶颈点， 拆分DAG；利用存储DB作为“天然的流控”系统，事件驱动（弹性调度计算特征、特征就位触发调度下游DAG）。
3.2 内容关系引擎
互联网的图片内容关系，可以用一个三部图来刻画。采用下面的概念定义进行描述：
- f：fromurl，代表网页，f下有多个o。f纬度的特征：title、page type等
- o：objurl，代表图片链接，一个o只能指向一张图片。o纬度的特征：死链
- c：图片content sign，图片内容的签名，代表图片。c纬度的特征：图片内容、ocr、清晰度、人物，等
- fo：网页与图片链接的边。边的特征：图片上下文、alt
- oc：图片链接与图片的边。边的特征：图片爬取时间
内容关系引擎，需要能够刻画如下行为：
为刻画互联网中各元素完整关系描述，这是一个千亿节点规模，P级别存储的图数据库，需要达成的系统指标如下：
- 写性能：
- vertex：万级别qps，单节点属性（100~K bytes）
- edge：十万级别qps
- 读性能（全量筛选、特征迭代）：
- 导出的点、边属性信息（scan吞吐需求：G bytes/s）
为了解决读写性能问题，基于table设计了COF三部图内容关系引擎，核心设计思路如下：
- C表采用前缀hash做数据划分，保证scan的顺序性，并读到完整关系（c来源于哪些o，o来源于哪些f），P级存储
- O表采用SSD机制，支持查O对应的C
- F表采用SSD介质，提高随机读性能；保存反向映射关系，支持通过F查找O与C
为减少随机写带来的IO瓶颈、降低系统事务复杂性，采用了“基于版本的校验方法，读时校验，异步退场”来保证关系的正确性。
3.3 其他实践
为提升业务研发迭代效率、提升系统自身维护性，系统解决了一些问题，但是在提升“研发幸福感”的路上，才刚刚上路。我们着重解决研发效率和维护成本的问题。
比如在业务接入效率方面：
数据源复用
- Problem：10个业务的数据，有10种格式，proto嵌入太多，看不懂
- Try：从异构schema=>标准schema；OP的input/output管理
DAG 产出复用
- Problem：不能影响上游的DAG处理吞吐和速度。
- Try：DAG rpc串联，解决级联阻塞；DAG原生衔接，数据生存周期问题， copy on write&erase
资源存储复用：
- Problem：我用了他产生缩图，但是这个缩图现在打不开了！什么，原图也被删了？
- Try：多租户机制，引用计数退场，cdn统一接入、在线统一智能裁剪与压缩
在多语言支持方面：
- Problem：
- 想用C++/Python/PHP/go，框架兼容复杂！速度慢了，谁的问题？
- 我只实现一个业务逻辑就行了，不想关心DAG的太多细节
- Try：
- DAG框架语言统一，通过远程rpc隔离业务实现
- Rpc Echo(trigger msg[in], tigris tuple[in], processor input list[in], processor output list[out])
在维护成本方面：
- Problem：
- 这个数据为什么没有收录？
- 短信99+（warning、fatal混杂）、怎么办：消息队列又堵塞了
- Try：
- 分布式app日志trace
- 监控&报警，分类+howto
- 业务核心指标：收录规模/s，按分位收录时间，特征覆盖率，业务分发规模/s，数据丢失率，超时收录占比
- 系统核心指标：DAG提交PV，DAG容量/利用率，OP status（OK、FAIL、RETRY、…），OP容量/利用率，OP耗时/超时率
- 关键点指标：依赖服务吞吐、时延、失败；OP内部细节监控；
本期作者 | imazon
