Feed流系统设计
背景
Feed流：可以理解为信息流，解决的是信息生产者与信息消费者之间的信息传递问题。
我们常见的Feed流场景有：
1 手淘，微淘提供给消费者的首页商品信息，用户关注店铺的新消息等
2 微信朋友圈，及时获取朋友分享的信息
3 微博，粉丝获取关注明星、大V的信息
4 头条，用户获取系统推荐的新闻、评论、八卦
关于Feed流的架构设计，包括以上场景中的很多业内专家给出了相应的思考、设计和实践。本人是大数据方向出身的技术人，所在的团队参与了阿里手淘、微淘Feed流的存储层相关服务，我们的HBase/Lindorm数据存储产品在公有云上也支持着Soul、趣头条、惠头条等一些受欢迎的新媒体、社交类产品。我们在数据存储产品的功能、性能、可用性上的一些理解，希望对真实落地一个Feed流架构可以有一些帮助，以及一起探讨Feed流的未来以及数据产品如何帮助Feed流进一步迭代。
本文希望可以提供两点价值：
1 Feed流当前的主流架构以及落地方案
2 一个初创公司如何选择Feed流的架构演进路径
业务分析
Feed流参与者的价值
信息生产者
希望信息支持格式丰富（文字、图片、视频），发布流畅（生产信息的可用性），订阅者及时收到消息（时效性），订阅者不漏消息（传递的可靠性）
信息消费者
希望及时收到关注的消息（时效性），希望不错过朋友、偶像的消息（传递的可靠性），希望获得有价值的消息（解决信息过载）
平台
希望吸引更多的生产者和消费者（PV、UV），用户更长的停留时间，广告、商品更高的转化率
Feed信息传递方式
一种是基于关系的消息传递，关系通过加好友、关注、订阅等方式建立，可能是双向的也可能是单向的。一种是基于推荐算法的，系统根据用户画像、消息画像利用标签分类或者协同过滤等算法向用户推送消息。微信和微博偏向于基于关系，头条、抖音偏向于基于推荐。
Feed流的技术难点
互联网场景总是需要一定规模才能体现出技术的瓶颈，下面我们先看两组公开数据：
新浪微博为例，作为移动社交时代的重量级社交分享平台，2017年初日活跃用户1.6亿，月活跃用户近3.3亿，每天新增数亿条数据，总数据量达千亿级，核心单个业务的后端数据访问QPS高达百万级
（来自 Feed系统架构与Feed缓存模型）
截止2016年12月底，头条日活跃用户7800W，月活跃用户1.75亿，单用户平均使用时长76分钟，用户行为峰值150w+msg/s，每天训练数据300T+（压缩后），机器规模万级别
（来自 今日头条推荐系统架构设计实践）
上面还是两大巨头的历史指标，假设一条消息1KB那么千亿消息约93TB的数据量，日增量在几百GB规模且QPS高达百万，因此需要一个具备高读写吞吐，扩展性良好的分布式存储系统。用户浏览新消息期望百毫秒响应，希望新消息在秒级或者至少1分钟左右可见，对系统的实时性要求很高，这里需要多级的缓存架构。系统必须具备高可用，良好的容错性。最后这个系统最好不要太贵。
因此我们需要一个高吞吐、易扩展、低延迟、高可用、低成本的Feed流架构
主流架构
图1是对Feed流的最简单抽象，完成一个从生产者向消费者传递消息的过程。
图1 Feed流简单抽象
消息和关系
首先，用户在APP侧获得的是一个Feed ID列表，这个列表不一定包含了所有的新消息，用户也不一定每一个都打开浏览，如果传递整个消息非常浪费资源，因此产生出来的消息首先生成主体和索引两个部分，其中索引包含了消息ID和元数据。其次一个应用总是存在关系，基于关系的传递是必不可少的，也因此一定有一个关系的存储和查询服务。
图2 Feed流消息、关系的存储
消息本身应该算是一种半结构化数据（包含文字，图片，短视频，音频，元数据等）。其读写吞吐量要求高，读写比例需要看具体场景。总的存储空间大，需要很好的扩展性来支撑业务增长。消息可能会有多次更新，比如内容修改，浏览数，点赞数，转发数（成熟的系统会独立一个counter模块来服务这些元数据）以及标记删除。消息一般不会永久保存，可能要在1年或者3年后删除。
综上，个人推荐使用HBase存储
HBase支持结构化和半结构化数据；
具有非常好的写入性能，特别对于Feed流场景可以利用批量写接口单机（32核64GB）达到几十万的写入效率；
HBase具备非常平滑的水平扩展能力，自动进行Sharding和Balance；
HBase内置的BlockCache加上SSD盘可以提供ms级的高并发读；
HBase的TTL特性可以自动的淘汰过期数据；
利用数据复制搭建一个冷热分离系统，新消息存储在拥有SSD磁盘和大规格缓存的热库，旧数据存储在冷库。
运用编码压缩有效的控制存储成本，见HBase优化之路-合理的使用编码压缩
图3 使用HBase存储Feed流消息
对于关系服务，其写入操作是建立关系和删除关系，读取操作是获取关系列表，逻辑上仅需要一个KV系统。如果数据量较少可以使用RDS，如果数据量较大推荐使用HBase。如果对关系的QPS压力大可以考虑用Redis做缓存。
图4 用户关系存储
消息传递
讲到Feed流一定会有关于推模式和拉模式的讨论，推模式是把消息复制N次发送到N个用户的收信箱，用户想看消息时从自己的收信箱直接获取。拉模式相反，生产者的消息写入自己的发信箱，用户想看消息时从关注的M个发信箱中收集消息。
图5 消息传递的推模式和拉模式
推模式实现相对简单，时效性也比较好。拉模式要想获得好的性能需要多级的缓存架构。推模式重写，拉模式重读，Feed流场景下写的聚合效果要优于读，写可以大批量聚合。N越大，写入造成的数据冗余就越大。M越大，读消耗的资源越大。
随着业务的增长，推模式资源浪费会越发严重。原因在于两点：第一存在着大量的僵尸账号，以及大比例的非活跃用户几天或者半个月才登陆一次；第二信息过载，信息太多，重复信息太多，垃圾信息太多，用户感觉有用的信息少，消息的阅读比例低。这种情况下推模式相当一部分在做无用功，白白浪费系统资源。
是推？是拉？还是混合？没有最好的架构，只有适合的场景~
基于关系的传递
图6是纯推模式的架构，该架构有3个关键的部分
异步化。生产者提交消息首先写入一个队列，成功则表示发布成功，Dispatcher模块会异步的处理消息。这一点非常关键，首先生产者的消息发布体验非常好，不需要等待消息同步到粉丝的收信箱，发布延迟低成功率高；其次Dispatcher可以控制队列的处理速度，可以有效的控制大V账号造成的脉冲压力。
多级队列。Dispatcher可以根据消费者的状态，信息的分类等划分不同的处理方式，分配不同的资源。比如对于大V账号的消息，当前活跃用户选择直接发送，保障消息的时效性，非活跃用户放入队列延迟发送。比如转发多的消息可以优先处理等。队列里的消息可以采用批量聚合写的方式提高吞吐。
收信箱。假如有两亿用户，每个用户保留最新2000条推送消息。即便存储的是索引也是千亿的规模。收信箱一般的表结构为用户ID+消息序列 + 消息ID + 消息元数据，消息序列是一个递增的ID，需要存储一个偏移量表示上次读到的消息序列ID。用户读取最新消息 select * from inbox where 消息序列 > offset。
图6 基于关系传递的纯推模式
推荐使用HBase实现收信箱
HBase单机批量写能力在几十万并且可以水平扩展。
HBase的高效前缀扫描非常适合读取最新的消息。
HBase的TTL功能可以对数据定义生命周期，高效的淘汰过期数据。
HBase的Filter过滤器和二级索引可以有效的实现Inbox的搜索能力。
消费者收信箱hbase表设计如下，其中序列号要保证递增，一般用时间戳即可，特别高频情况下可以用一个RDS来制造序列号
Rowkey消息元数据列状态列其它列MD5(用户ID)+用户ID+序列号消息ID、作者、发布时间、关键字等已读、未读
图7是推拉结合的模式
增加发信箱，大V的发布进入其独立的发信箱。非大V的发布直接发送到用户的收信箱。其好处是解决大量的僵尸账号和非活跃账号的问题。用户只有在请求新消息的时候（比如登陆、下拉消息框）才会去消耗系统资源。
发信箱的多级缓存架构。一个大V可能有百万粉丝，一条热点消息的传播窗口也会非常短，即短时间内会对发信箱中的同一条消息大量重复读取，对系统挑战很大。终态下我们可能会选择两级缓存，收信箱数据还是要持久化的，否则升级或者宕机时数据就丢失了，所以第一层是一个分布式数据存储，这个存储推荐使用HBase，原因和Inbox类似。第二层使用redis缓存加速，但是大V过大可能造成热点问题还需要第三层本地缓存。缓存层的优化主要包括两个方向：第一提高缓存命中率，常用的方式是对数据进行编码压缩，第二保障缓存的可用性，这里涉及到对缓存的冗余。
图7 基于关系传递的推拉混合模式
基于推荐的传递
图8是基于推荐的模型，可以看出它是在推拉结合的模式上融合了推荐系统。
引入画像系统，保存用户画像、消息画像（简单情况下消息画像可以放在消息元数据中）。画像用于推荐系统算法的输入。
引入了临时收信箱，在信息过载的场景中，非大V的消息也是总量很大，其中不免充斥着垃圾、冗余消息，所以直接进入用户收信箱不太合适。
收信箱和发信箱都需要有良好的搜索能力，这是推荐系统高效运行的关键。Outbox有缓存层，索引可以做到缓存里面；Inbox一般情况下二级索引可以满足大部分需求，但如果用户希望有全文索引或者任意维度的检索能力，还需要引入搜索系统如Solr/ES
图8 基于推荐的Feed流架构
用户画像使用HBase存储
画像一般是稀疏表，画像总维度可能在200+甚至更多，但单个用户的维度可能在几十，并且维度可能随业务不断变化。那么HBase的Schema free和稀疏表的能力非常适合这个场景，易用且节省大量存储空间。
对画像的访问一般是单行读，hbase本身单行Get的性能就非常好。阿里云HBase在这个方向上做了非常多的优化，包括CCSMAP、SharedBucketCache、MemstoreBloomFilter、Index Encoding等，可以达到平均RT=1-2ms，单库99.9% <100ms。阿里内部利用双集群Dual Service可以做到 99.9% < 30ms，这一能力我们也在努力推到公有云。hbase的读吞吐随机器数量水平扩展。
临时收信箱使用云HBase
HBase的读写高吞吐、低延迟能力，这里不再重复。
HBase提供Filter和全局二级索引，满足不同量级的搜索需求。
阿里云HBase融合HBase与Solr能力，提供低成本的全文索引、多维索引能力。
初创公司的迭代路径
在业务发展的初期，用户量和资源都没有那么多，团队的人力投入也是有限的，不可能一上来就搞一个特别复杂的架构，“够用”就行了，重要的是
可以快速的交付
系统要稳定
未来可以从容的迭代，避免推倒重来
本人水平有限，根据自身的经验向大家推荐一种迭代路径以供参考，如有不同意见欢迎交流
起步架构如图9，使用云Kafka+云HBase。如果对Inbox有检索需求，建议使用HBase的scan+filter即可。
消息分为主体和索引
采用纯推的模式
采用异步化
图9 起步架构
数据量逐渐增大后，对推模式进一步迭代，主要需求是
控制大V造成的写入脉冲高峰
控制存储成本
提升读写性能
提升一定的Inbox搜索能力
进一步的迭代架构如图10
消息分为主体和索引
采用纯推的模式
采用异步化
采用多级队列解决大V问题
采用冷热分离降低存储成本
此时Inbox中的消息也很多，对搜索的需求增强，仅仅Scan+Filter不够，可能需要二级索引
图10 纯推模式的演进
业务迅猛发展，消息和用户增长迅速，僵尸账号、非活跃账号较多，信息过载严重
消息分为主体和索引
采用推拉结合模式
采用异步化
引入推荐系统
采用冷热分离降低存储成本
Outbox采用多级缓存提高读取性能
Inbox增加二级索引提升搜索能力
使用云Kafka+云HBase+云Redis
图11 基于推荐的推拉混合架构
总结
Feed信息流是互联网场景中非常普遍的场景，遍布于电商、社交、新媒体等APP，因此研究Feed流是非常有价值的一件事情。本文总结了Feed流的业务场景和主流架构，分析了不同场景、体量下技术的难点与瓶颈。对Dispatcher、Inbox、Outout几个组件进行了详细的演进介绍，提供了基于云环境的落地方案。本人水平有限，希望可以抛砖引玉，欢迎大家一起探讨。Feed流的架构演进还在持续，不同业务场景下还有哪些缺陷和痛点？数据产品如何从功能和性能上演进来支撑Feed流的持续发展？在这些问题的驱动下，云HBase未来将会大力投入到Feed流场景的持续优化和赋能！
