為了更好的實(shí)現(xiàn)個(gè)性化視頻推薦，2009年，優(yōu)酷土豆開始使用Hadoop大數(shù)據(jù)平臺(tái)來進(jìn)行數(shù)據(jù)的分析及挖掘。起初整個(gè)平臺(tái)平臺(tái)只有十多個(gè)節(jié)點(diǎn)，而到2012年集群節(jié)點(diǎn)已經(jīng)達(dá)到150個(gè)，2013年更是達(dá)到了300個(gè)。但是隨著數(shù)據(jù)量的急劇增加以及業(yè)務(wù)的迅猛發(fā)展，每天優(yōu)酷處理的數(shù)據(jù)量已突破200TB，優(yōu)酷土豆的技術(shù)人員發(fā)現(xiàn)一些場景并不適合利用MapReduce進(jìn)行處理。
優(yōu)酷土豆的大數(shù)據(jù)平臺(tái)已使用多年，核心業(yè)務(wù)數(shù)據(jù)量的增長與數(shù)據(jù)處理速度的失衡成為優(yōu)酷土豆Hadoop大數(shù)據(jù)平臺(tái)的一大瓶頸。這個(gè)問題主要表現(xiàn)在三個(gè)方面：首先，在BI方面，分析師提交任務(wù)后需要等待很久才得到結(jié)果。其次，在進(jìn)行一些模擬廣告投放之時(shí)，在調(diào)優(yōu)、篩選方面的計(jì)算量十分大，對(duì)計(jì)算效率的要求也較高，用Hadoop消耗資源過大而且響應(yīng)較慢。同時(shí)，MapReduce在機(jī)器學(xué)習(xí)和圖計(jì)算的迭代運(yùn)算方面不僅需要耗費(fèi)大量資源，處理速度也不盡人意。
優(yōu)酷土豆集團(tuán)大數(shù)據(jù)團(tuán)隊(duì)大數(shù)據(jù)平臺(tái)架構(gòu)師傅杰介紹道：“雖然很多互聯(lián)網(wǎng)企業(yè)都在用MapReduce來處理自己的業(yè)務(wù)，但是由于優(yōu)酷的視頻量大概在2億的級(jí)別，視頻的關(guān)系量目前在10億的級(jí)別，這個(gè)級(jí)別的數(shù)據(jù)量利用MapReduce來計(jì)算CPU資源消耗比較高，而計(jì)算效率比較低，單純依靠MapReduce框架已經(jīng)無法滿足視頻推薦、廣告投放效果預(yù)估等情景對(duì)實(shí)時(shí)性和準(zhǔn)確性的要求。”
優(yōu)酷土豆如何打造Hadoop平臺(tái)
目前傅杰老師主要負(fù)責(zé)優(yōu)酷土豆集團(tuán)大數(shù)據(jù)基礎(chǔ)平臺(tái)建設(shè)，以支撐集團(tuán)其他業(yè)務(wù)團(tuán)隊(duì)的存儲(chǔ)與計(jì)算需求，包含Hadoop平臺(tái)、日志采集系統(tǒng)、實(shí)時(shí)計(jì)算系統(tǒng)、消息系統(tǒng)以及天機(jī)鏡系統(tǒng)等。據(jù)了解，Hadoop平臺(tái)在優(yōu)酷的發(fā)展，主要有以下幾個(gè)階段：
平臺(tái)搭建期：這個(gè)階段主要解決一些技術(shù)問題，比如安全問題、整體規(guī)劃，以及制定相關(guān)流程；
平臺(tái)發(fā)展期：這個(gè)階段主要是在集團(tuán)內(nèi)部進(jìn)行推廣，伴隨著會(huì)遇到各種各樣的需求，以及解決各種各樣的問題，修正相關(guān)流程，使平臺(tái)進(jìn)入一個(gè)穩(wěn)定、高可用的水平；
平臺(tái)穩(wěn)定期：這個(gè)階段主要是從優(yōu)化資源入手，內(nèi)部培訓(xùn)調(diào)優(yōu)作業(yè)，統(tǒng)計(jì)資源消耗合理性，構(gòu)建自動(dòng)化優(yōu)化流程。
“現(xiàn)階段我們主要在調(diào)研Hadoop1.X 到Hadoop2.0的升級(jí)方案，預(yù)計(jì)明年初對(duì)Hadoop進(jìn)行升級(jí)。今年我們也搭建了基于Storm的實(shí)時(shí)計(jì)算平臺(tái)、kafka消息系統(tǒng)，推廣到集團(tuán)的線上業(yè)務(wù)中，也逐步流程化的運(yùn)營起來了。”傅杰老師介紹說。
新手如何入門Hadoop?
據(jù)傅杰老師介紹，目前Hadoop在國內(nèi)有很好的發(fā)展態(tài)勢(shì)，各大企業(yè)對(duì)Hadoop的需求也比較旺盛，同時(shí)，應(yīng)用Hadoop的行業(yè)也越來越多。但目前存在的問題是，Hadoop的優(yōu)秀技術(shù)人才比較短缺。那么對(duì)于想踏入Hadoop領(lǐng)域的新手來說，應(yīng)如何入門呢?
傅杰老師給出的建議是：
1.經(jīng)常關(guān)注Hadoop官方網(wǎng)站;
2.深入了解Hadoop原理，比如HDFS、MapReduce。并思考目前所在企業(yè)哪些應(yīng)用可以用Hadoop解決;
3.閱讀Hadoop相關(guān)書籍。據(jù)悉，目前傅杰老師翻譯的《Hadoop實(shí)戰(zhàn)手冊(cè)》將在年底出版，這本書也很適合新手閱讀;
4.搭建環(huán)境實(shí)戰(zhàn)，比如可以試著跑一個(gè)wordcount。
和英特爾一起Spark/Shark
為此，優(yōu)酷土豆在英特爾公司的幫助下率先嘗試了Spark/Shark內(nèi)存計(jì)算框架來解決多次迭代以及復(fù)雜的算法。以計(jì)算實(shí)力著稱的英特爾，在項(xiàng)目中在軟件優(yōu)化、方案設(shè)計(jì)、Scala語言培訓(xùn)等方面給優(yōu)酷土豆提供了多方面的幫助，以過硬的軟實(shí)力及對(duì)整個(gè)行業(yè)的深入洞察，與優(yōu)酷土豆的需求不謀而合。
作為典型的互聯(lián)網(wǎng)公司，優(yōu)酷土豆大數(shù)據(jù)平臺(tái)主要應(yīng)用在廣告、日常報(bào)表、推薦系統(tǒng)等核心業(yè)務(wù)上。隨著對(duì)低延時(shí)的、實(shí)時(shí)要求很高的應(yīng)用場景的增多，Spark/Shark在快速報(bào)表，交互式查詢，做Ad-hoc的查詢的表現(xiàn)，機(jī)器學(xué)習(xí)以及迭代式算法方面的優(yōu)越性吸引了優(yōu)酷土豆。Spark/Shark可每次將彈性分布式數(shù)據(jù)集(RDD)操作之后的結(jié)果存入內(nèi)存中，下次操作可直接從內(nèi)存中讀取，省去了大量的磁盤IO，效率也大幅提升。
在瞬息萬變的互聯(lián)網(wǎng)市場，用戶的個(gè)性化需求越來越多，而將Spark/Shark集成到優(yōu)酷土豆原有的大數(shù)據(jù)平臺(tái)后，在用戶偏好分析、Top-N榜單計(jì)算等方面看到了喜人的變化。“與前幾年不同，為了更加精準(zhǔn)的為用戶做出視頻推薦，我們已經(jīng)不再是簡單的匹配視頻的元信息了。計(jì)算視頻與視頻之間的相似關(guān)系，我們用到了圖計(jì)算。利用圖計(jì)算，我們將搜集到的視頻圖譜做聚類，然后再推薦給用戶。”優(yōu)酷土豆集團(tuán)大數(shù)據(jù)團(tuán)隊(duì)技術(shù)總監(jiān)盧學(xué)裕介紹道，“通過測試與對(duì)比，我們發(fā)現(xiàn)，計(jì)算相同規(guī)模的數(shù)據(jù)量，以前在單機(jī)上實(shí)現(xiàn)需要80多分鐘，而在四臺(tái)節(jié)點(diǎn)的Spark集群上運(yùn)算時(shí)間縮短到了5.6分鐘。”
通過混搭的方式，Hadoop與Spark/Shark結(jié)合的架構(gòu)不僅使計(jì)算資源能夠更加協(xié)調(diào)的被利用，也完善了優(yōu)酷土豆的大數(shù)據(jù)分析，而重復(fù)視頻推薦、刷瀏覽量沖擊榜單的情況也減少了很多。作為國內(nèi)視頻行業(yè)第一家部署Spark/Shark解決方案的公司，優(yōu)酷土豆在Spark/Shark方面的經(jīng)驗(yàn)對(duì)整個(gè)視頻行業(yè)有突出的價(jià)值。未來，雙方也將繼續(xù)進(jìn)行深入合作，將整體方案進(jìn)一步優(yōu)化，并分享給更多行業(yè)合作伙伴，幫助他們更好的解決業(yè)務(wù)中面臨的大數(shù)據(jù)挑戰(zhàn)。
