億級搜索系統的基石，如何保障實時數據質量？
阿里妹導讀：突然而至的疫情，讓線下娛樂幾乎停擺。全國人民對于線上娛樂需求激增，在家追劇、在家上課、在家互動，還要時刻關注疫情動態。每時每刻，都有海量用戶在優酷搜索自己想看的內容。千萬級別的視頻量，幾十億級別的信息量，如何能做到將信息及時有效的透出給用戶?怎樣保障數據準確無誤的呈現呢?
阿里文娛有專門的搜索引擎算法團隊做相關的探索。可你知道嗎?在算法業務背后，面對數億的視頻數據，還有一支技藝高超的測試團隊，在保障龐大數據系統的數據質量。
阿里文娛測試開發專家熙閆將通過本文講述阿里文娛是如何構建實時數據質量保障體系，進而提升搜索引擎數據全面、快速、準確效果的，希望對大家有啟發。
一、背景
優酷視頻搜索是文娛分發場的最核心入口之一，數據源多、業務邏輯復雜，尤其是實時系統的質量保障是一個巨大挑戰。如何保障數據質量，如何衡量數據變化對業務的影響?本文會做詳細解答。
二、現狀分析
搜索數據流程如下圖所示，從內容生產到生成索引經歷了復雜的數據處理流程，中間表多達千余張，實時數據消費即消失，難以追蹤和復現。
從上圖可以看出，整個系統以實時流模式為數據流通主體，業務層面按實體類型打平，入口統一分層解耦，極大的增加了業務的實時性和穩定性。但是另一方面，這種龐大的流式計算和數據業務系統給質量保障帶來了巨大的挑戰，從0到1建設實時數據的質量保障體系，同時保證數據對搜索引擎業務的平滑過渡是我們面臨的考驗。
三、實時數據質量保障體系方案
質量保障需要透過現象看本質。通過對架構和業務的分析，可以發現整個流式計算的業務系統有幾個關鍵點：流式計算、數據服務、全鏈路、數據業務(包括搜索引擎的索引和摘要)。整體的質量訴求可以歸類為：
- 基礎數據內容質量的保障
- 流式鏈路的數據正確性和及時性保障
- 數據變化對業務效果的非負向的保障
結合線上、線下、全鏈路閉環的理論體系去設計我們的整體質量保障方案，如下圖所示：
四、線下質量
1.實時dump
數據測試包含鏈路節點比對、時效性、正確性、一致性、可用性等方面，依托于阿里技術資源設計實時dump的方案如圖：
2.數據一致性
一致性主要是指每個鏈路節點消費的一致性，重點在于整體鏈路的各個節點的數據處理消費情況保持一致，通過對數據消費的分時分頻率的比對完成一致性驗證。方案如下圖：
我們采取不同的數據流頻率輸送給實時鏈路進行消費，利用各層的dump機制進行數據dump，然后取不同的抽樣間隔對dump數據計算分析，分為三種不同的數據頻率模式：
- natural-flow：自然消費的數據流，是源于線上真實的數據消息通道，即自然頻率的數據消費，以該模式進行測試更貼合實際業務情景
- high-frequency：高頻數據流，采用超出真實峰值或者其他設定值的數據頻次輸送給實時消費鏈路，在壓測或者檢測鏈路穩定性中是一個常用的測試策略;
- low-frequency：低頻數據流，采用明顯低于真實值或者特定的低頻次數據輸送給實時消費鏈路。如果數據鏈路中有基于數據量的批量處理策略會暴露的比較明顯，比如批量處理的閾值是100，那么在業務低峰時很有可能達不到策略閾值，這批數據就會遲遲不更新，這個批量處理策略可能不是合理。同時低頻次的消費對于實時鏈路處理的一些資源、鏈接的最低可用度這些層面的檢查也是有意義的。
3.數據正確性
數據正確性是對于數據內容的具體值的檢查，總體原則是：
首先，高優保障影響用戶體驗的數據;
其次，保障業務層直接使用的核心業務相關的數據內容;
再次，中間層的核心業務相關數據由于不對外露出，會轉換成業務引擎需要的最終層的業務數據。所以中間層我們采用通用的規則和業務規則來做基礎數據質量保障，同時對上下游數據內容變化進行diff對比，保障整個流程處理的準確性。
4.數據可用性
數據可用性指的是數據鏈路生產的最終數據是能夠安全合理使用的，包括存儲、查詢的讀寫效率、數據安全讀寫、對不同的使用方提供的數據使用保持一致性等。
可用性保障主要關注數據的存儲、查詢、數據協議(數據結構)三個大的維度，衡量的標準重點關注三個方面：
- 易讀寫：數據的結構化存儲和寫入必須是高效合理的;
- 服務一致：數據在結構化存儲后，對外提供的服務有很多種，比如PB協議、API、SDK等，需要根據業務去考量。比如SDK、PB等對外提供使用的方式會涉及協議版本，不同的版本可能數據結構不一致導致對外使用的數據不一致性;
- 安全可靠：重點關注存儲穩定、可靠、高效，兼顧效率和穩定性，同時更要關注安全性，防范隨意改寫數據、惡意dump等嚴重影響線上數據使用安全的風險。
5.時效性
由于實時鏈路的流式特性和多實體多次更新的特性，在測試時效性時核心問題有兩點：
- 如何去跟蹤確定一條唯一的消息在整個鏈路的消費情況;
- 如何低成本獲取每個節點過程的數據鏈路時間。
我們抽象出一個trace+wraper的流式trace模型如下圖：
獲取鏈路過程的每個節點的時間，包括傳輸時間和處理時間。對于track-wraper需要約定統一的track規范和格式，并且保證這部分的信息對業務數據沒有影響，沒有增加大的性能開銷。如下圖，我們最終的信息中經過trace&track-wraper帶出來的trak-info，采用json格式方便track-info的擴展性。
這樣就很容易去獲取到任意信息，計算每個節點的時間。
我們也可以通過抽樣計算一些統計指標衡量時效：
對于時效性有明顯異常的數據可以篩選出來，進行持續優化。
6.性能測試
實時數據鏈路本質是一套全鏈路數據計算服務，所以我們也需要測試它的性能情況。
第一步，我們先具體化全鏈路的待測系統服務。
包括兩部分的性能，Bigku的反查服務，即HSF服務，再就是blink的計算鏈路節點。
第二步，準備數據和工具。
壓測需要的業務數據就是消息。數據準備有兩種方式，一種是盡可能模擬真實的消息數據，我們只要獲取消息內容進行程序自動模擬即可;另外一種會采用更真實的業務數據dump引流，進行流量回放。
由于數據鏈路的特性，對壓測鏈路施壓就是轉成發送消息數據，那么如何控制數據發送呢?有兩種方式：
- 第一種我們開發一個發送消息的服務接口，轉變成常規的接口服務壓測，然后可以采用阿里的任何壓測工具，整個測試就變成常規的性能測試;
- 第二種我們可以利用blink消息回追的機制，重復消費歷史消息進行壓測，不過這種方法有弊端，無法控制消息的頻率。
7.壓測和指標收集
根據業務情況來收集指標，指標包括服務本身的指標和資源指標，可以參考我們的部分性能測試報告示例(數據有截斷)：
五、線上質量
1.服務穩定性保障
穩定性包括兩個層面，一是實時計算任務鏈路的每個節點的穩定性，二是內置服務的穩定性。
2.實時計算
由于實時計算采用全blink的計算方式，我們可以利用blink系統本身的特性來做任務的監控。每個節點的任務都需要配置穩定性指標的監控，包括rps、delay、failover等。效果示例如下：
3.實體服務
實體服務是HSF服務，采用阿里統一的監控平臺來完成整體服務能力的監控，示例如圖：
整體指標包含以下內容：
4.數據消費保障
在數據消費層面，重點關注每個鏈路層級的消費能力和異常情況。基于積累的track-report能力進行數據統計，結合平臺完備的基礎能力來完成消費保障。分為兩層：
核心層：消息出口的實體消息統計監控，包括整體數量和消息內容分類統計監控。如圖示例：
中間層：包括每個實體消息處理的accept，處理邏輯層的success、fail、skip指標，便于我們實時知曉每個鏈路層收到的消息、成功處理、錯誤和合理異常等消費能力情況。如圖示例：
5.數據內容保障
數據內容層，建設綜合數據更新、數據內容檢查、業務效果三位一體的精準數據檢查，達到數據生產、消費、可用性的閉環檢測，如圖所示：
從圖中可以看出，我們數據內容保障分為三部分：
- sampler：抽樣器，通過blink實時消費消息在鏈路中抽取待測數據，通常是只抽取數據ID;抽樣策略分間隔和隨機兩種。間隔策略就是取固定時間間隔的特定數據進行檢查;隨機則根據一定的隨機算法策略來抽樣數據進行檢查。
- data-monitor：是做數據內容檢查，包括更新時效性和數據特征屬性檢查。
- effect-monitor：數據正常更新之后，對在線業務實時產生的效果影響進行檢查，檢查的核心點包括搜索的兩大基本效果——召回和排序，以及用戶體驗相關的數據屬性的檢查。
部分數據實時效果示例圖：
6.實時干預與自動修復
實時干預通道，如下圖：
實時干預系統會根據不同的干預需求，對消息內容和干預機制進行消息組裝和通道分發。
- 當主通道業務鏈路正常時，若需要強制更新一個ID維度的數據，只需要輸入ID走正常主鏈路更新即可。
- 當需要強制干預某些具體的數據內容到指定的消息通道時，則可進行數據內容級別的更詳細的精準干預。
- 緊急強制干預，是指當主鏈路中間層處理有較大延遲或者完全阻塞時，會造成下游業務層數據無法正常獲取輸入。通過主邏輯全copy的機制建立了一個VIP的消息通道，通過VIP通道去直接干預出口消息，保證業務數據正常能進行優先更新。
六、質量效能
效能層面主要指：研發能快速自測上線，線上問題能高效排查定位這兩個維度，以期達到保證快速迭代、節省人力投入的目標。所以我們提供了實時debug和實時全鏈路trace透視兩大提效體系。
1.實時debug
實時debug是基于實時消息通道能力和debug機制建立的一套服務，在研發自測、問題復現等場景有很大用途，可以通過debug模式詳細了解鏈路的業務層處理細節，業務層只需要按數據需求自主定制debug內容，無需其他接入成本，具備很強的通用性和擴展性。
平臺效果圖：
填入節目ID，發送消息就會自動進入實時debug模式。
同時還配備了指定消息內容的專家模式，方便研發進行單獨的消息內容制定化測試和干預。
2.全鏈路trace
我們提煉了一個全鏈路實時trace的通用模型，同時做更精細定制化的trace機制。結合實時業務鏈路邏輯視圖，來看下trace的系統實現：
鏈路層視角，目前整體分為4個業務塊，數據流按順序進行展示：
1)bigku_service 展示了當時消息的鏡像數據。
2)mid_show_f 為算法層面的基礎特征，即一級特征，包含了業務信息和系統信息(工程關注的指標數據，主要用來指導優化)。
3)sum_video_f 和 ogc屬于搜索鏈路上的數據，一般在節目里面會有一些較為復雜的截斷邏輯，通過字典表的形式提供數據層的透視視角，可以看到鏈路的全部信息。
七、產品體驗實時自動化保障
我們在實時數據內容質量方面做了融合效果監控的質量方案，建立了實時發現問題、實時定位、實時修復的閉環鏈路效果保障體系，起到了很好的效果。體系方案如下圖：
后記
數據是算法的生命之源，保障好數據質量，提高優質內容的分發效率，既能留住用戶，也能讓用戶在疫情這段特殊的日子里看到高質量的視頻內容。數據質量道阻且長，未來會深入每個節點和邏輯，探索海量數據和用戶體感的關系，能對算法業務發展有幫助作用，也能為廣大用戶感受到文娛帶來的精神滋養。
