华为云企业级redis揭秘第13期：如何搞定推荐系统存储难题？-4008云顶国际网站

七夕过后，笔者的一个朋友遇到了尴尬事：当女友点开他的购物app，竟然自动弹出一系列推荐：玫瑰包邮、感动哭了、浪漫小夜灯……回想七夕那天，礼物并没有出现，于是问题出现了：从实招来，你送谁了？

为了帮助友人重建信任，笔者进行了一番技术调研：这一定是“推荐系统”出了偏差。

推荐系统是一种信息过滤系统，它能够快速分析海量用户行为数据，预测出用户喜好，从而进行有效推荐。

在商品推荐、广告投放等业务中，推荐系统责任重大。根据亚马逊2019年度报告，其40%的营收来自内部稳定的推荐系统。

在本文开篇的例子中，正是由于推荐系统问题，才导致了尴尬的场面。笔者决定力挺友人，用可靠的知识让人信服！

通常来说，在一套成熟的推荐系统中，分布式计算、特征存储、推荐算法是关键的三大环节，缺一不可。

下面介绍一类完整的推荐系统，在系统中gaussdb(for redis)负责核心的特征数据存储。该系统也是华为云诸多客户案例中较为成熟的最佳实践之一。

第一部分：获取特征数据

• 原始数据采集

点赞、收藏、评论、购买……这些行为都属于原始数据，他们随时都在发生，因此数据量庞大。经由kafka、redis stream等流组件向下游传递，或存入数仓，等待后期提取使用。

• 分布式计算

原始数据离散、含义模糊，无法直接给算法使用。此时就要进行大规模的离线、在线计算，对数据加工。spark、flink都是典型的大数据计算组件，其强大的分布式计算能力是推荐系统不可或缺的。

• 特征数据存储

经过加工的数据也就是特征、标签，是推荐算法所需的宝贵数据源。在特定场景下，也可以称之为用户画像、物品画像。这部分数据有着反复共享、复用的价值，不仅能用于训练算法模型，还能为生产环境提供服务。

确保特征数据的可靠存储，是推荐系统中极为关键的一环。

第二部分：消费特征数据

• 线下模型训练

有了关键的特征数据，业务就可以开始训练算法模型。

只有充分利用特征库，以及最新行为数据，不断打磨推荐算法，这样才能提升推荐系统整体水平，最终带给用户更好的体验。

• 线上推理预测

算法模型训练结束后，将被部署到线上生产环境。

它将继续利用已有的特征存储，根据用户的实时行为进行推理，快速预测出与用户最匹配的优质内容，形成推荐列表，并推送给终端用户。

很显然， “特征数据”在整个系统中起到了关键的衔接作用。

由于kv形式的数据抽象与特征数据极为接近，因此推荐系统里往往少不了redis的身影。

在上述系统的方案中，数据库选型为gaussdb(for redis)，而不是开源redis。

原因是开源redis在大数据场景下还是存在显而易见的痛点：

1. 数据无法可靠存储

推荐系统其实希望既能使用kv数据库，又能放心将数据长久保存。

但开源redis的能力更侧重于数据的缓存加速，而不是数据存储。而且开源redis毕竟是纯内存设计，即使有aof持久化，但通常也只能秒级落盘，数据的保存并不可靠。

2. 数据量上不去，成本下不来

涉及推荐的业务往往用户体量也不会小，随着业务发展，也会有更多的特征数据需要保存。

实际上，相同容量的内存与极速ssd相比，价格贵10倍以上都很正常。

于是，当数据量达到几十gb、几百gb，开源redis会变得越来越“烧钱”，因此一般只当做“小”缓存使用。

除此之外，开源redis自身fork问题导致容量利用率低，硬件资源有很大的浪费。

3. 灌库表现不佳

特征数据需要定期更新，往往以小时或天为周期进行大规模数据灌入任务。

如果存储组件不够“皮实”，大量写入造成数据库故障，将导致整个推荐系统发生异常。

这就可能造成开篇提到的尴尬用户体验。

开源redis抗写能力并不强，这是由于集群中有一半节点是备节点，它们只能处理读请求。当大批量写入到来时，主节点容易出问题，引发连锁反应。

理论上，架构设计并不是越复杂越好，如果可以，谁不想使用一种既能兼顾特征数据kv类型、成本友好、性能又有保障的可靠数据存储引擎？

与开源redis不同，gaussdb (for redis)基于存算分离架构，为推荐系统这一类大数据场景带来关键的技术价值：

1. 可靠存储

数据命令级落盘，在底层存储池中三副本冗余存储，真正做到了0丢失。

2. 降本增效

高性能持久化技术 细粒度存储池,帮助企业将数据库使用成本降低75%以上。

3. 抗写能力强

多线程设计 全部节点可写，抗写能力足够强大，从容应对spark灌库压力和实时更新。

华为云企业级数据库gaussdb (for redis)提供稳定、可靠的kv存储能力，正是推荐系统核心数据的极佳选型。

其实，在spark后端接入redis已经成为一种主流方案，而使用flink从redis中提取维度表也是很常见的用法。它们也都提供了用于接入redis的连接器。

gaussdb(for redis)完全兼容redis协议，即开即用,用户随时都可以快速创建实例并接入业务。

1. spark-redis-connector

spark-redis-connector完美实现了spark rdd、dataframe到gaussdb(for redis)实例中string、hash、list、set等结构的映射。

用户可使用熟悉的spark sql语法轻松访问gaussdb(for redis)，完成特征数据灌库、更新、提取等关键任务。

使用方法非常简单：

1）当需要读取hash、list、set结构到spark rdd时，分别只用一行即可搞定。

2）而当推荐系统进行灌库或特征数据更新时，可以按如下方式轻松完成写入。

2. flink-redis-connector

flink这款计算引擎流行程度不亚于spark，它同样有成熟的redis连接方案。

使用flink提供的connector或结合jedis客户端，都可轻松完成flink到redis的读写操作。

以使用flink统计单词频次的简单场景为例，数据源经过flink加工后，便可轻松存入gaussdb(for redis)中。

大数据应用对核心数据的存储有着很高的要求。云数据库gaussdb(for redis)拥有存算分离的云原生架构，在完全兼容redis协议的基础上，同时做到了稳定性、可靠性的全面领先。

面对海量核心数据存储，它还能为企业带来相当可观的成本节约。

面向未来，gaussdb(for redis)极有潜力成为下一个大数据浪潮的新星。

本文作者：华为云数据库gaussdb(for redis)团队

杭州/西安/深圳简历投递：yuwenlong4@huawei.com

gaussdb(for redis)产品4008云顶国际网站主页：

更多技术文章，关注gaussdb(for redis)官方博客：

https://bbs.huaweicloud.com/community/usersnew/id_1614151726110813

gaussdb(for redis)揭秘第12期：2021最新架构分享

gaussdb(for redis)揭秘第11期：迁移系列下

gaussdb(for redis)揭秘第10期：迁移系列上

gaussdb(for redis)揭秘第9期：与hbase的对比

gaussdb(for redis)揭秘第8期：用高斯redis进行计数

gaussdb(for redis)揭秘第7期：高斯redis与强一致

gaussdb(for redis)揭秘第6期：feed流场景中的应用

gaussdb(for redis)揭秘第5期：高斯 redis 在im场景中的应用

gaussdb(for redis)揭秘第4期：geo场景应用

gaussdb(for redis)揭秘第3期：探讨redis fork带来的性能抖动

gaussdb(for redis)揭秘第2期：stream场景应用

gaussdb(for redis)揭秘第1期：redis与存算分离，讲架构设计