| 编辑推荐: |
本文来自于51cto，文章从五个方面讲解去哪儿网高性能高可用机票实时搜索系统的演进之路。 |
|
本文从五个方面讲解去哪儿网高性能高可用机票实时搜索系统的演进之路：
系统诉求。
面临问题。
设计思路。
搜索框架。
报价引擎。
系统诉求
去哪儿网的定位是做全球最大的中文在线旅行网站，对于机票业务来说，就是要把以下这些方面都做到最好：
我们希望用户在我们网站搜索出来的价格是全网最低的。
希望世界有的任何航线，都能在我们网站上搜出报价来。
希望报价的更新是最实时的，用户根本感知不到价格变化。
希望产品最大限度满足用户出行需求。
希望用户预订流畅，心情最愉快。
归根结底我们要取悦用户，用户第一是我们的口号，也是我们的压力所在。
面临问题
但是，如上图这些方面要实现起来，做到最好，都不容易。
机票行业与普通电商不同，它最大的特点是价格和库存变化非常频繁，实时性要求很高，例如：
库存变化体现在航班舱位的状态在时刻变动，特别是热门航线的航班，在出行高峰期尤其频繁。
价格变化则是因为机票的销售体系的特点，除了航空公司本身外，有大量的供应商，不同供应商的机票售价可能不一样，会根据各种情况动态调整，热门航线，出行高峰是价格变化的高峰。
除了供应商，作为机票的主要载体，航空公司也有很多运价方面的政策，这些政策也会根据各种情况进行调整，导致大量航班价格发生变化。
机票行业信息化比较早，所有的航班数据、运价数据、订座出票，都掌握在叫 GDS 的角色手中。
国内主要的 GDS 是中航信。供应商和我们的数据都要从GDS 手中付费获取，付费一般是按指令执行次数来定的，价格不菲。
因此我们不可能无限的获取航班数据，这就需要在新鲜度和费用上面做权衡。这也是导致报价变化不实时的一个因素。
不同供应商在 GDS 的权限不一样，同样的航班拿到的报价可能不一样，这就对系统提出了更高的要求。
变化不是问题，问题在于变化的是海量的数据，例如：
供应商在平台上录入大量的规则，来进行定价，这种规则相当复杂，数量级达到 2 亿;航司的运价规则也有上亿的量级，复杂度也很高。
全世界大概有 28 万条航线，我们粗略估算一下，全部的报价量大概会是千亿的量级。
搜索系统要面对每秒 3 千多次的搜索量，单看这个搜索量可能不算大，但是背后有大量的并发计算，每秒要计算
1500 万量级的报价产品。
设计思路
面对这些背景和问题，我们怎么做，能实现系统诉求呢?
有一次有朋友问我，你们怎么这么忙，机票搜索为啥搞这么复杂?放个静态页面上去不就好了，多少用户搜索预订都没问题。我有那么一瞬间，竟无言以对。
不过后来我想了想，要说这样搞也不是不可以，如果资源足够的话，我们大可以做一个很大很大的哈希表，把未来几个月的每条航线每天的航班报价计算好，用户来搜索直接就拿哈希表的数据展示就可以了。
一旦监测到哪个渠道有价格变化，即时计算替换老的数据。这样一来我们的搜索将飞快，并且变价的情况会很少发生，这是最理想的。
然而现实是骨感的，有限的资源不允许我们这样做，所以我们只能从用户的角度入手。
我们参考 CAP 和 BASE 理论，设计了分布式的系统。按需计算，用户需要搜索的数据，采用实时计算的方式，计算完了将结果缓存起来，下一个用户再搜索同样的条件就不用再实时计算了。
系统之间采用消息驱动的方式，使用异步机制来降低耦合，使系统扩展起来很简单。整个系统水平分了多层，各层有各层的缓存。各系统的计算流程都设计为无状态的，可以很容易横向扩展。
搜索框架
如上图就是我们搜索系统大的一个框架，我们将系统分为 4 层，从上到下为：
应用层。
聚合层。
报价源层。
基础数据层。
纵向则根据各层的特点，划分为多个渠道或者多个源。这样划分的好处是不同的层可以独立发展，可以有各自的流量控制和服务降级策略，保证系统整体的高可用;不同的渠道和源可以有不同的处理方式，耦合度低，扩展方便。
应用层接受用户搜索条件，向聚合层要匹配条件的全量报价，经过筛选、包装和排序，输出给前端。按照不同渠道的特点，报价的包装和排序处理会有区别。
聚合层管理着所有航线的报价缓存，以供应商作为独立的存储单元。它接到一个搜索条件，会先问一下 Cachemanager
，有多少个供应商的缓存报价失效了，得到一个需要重新搜索的供应商列表，然后带着搜索条件：出发到达日期和供应商列表，向下层的报价源发消息，然后异步等报价源回消息。
报价源接到消息之后，会对相应的供应商进行搜索，搜出报价之后放到 Redis 里，然后发消息通知 PriceMerger
。
PriceMerger 从 Redis 里将报价取出来，和没有失效的供应商的报价进行聚合，筛选出最优的价格进行包装。
CacheManager 是缓存失效管理系统。我们设计了主动和被动两套缓存更新机制。主动更新就是由各环节发现价格有变化，主动通知
CacheManager 。
比如航班数据、运价数据发生变化、供应商规则数据发生变化、预订发生变价等等，都主动通知 CacheManager
。
被动更新则是根据热度排行，对不同热度的航线，配置不同的过期时间，越热门航线的过期时间越短。
整个系统以供应商作为独立报价单元，报价源遵循这个规则。所以不同的报价源可以很容易接入搜索框架。
各层间的数据交换大多是异步的，用 Protobuf 序列化并 Gzip 压缩，通过 Redis 中转，能很好降低我们的
IO 和带宽使用，也使系统的耦合大大降低，扩展起来非常方便。
纵观整个系统的发展，我们遇到了不少问题，这里总结了一些有代表性的。
一个是报价数量很多，聚合层的系统，内存遇到了不少问题。
有一次新上一种产品，直接导致了系统的崩溃。原因是新产品引进大量的字符串 Map ，这些 Map 还支持随意扩展，一下子涌进来很多对象，
GC 都回收不过来了。
这之后我们严格控制了数据的准入，只留必要的数据，尽量采用原生的数据类型，将很多小对象，编码成原生的数据类型，大大缩减内存占用。
另一个问题是报价源比较多，不稳定，有些供应商接口性能不好，回数很慢，而我们对响应时间要求很苛刻。
对此我们采用分批回数的方式，先回来的报价，先返回给前端，多次轮询，直到报价回完，同时我们也设计了一个回数比例模型，如果达到这个比例或者超时，这次搜索就结束了，后台异步等报价源的回数，等下次的用户搜索，就可能看到新的报价了。
对于搜索条件，有个明显的冷热门问题，热门的航线和日期，搜索的人很多，数据量也很大。
我们以航线+日期作为 Key 做了一致性哈希，将搜索条件均衡打到不同的服务器上，并且让相同的条件只会分配到同一台机器上，这样能最大限度地利用本地缓存。
报价引擎
下面我们来深入探讨一下报价引擎的设计和优化历程。
报价引擎作为一个报价源，是去哪儿网的供应商平台、我们内部叫 TTS 的搜索系统，是最核心的一个报价源。
一开始的时候，是没有这个平台的，机票的报价都是从大量供应商的网站抓取的，预订交易都要跳转到外网进行。
流量大了之后为了保障服务质量，有了这个 SaaS 平台，供应商通过这个平台录入他们的定价和服务规则，我们负责把价格计算好报出去，后续的预订交易流程，都在平台上完成。
由分散到集中，这是机票服务发展到一定阶段的必然之路。到后来几乎 80% 的报价都是这个系统产生的。我们花了大量的精力对这个系统进行设计和优化。
一个机票报价是怎么产生的呢?决定因素有供应商规则，航司运价以及航班舱位状态，这些要素组合起来，即可计算出每个供应商每航班每个舱位的价格。
我们会在这些价格当中，选取一些最优的价格，包装成套餐，比如低价特惠、商旅优选等产品，展示给用户预订。
报价引擎解决的核心问题就是，根据用户的搜索条件，对每一个供应商的定价规则库进行搜索，获取符合条件的规则，与航班舱位状态、航司运价进行匹配，计算出每个供应商每个舱位的最优价格。
供应商规则相当复杂，有日期限制、航司限制、航班限制、舱位限制、年龄限制等等，每条规则都有很多使用条件，几十个字段，这些规则量达
2 亿。
可以说供应商定价规则是决定机票价格的最重要因素之一。成千上万的供应商在 TTS 平台上投放规则，少则几万，多则几千万。
这些规则的存储按供应商进行分库，每个供应商一个库，多个库作为一组，分布在一个 MySQL 的实例上，有多个
MySQL 实例。
在这个背景之下，系统面临这些问题：
供应商更新规则数据很频繁，每时每刻都在更新，特别是热门航线。
最坏的情况下，每次用户的搜索都可能会触发所有供应商的规则搜索。 DB承受的压力是用户搜索量乘以供应商数量。这种情况下，业务增长一点，
DB 的压力就大幅增加。
在老的系统里， DB 是压力最大的一环，读写都很频繁。曾经单独为搜索做了 7、8 组从库，但是还是扛不住业务的快速增长，故障频发。一家供应商出问题，比如更新太频繁，就可能拖累整个系统交易。
频繁变化的航班舱位，热点航线的供应商规则量大、搜索量大，让系统的内存压力、计算压力很大，应用服务器也经常出问题。
新的报价引擎就是为了克服这些问题来设计的。我们回到搜索引擎的核心技术来看问题。
搜索引擎主要是对收集到的信息进行整理、分类、索引以产生索引库。我们是不是应该组织一个合适的索引库，让搜索的效率大幅提升呢?
对用户搜索条件进行了分析，我们发现用户搜索的是航线日期，并不关心哪个供应商。但是我们因为系统结构的原因，要对所有的供应商库进行查询。
聪明的做法是做一个适合航线搜索的索引库。我们将所有的航线拿过来，进行了热度排序，均衡打散为 N 个表，
N 个表平均分布到 M 个库。
然后开发了一个数据同步系统，将供应商维度的规则，实时同步到航线维度分表的索引库。
这个数据同步系统以 Binlog 同步方式工作。我们引入了阿里巴巴开源的项目 Canal ，这个项目通过实现
MySQL 的主从同步协议，能把自己伪装成从库，实时增量获取 MySQL 的 Binlog 数据。
我们通过 Canal 拿到增量的 Binlog 数据之后，做解析、拆分，将供应商规则按航线分布插入索引库，或者从索引库删除。
这时我们面临的问题是：
源数据写入量很大，集群峰值达 20K TPS。
为了保证报价的新鲜度，我们要求同步延迟很低，不超过 60s。
必须保持顺序一致性，如果先删后插变成先插后删，数据就不一致了。
必须保持数据最终一致。
系统必须是高可用的。
针对前面 4 个问题我们的解决方案是这样的：
保证读 Binlog 的吞吐量
源数据写入量、顺序性与同步延迟是矛盾的，为了保持顺序，一个 MySQL 实例只能由单线程来读 Binlog
。
但是如果 MySQL 实例上的供应商数量很多，短时间数据更新量就可能很大，单线程处理不过来，同步延迟势必很大。
因此我们将规则库分散到更多的 MySQL 实例上面，从物理层面保障了更多通道并行同步，提高读 Binlog
的吞吐量。
保证写索引库的吞吐量
Binlog 数据解析、分拆处理到写入索引库阶段，为了保持顺序写，似乎也只能每个 MySQL 实例单线程来做，可是这样写的吞吐量上不去，同步延迟也会很大。
仔细分析一下，其实并不需要全局顺序一致，只需要每条航线的数据顺序保持一致就可以了。
我们按航线划分了很多的队列，不同航线的 SQL 在各自队列里保持顺序入库，这样并行度就高了，写入的吞吐量也就上去了。
保证数据的一致性
增量同步可能会因为一些网络问题或者入库失败，导致数据不一致。
这个时候，为了让数据最终一致，我们又设计了一个全量数据 Diff 的功能，定期(比如 5 分钟一次)对两个库的数据进行比对，如果有不一致的，通过增删来保持索引库的数据跟规则库保持一致。
这就保证数据在异常情况下能短时间达到最终一致。
系统的高可用
我们希望任何一个环节出现问题都不影响数据同步。这里可分为两部分， Canal 这边本身已经提供了方案，应用服务器和
DB 都配备主备自动切换来保证高可用。
我们的同步程序，也设计了一套方案。系统是分布式的，一共有 K 个 MySQL 的实例，分配到 P
台服务器上。
这是一个任务分配问题，可以达到几个效果：
任务分配要均衡。
分配完之后保持稳定。
某台服务器挂掉了它上面的任务需要自动切换到健康的服务器上，不影响其他的任务。
加入了新的服务器，任务重新分配，保持各服务器的负载均衡。
我们利用 ZK 作为协调者，从集群服务器中选出一台 Leader 来执行任务分配，依靠 ZK 的节点发现和通知机制，实现了这四个功能。
这样我们的整个同步系统是高可用的，在吞吐量很大的情况下，峰值延迟不超过 60 秒，平均延迟 10
秒左右。
索引库构建好了之后，我们的系统结构可以是这样的。
入口接收 PriceMerger 的搜索消息，这个消息会带着《出发》、《到达》、《日期》还有《供应商列表》这些参数，随机打到分布式集群的某一台搜索服务器上。
服务器把符合这些条件的供应商规则从索引库查询出来，同时并行把航班数据、运价数据取回来，进行匹配、计算、筛选，计算出每个供应商的舱位最优价，将结果写入
Redis ，最后发消息通知 PriceMerger 。
这个流程很清晰，只需要查一次库，理论上 DB 是没有什么问题的，应用系统也很容易扩展。
系统做出来之后，还是遇到了两大问题：
索引库压力很大。
部分服务器的负载很高，GC 频繁，吞吐量上不去。
为什么会这样呢?这个时候我们是比较沮丧的，但是问题还是要解决。我们考察了搜索条件的特点。
首先，搜索的请求条件冷热门很明显，热门航线比如北京到上海的请求很多，投放这些航线的供应商也很多，规则数量很大，热门航线的航班数量和运价数量也很多。
这些因素结合起来，一次热门航线搜索， DB 和应用服务器的 IO 占用都很高， CPU 方面光反序列化就占用不少，报价计算的量很大，这就导致了
DB 和应用服务器的负载都很高，但是吞吐量上不去的情况。
另外我们的供应商规则，以及航班数据和运价数据，有大量的 String、Map 和 List 等对象，尤其热门航线的搜索，请求量稍微大一点，堆内存占用很多，释放不掉，
GC 根本回收不过来。
分析了这些情况之后，我们有两个措施，一是想办法大幅减少 DB 的请求量，二是想办法减少内存的占用。
如何能减少 DB 的请求呢?有效的办法是在应用服务器增加本地的 Cache 。
查询出来的规则数据，不扔掉，放在 Cache 里下次同样条件的请求直接使用。
然后每次搜索进来的时候，去索引库检查一下这个条件下的规则数量和最后更新时间，有变化的话就将缓存清掉，从
DB 取一遍，保证缓存数据的新鲜度。这样一来， DB 压力陡降，服务器 IO 也降了很多。
有了本地缓存，我们需要让缓存命中率尽量高，并且保持稳定。根本的办法是让同样的请求条件，每次都打到同样的服务器上。
直接将请求按航线进行一致性哈希，可以达到效果，但是这样会有冷热门航线的问题，会导致部分服务器的负载不均衡。
我们对负载均衡策略进行了扩展，将航线+单个供应商作为哈希条件，一致性哈希分到某台服务器，之前的供应商列表就会分多批，一个请求分裂成多个请求，进行分发。
由于是一致性哈希，命中率会很高，并且我们增减服务器，不会引起缓存命中率的大面积变化。
单台服务器上的规则缓存，只是某些航线的部分供应商的规则，并不是全量规则，在集群服务器数量足够的情况下，不会占用单台服务器太多的内存。
DB 的压力在做了 Cache 之后大幅降低。但搜索量上涨后还是会出现负载高的情况。原因是每次搜索都会要检查规则是否更新，这个
SQL 执行量很大。
有没有办法减少它呢?回顾整个系统，其实我们已经在数据同步的时候就知道了供应商是否更新了规则，可以在这个时候，去通知引擎，将该条件的本地缓存失效掉。
这样就不需要每次搜索都去 DB 里检查了，作为兜底可以 1 分钟检查一次。这样 DB 就毫无压力了。
另一个措施，是缩减内存的占用。
每条供应商的规则都有几十个字段，这些字段有很多 String ，整形，日期等对象类型。航班数据、运价数据，包含大量的
Map 数据。作为本地缓存，这些数据对象会长时间存在，如果占用内存太多， GC 都回收不过来。
分析一下特征，我们发现很多对象，都是一些个数有限的字符串，比如机场码，航司代码，航班号，舱位代码;还有一些日期的对象，只是精确到天;一堆定价的数值、一堆布尔值。
这些对象实际数据不大，但是对象的开销不小，比如一个两字节的航司代码的 String 对象，内存就要
48 字节，还有很多的小对象，由于 Java 的内存对齐，会导致大量的内存间隙，造成内存的浪费。
针对这些特点，我们做了一系列策略：
小的个数有限的字符串，做一个 Byte 类型的编码表，减少创建字符串对象。
针对一堆 Integer ，我们构造了一些 Short 数组，int数组来承载，减少对象开销，避免内存对齐产生的间隙。
针对日期，我们计算一个距离 5 年前的偏移量，存成 Short 数组。
总的来说，尽量减少内存的浪费，最后我们内存使用大幅减少，有接近 50% 的降幅。这样一来内存也不是问题了，吞吐量就可以上去了。
除此之外，我们还在其他方面对系统进行了性能优化：
在计算中采用异步 HTTP 或者异步 Dubbo 方式，并行获取需要的资源。很多计算能并行的都并行来做，杜绝锁的出现，充分榨取多核
CPU 的计算能力。
对于一些复杂计算，结合业务进行剪枝，降低时间复杂度。
适当的用空间换时间，比如一些重复的循环计算，把中间结果缓存起来，后边直接用。
优化 Jvm 参数，缩短对象驻留内存的时间，减少 GC 次数。
数据交换用 Protobuf ， Gzip 压缩，减少 IO 。
重启机器时候负载很高，每次发布都会影响服务性能，对此我们发现主要的问题在于 Jit 即时编译，在量上来的时候，启动
C2 线程进行的字节码编译，会耗费大量的 CPU 。
对此我们做了预热机制，启动时对外服务前，先预跑让 Jit 编译完成，同时会重建大部分本地缓存。
通过这些优化，这个集群的性能达到一个非常好的状态，在 QPS 达到 5w 的情况下，响应时间在 50ms
以内，负载也比较低。
以上就是我们搜索系统的设计和优化历程。
我们回顾一下，对于搜索框架我们进行了水平分层，纵向分渠道，除了良好的扩展性，不同的层可以做不同的降级策略，流量控制，保证系统高可用。
我们采用实时计算+阶梯式缓存，来做到成本与报价新鲜度的权衡。我们设计了闭环系统来保证缓存的更新。
对于报价引擎我们设计了适合航线搜索的索引库，开发了高可用的实时同步系统。
设计了一个分布式本地缓存，大大降低 DB 的压力，分享了我们是如何缩减对象内存的，还有就是如何合理利用一致性哈希做负载均衡。
我们会发现，不同的业务场景，有不同的特征，最好的思路是根据特征去进行设计和优化。由于木桶效应的存在，通用的实现大多数不是最优的，因为兼顾了通用性。高性能系统的设计，真的是需要量体裁衣。 |
