广告增量实时索引构建实践

本期作者

1.前言

在广告检索系统中，增量索引（实时索引）是一类常见的技术，用于使广告信息的变更及时生效。其中一种主要的思路即由检索系统消费广告更新数据流，实时更新内存索引，对此行业中已有很多优秀方案实现。然而，对与如何构建出“广告更新数据”，却鲜有提及。

本文将针对如何构建出完整、可靠、可维护的“广告更新数据流”进行展开叙述。

2.业务背景

在线广告是实现流量变现重要业务模式。广告检索系统是其中的核心系统之一，其一种常见的架构是由“索引构建服务”构建出广告物料索引数据，再由“检索引擎”加载数据，用于在线广告检索。

相比于搜索或推荐业务，广告的物料数据量不算最大，但构建逻辑极其复杂。以下图为例，构建广告物料索引以单元（unit）表为核心，查询相关的账号（account）、计划（plan）、创意（creative），进而再通过创意id查找图片（image），视频（video），up主（up）等。

相关数据查询完后，提取各表数据并组装，形成一个个“广告文档(doc)"。单个doc的文本的形式如下：

由于单元数据量较大，相关数据库表多（超过100张表），这些单元还分属不同的业务线、不同类型、不同样式，所关联的构建逻辑也不尽相同，形成了复杂的查找链路。

并且，随着业务量越来越大，整体的延迟越来越长，广告的物料数据更新不及时，影响了广告的时效性，最终降低了广告的投放体验和效率。

3.方案演进

广告索引的构建和下发经历了漫长的优化迭代，包括本文主要介绍的增量索引在内，主要分为如下三个阶段：

阶段一：全量串行——所有数据串行查询，串行构建

阶段二：分批间并行，批次内并行——将全量的单元id分为多个批次，多批次间并行执行，批次内按照数据依赖的拓扑关系并行查询组装

阶段三：增量构建+全量构建——定时构建的广告索引，有数据发生变更则构建发生数据变化的这部分广告物料索引

	阶段一：全量串行	阶段二：分批并行	阶段三：增量+全量
流程
特点	数据库负载：一般构建耗时：长数据传输负载：很高	数据库负载：很高构建耗时：较短数据传输负载：很高	数据库负载：很低构建耗时：全量耗时长，增量耗时很短数据传输负载：很低

阶段一：全量串行

阶段二：分批并行

阶段三：增量+全量

流程

特点

数据库负载：一般

构建耗时：长

数据传输负载：很高

数据库负载：很高

构建耗时：较短

数据传输负载：很高

数据库负载：很低

构建耗时：全量耗时长，增量耗时很短

数据传输负载：很低

从阶段一到阶段二，在时效性上有一定提升，但是给数据库带来了很大的压力，且网络传输负载很高。

在查询全量数据的前提下，无论做何种并行化优化，该查的数据还是得查，数据库负载会随着业务扩张不断增加，数据量也会一直膨胀，更新时效性也越来越差，优化的边际递减效应明显。

因此阶段三中引入了增量索引技术，采用全量索引+增量索引的构建模式。

4.增量索引

增量索引的广告物料分为两类：

全量广告索引——定时（1小时或者更长）全量构建所有广告单元数据，产出一份包含全量单元的索引数据
增量广告索引——只构建数据发生了变化的广告单元，单独产出一份增量单元索引数据

两者的触发机制不同，产出的数据结构类似，但是包含的内容范围不同。

如上图，紫色模块是全量索引构建的流程，蓝色部分是增量索引构建的流程，绿色部分是公共的部分。全量增量的主要差异在于：全量索引任务的unit_id是所有单元的unit_id，增量索引任务的unit_id是广告数据发生变化的单元的unit_id。

下游检索引擎加载这两类索引，将其合并成一个整体，作为广告物料库使用。

相比起之前的全量方案，增量索引的方案里的全量索引构建频率降低到小时级别，增量只构建和下发发生变化的广告单元，大大降低了数据库负载和数据传输的带宽，提高了更新时效性。

变化的unit_id —— 反查库表？

上图中，接收到DB的原始变更消息后，还需要将其转译为相关变化的unit_id。那么，当单元关联的上百个实体（表）中，部分的数据发生了变化时，如何确认其对应的哪个unit_id发生了变化？

一种简单的想法是根据实体之间的逻辑联系，根据发生变化的实体id反查出其关联的unit_id。

例如下图中，若检测到up.up_icon发生了变化，可通过video表查找出与up_mid关联的video_id, 再通过creative表以video_id为条件查找出关联的unit_id。

上述逻辑看起来是通顺的，然而理清“实体之间的逻辑联系”实际执行时却相当困难。

举几个例子说明：

例1：缺少索引，不适合反查

上图中的例子已经隐约可看出反查unit_id的困难之处，一条记录变更需要通过多次反查才能找到目标。而且在实际应用中，并非每张表都适合反查，例如图中的creative.video_id字段其实并没有索引，若以video_id为条件进行查询，则会发生全表扫描，效率极低。

例2：字段类型复杂，无法反查

除此以外，还可能存在反查条件字段难以直接用于查询的情况。例如下图中，若source表中id位101的数据发生了变化，则需要以"source_group.slot_ids包含101"为条件才能查找出对应的source_group.id，难以执行。

例3：逻辑复杂很难理清

即便没有上述数据库查找问题，分析实体间关联关系本身也是有一定难度的。如下图，unit和video以多种路径相关联，编写反查逻辑时需要覆盖多种情况，容易遗漏。况且，对广告相关的上百张表都要做此分析，极大地增加迭代和维护成本。

利用历史索引？

反查库表难以执行，那么尝试换一种思路。在全量构建索引时，单元相关的实体数据通常已经记录在doc中，那么能否考虑从历史已构建出的doc中直接根据变化的条件查找出对应的广告？

例如，历史全量索引存储了每个有效广告关联的up_mid列表。那么当up表的数据变化时，如果遍历此前已构建出的有效历史索引中的每一个doc，即可查找出哪些广告unit_id关联了这个变化的up_mid，从而触发这些广告的增量更新。

但如此一来，又引发了以下三个问题：

问题1

广告doc的数据结构非常复杂，层级众多，从其中找出up_mid的逻辑是定制的；对每一个unit表的关联实体都需要定制，产生大量与构建过程耦合的代码，仍然容易出错。且对层级很深的数据，查找的代码编写起来也有难度。

问题2

每次触发同类事件时，都需要遍历历史索引中的每一个doc，遍历过程系统开销大、耗时长，难以满足业务需求。

问题3

这种方式查找出的广告unit_id是比预期更少的，因为在索引构建过程中可能发生过滤，而当这个过滤条件被满足时理应触发被过滤的广告更新，但由于被过滤的广告ID不会被保存下来，因而无法触发。

比如，plan某条记录的状态为“关闭”，导致索引里没有与其相关联的unit，某个时刻，这条plan记录的状态从“关闭”变更为“开启”，此时应该触发相关单元的构建，但是由于历史索引里缺少数据而无法触发。

在构建过程中记录关联关系

上面的问题1，本质就是要从广告的索引数据结构中查找出其关联的其他各类ID，相关代码定制性强，耦合度高，可维护性差。

因此需要寻找一种方法，可以用标准化、低耦合、自动化程度高的方式记录下每一个广告单元ID与其他各类ID之间的关联，与索引数据一同存储下来，从而当捕获到某种触发事件时，无论其与广告之间的关系有多么曲折，直接从这份关联数据中查找到。

为了建立一一对应的关联关系，且方便从其他实体的ID反查出广告单元ID，在此对构建的流程做出以下假设：

假设1：构建逻辑针对每一个待构建的广告单元，是逐个处理的(而不是批量处理)，不同单元的构建过程之间不存在逻辑上的关联。
假设2：构建指定的单个广告单元，从数据源获取相关数据时，都是通过类似"KV"形式的模块（称之为“取数器”）进行获取。

举个例子，假如有如下的关系表依赖：

一般而言，每个表对应一个“取数器”，根据上述的关系依赖，每个取数器的入参和返回可定义如下：

interface UnitBaseService {  // 获取广告单元的基本信息，这些信息不足以直接使用，需要拼装其他数据  UnitBase getUnitById(long unitId);}interface CreativeService {  // 获取创意  List<Creative> getCreativeByUnitId(int unitId);}interface VideoService {  // 获取视频 Map<Long, Video> getVideoByVideoIds(Iterable<Long> videoIds);}interface UpService {  // 获取Up主 Map<Long, Up> getUpByUpMids(Iterable<Long> upMids);}

在此基础上，查询数据的流程示意如下:

class Assembler {  UnitBaseService unitBaseService;  CreativeService creativeService;  VideoService videoService;  UpService upService;  // 组装单个广告  Unit assembleUnit(long unitId) {    UnitBase unitBase = unitBaseService.queryByUnitId(unitId);    List<Creative> creativeList = creativeService.queryByUnitId( unitId );    从 creativeList 中提取出 videoIds    Map<Long, Video> videoMap = videoService.queryByVideoIds( videoIds );    从 videoMap 中提取出 upMids    Map<Long, Up> upMap = upService.queryByUpMids( upMids );         // ...    // 将所有相关数据组装起来，成为可用的广告单元数据；    Unit unit = doAssemble(unitBase, creativeList, videoMap, upMap);    return unit;  }}

上述的查询流程方法（assembleUnit）中，输入参数只有一个unitId，满足了假设一。在assembleUnit方法里调用服务查询时，各种输入参数（videoIds，upMids）便和唯一的unitId关联起来。

如上图所示，unit_id和其他表字段的联系可以构建如下：

	关系
1	unitId → accountId
2	unitId → planId
3	unitId → videoIds → upMids

前两条关系是直接关系，当account表和plan表的数据发生变化时，都可直接追溯至unitId。

但第三条关系 unitId → videoIds → upMids，关联了超过2类id，从unitId到upMids是间接关系，在实际检索中很难使用。

使用直接关系替代间接关系

间接关系是很难使用和维护的，将间接关系转为直接关系。如下图所示：

关联关系	直接关系
unitId → videoIds → upMids	unitId → videoIds unitId → upMids

关联关系

直接关系

unitId → videoIds → upMids

unitId → videoIds

unitId → upMids

举例说明直接关系如何运作，存在如下的数据：

建立的直接关系如下：

(unitId → videoIds)	(unitId → upMids)
111111 → 444444,555555	111111 → 666666, 777777

如果up表里的up_icon发生了变化，从 pic1.jpg 变为 pic2.jpg，对应的这个up_mid是777777.

在unitId → upMids的关系里，存在111111 → 666666, 777777的关系，因此这个变化可以被捕获并反查出变化的unit_id 111111，由此触发了111111这个单元的构建。

因此从间接关系拆为直接关系后，up表的变更无需通过video表，即可查出来哪些unit_id发生了变化。

框架自动捕获依赖关系

具体到框架层面，使用装饰模式(可用AOP技术、静态代理、动态代理等技术实现)，自动地记录下构建过程中unit关联的其他ID（account_id, plan_id）的关系。

// 代表一个广告单元一次构建过程的上下文; 其中的各类Service是被装饰过的，含有记录所访问ID的功能
class BuildingContext {UnitService unitService;CreativeService creativeService;VideoService videoService;UpService upService; 
}// 上下文工厂，在其中可以对各类Service进行装饰，自动记录unitId与其他ID的关联关系
class BuildingContextFactory {UnitBaseService unitBaseService;CreativeService creativeService;VideoService videoService;UpService upService;BuildingContext getContext(long unitId) {// decoratedUpService是经过装饰的UpServiceUpService decoratedUpService = new UpService() {Map<Integer, Up> queryByUpMids(Iterable<Long> upMids) {// 记录下unitId与被查找的upMids存在关联record(unitId, upMids);// 调用基本功能return upService.queryByUpMids(upMids);}};// decoratedVideoService同理VideoService decoratedVideoService = new VideoService(){ ... };return new BuildingContext(unitBaseService, creativeService, decoratedVideoService, decoratedUpService);}
}
// 记录一个单元与其他ID存在联系；这里仅用于示意，实际开发中的定义会更加抽象，自动适用于各类ID
class UnitRelation {long unitId;List<Long> creativeIds;List<Long> videoIds;
}
// 组装器可得知待更新广告单元ID列表
List<Long> unitIds;
for(long unitId : unitIds) {// 调用AssemblerBuildingContext context = buildingContextFactory.getContext(unitId);Unit unit = assembler.assembleUnit(unitId, context);// 导出构建过程中发现的unitId与其他各类ID的关联，并与索引数据一同记录下来UnitRelation unitRelation = exportRelation(context);record(unitRelation);
}

特别注意的是，在上述的record(unitId, videoIds)方法里，直接记录了unitId和upMids的关系。

从而，问题1得到解决；同时由于提前记录了关系而不受过滤的影响，也解决了问题3。

生成关系倒排表

接下来则要解决问题2，即提高查找关联的效率

由于在上述的构建流程中记录了广告单元ID其他各类ID之间的关联后，如此一来，可以形成其他表和unit_id的关系如下：

unitId	account_id	plan_id	video_id	up_mid
u1	[a1]	[p1]	[v1,v2]	[m1, m2]
u2	[a1]	[p2]	[]	[]
u3	[a2]	[p3]	[v3]	[m2]
u4	[a2]	[p3]	[v1]	[m1]

在以上关系中，每行是unit_id构建一次时建立的直接关系。实际使用场景是关联表数据发生了变化需要回溯到单元id。

为此将其转化为如下的倒排关系：

relation	relation_id	unit_id
account_id	a1	[u1, u2]
account_id	a2	[u3, u4]
plan_id	p1	[u1]
	p2	[u2]
	p3	[u3, u4]
video_id	v1	[u1, u4]
	v2	[u1]
	v3	[u3]
up_mid	m1	[u1, u4]
up_mid	m2	[u1, u3]

如此一来，如果up表里up_mid为m1的记录的up_icon发生了变化，可快速从上述的表中通过m1→[u1,u2]的关系记录，反查到单元id为u1和u2的单元需要重新构建，问题2也得到解决。

检测数据变更

上述方案解决了核心问题：当数据发生变更时，检测出影响到的unit_id。

而对于如何检测数据变更，本方案采用了如下两种：

1.binlog触发

即监听binlog消息，提取出直接关系的id。

以video表的binlog为例，由于binlog里有修改前和修改后的记录的完整信息，因此不论是修改了关联字段还是删除，都可以找到对应的video_id，进而反查出unit_id。

Binlog触发时效性高，且信息完整，可以体现硬删除和变更前旧值的信息，是主要的检测手段。但其对于生产、投递、消费各环节可靠性要求较高，不能丢失消息。

2.近期扫描触发

按我司数据库规范要求，所有表必须携带mtime（最后修改时间），因而可用mtime检测近期的数据变更情况。

但这种方式有所缺陷：1. 时效性较低；2. 不可用于检测硬删除的情况；3. 不能直接获取变更前的旧值。

并且，还有一类update的情况需要注意，例如有如下表the_table

material_id	unit_id	material_content	mtime
m1	u1	content1	yesterday

通过类似这样的sql可以发现最近变更的unit_id：

-- SQL1select unit_id from the_table where mtime >= 'today'

如果发生了下面SQL2这样的update，则该条记录的mtime会发生变化，因此上面的SQL1检测到unit_id（u1）的变化

-- SQL2update the_table set material_content = "something else" where unit_id = 'u1'

但如果是下面SQL3这样的更新操作，则无法检测到u1单元的变化：

-- SQL3update the_table set unit_id = `u2` where unit_id = 'u1'

虽然该条记录的mtime仍然会发生变化，但同时unit_id也发生了变化，通过SQL1查询出的结果只有u2, 而不包含u1

因而，unit_id为u1的记录发生了变化，却不会被监测到，这是不符合预期的。

针对这样的问题，有以下解决方式：

1.与业务端约定，凡在组装器(假设2)中作为ID检索条件的字段，不能够被update

作为检索条件的字段，通常也是实体ID；记录实体间关系的记录，通过update改变关系的情况较少

2.方式1无法满足时，可以稍微改造组装器逻辑:

原本组装器中sql select * from the_table where unit_id = 'u1'，即查出该表与u1相关的记录，而不需要查找关联关系
现改为：select material_id from the_table where unit_id = 'u1',可查出关联的m1 ,再执行select * from the_table where material_id in ('m1')，可查出相关记录
这样一来，关联关系中会记录m1与u1存在关联关系
既然material实体与unit相关，那么就需要检测其变化select material_id from the_table where mtime >= 'today'
再代入执行上面的SQL3，虽然库中记录的unit_id被改为了u2,通过SQL1已不能直接查出u1的变化，但我们能够查出material m1的变化
再配合历史记录的m1与u1的关联关系，即可得知u1也发生了变化，从而触发u1的重新构建