干货｜火山引擎DataTester：5个优化思路，构建高性能A/B实验平台

现状及问题

1. 牵连系统多、链路长：报告页涉及到控制台（Console）、科学计算模块、查询引擎、OLAP存储引擎。整个链路包括了：DSL到sql转化、后端查询结果缓存处理、查询结果的加工计算、前端查询接口的组装和数据渲染。

2. 实现复杂：实验指标有多种算子，在查询引擎侧中都有一套定制SQL，通过DSL将算子转换成SQL。这是DataTester中最复杂的功能模块之一。

优化思路

1. 实时扫描事件表，做过滤

2. 根据用户首次进组时间过滤出用户

3. 做聚合运算

需要查询详细的SQL代码如下：

SELECT event_date,
       count(DISTINCT uc1) AS uv,
       sum(value) AS sum_value,
       sum(pow(value, 2)) AS sum_value_square
FROM
  (SELECT uc1,
          event_date,
          count(s) AS value
   FROM
     (SELECT hash_uid AS uc1,
             TIME,
             server_time,
             event,
             event_date,
             TIME AS s
      FROM rangers.tob_apps_all et
      WHERE tea_app_id = 249532
        AND ((event = 'purchase'))
        AND (event_date >= '2021-05-10'
             AND event_date <= '2021-05-19'
             AND multiIf(server_time < 1609948800, server_time, TIME > 2000000000, toUInt32(TIME  1000), TIME) >= 1620576000
             AND multiIf(server_time < 1609948800, server_time, TIME > 2000000000, toUInt32(TIME  1000), TIME) <= 1621439999)
        AND (event in ('rangers_push_send',
                       'rangers_push_workflow')
             OR ifNull(string_params{'$inactive'},'null')!='true') ) et GLOBAL ANY
   INNER JOIN
     (SELECT min(multiIf(server_time < 1609948800, server_time, TIME > 2000000000, toUInt32(TIME  1000), TIME)) AS first_time,
             hash_uid AS uc2
      FROM rangers.tob_apps_all et
      WHERE tea_app_id = 249532
        AND arraySetCheck(ab_version, (29282))
        AND event_date >= '2021-05-10'
        AND event_date <= '2021-05-19'
        AND multiIf(server_time < 1609948800, server_time, TIME > 2000000000, toUInt32(TIME  1000), TIME) >= 1620651351
        AND multiIf(server_time < 1609948800, server_time, TIME > 2000000000, toUInt32(TIME  1000), TIME) <= 1621439999
        AND (event in ('rangers_push_send',
                       'rangers_push_workflow')
             OR ifNull(string_params{'$inactive'},'null')!='true')
      GROUP BY uc2) tab ON et.uc1=tab.uc2
   WHERE multiIf(server_time < 1609948800, server_time, TIME > 2000000000, toUInt32(TIME  1000), TIME)>=first_time
     AND first_time>0
   GROUP BY uc1,
            event_date)
GROUP BY event_date

DataTester底层OLAP引擎采用的是clickhouse，根据clickhouse引擎的特点，主要有两个优化方向：

• 减少clickhouse的join，因为clickhouse最擅长的是单表查询和多维度分析，如果做一些轻量级聚合把结果做到单表上，性能可以极大提升。也就是把join提前到数据构建阶段，构建好的数据就是join好的数据。
• 需要join的场景，则通过减小右表大小来加速查询。因为join的时候会把右表拉到本地构建hash表，所以必然会占用大量内存，影响性能。

重点优化方案

1. 【预构建加速】预聚合方案，把数据按细粒度预计算加速整体查询
2. 【预构建加速】ablog方案，把用户进组数据单独存储并每天压缩构建，加速进组人群的圈选
3. 【聚合查询】GroupBy查询优化
4. 【缓存加速】au类指标优化，指标内的au数据可以直接复用进组数据的缓存
5. 【交互优化】异步查询优化，避免了长链接导致的很多网关超时问题，页面多次刷新时更快返回数据提高用户体验

方案一：预聚合，压缩查询事件量

 DataTester指标的特点  

• 支持过滤条件

• 支持实时添加条件

• 支持天级/小时级/5分钟级等不同粒度的查询

• 支持组合指标

虽然指标很灵活，但是大多数场景用户进入报告页只会查看进组信息，实验结论，指标天级统计数据等，很少实时带条件去查询。因此，天级查询是我们主要使用场景。天级查询可以通过「预计算」加速。为了支持置信度的计算，「预计算」可以从人的粒度着手，即每天保存一条人的聚合后结果，记录下这个人在所有实验下进组之后各指标下的累积值。这样每天数据量与日活量相当，可以大大压缩总体查询量。

总体流程图

分为如下几个关键步骤：Dump、Parse、Build、Query

 Dump 

即把事件dump到离线存储中。私有化采用flume来实现，

• 自定义timestamp interceptor防止数据漂移

• 使用file channel文件缓冲保证数据不丢失

 Parse 

从指标DSL中解析出聚合字段、聚合类型，事件名、过滤条件指标四要素，再根据这些信息生成md5作为clickhouse存储的key。考虑到不同指标配置可能会配置相同的聚合字段、聚合类型，事件名、过滤条件，生成md5的目的是保证唯一防止多次聚合。聚合类型包括count，sum，max，min，latest，distinct（暂不支持），任何算子都可以用这几个基础聚合结果计算出来。如avg可以通过sum/count来计算。

Build 

离线构建最核心的部分在于自定义聚合函数(UDAF)，自带的聚合函数无法满足我们的要求。

Query 

即数据如何查询，通过对查询引擎增加参数控制是否走预聚合逻辑，同时针对预聚合定制了查询实现。

私有化场景用户机器资源是非常宝贵的，夜间也有很多定时任务在执行会争抢资源。为了保证不占用太多资源，提交任务时会对spark参数做控制。

以如下参数为基准，对spark.dynamicAllocation.maxExecutors进行控制

driver-memory：4g

executor-memory：2g

executor-cores：2

配置梯度表：

4亿事件量，100w用户量，查询提升超过4倍

方案二：ab_log，减小join时右表大小

1. 服务端实验进组人数通过事件表join事件表圈选，查询非常慢

2. 事件表存储了大量曝光事件，作用不大，徒增查询事件量

3. 私有化场景服务端进组时间存于用户属性中，然后时间推移比较难清理，并且存在性能隐患

1. 从实时流中过滤出曝光事件，把用户和进组时间写进实时clickhouse表

2. 从clickhouse实时表中构建出天粒度的离线用户进组信息表，每天每个用户仅有1条进组记录，记录了该用户该天最早的进组时间。

3. 查询的时候，为了获得用户首次进组时间，取min(「实时表中该用户当天的进组时间」，「离线表实验开始到T-1天数据中该用户进组时间」)

• 通过天级进组表大大加速服务端实验进组人群的圈选

• 彻底解决私有化进组用户属性的隐患

• 在私有化环境可以一定程度上减少曝光事件量。在某些客户下，可减少30%以上事件量。

方案三：GroupBy查询优化

DataTester的数据查询和其他数据应用产品不同，DataTester在数据查询时，所有的查询都会针对每一个实验版本都查一遍，而过程中中唯一的区别就在于实验版本ID，所以和SQL中GroupBy的应用场景特别契合，通过GroupBy查询不仅可以极大的减少查询的数量，也可以降低多次查询造成的重复扫表，提高查询效率。

DataTester对每个实验版本的查询语句都是类似的，只是版本id不同。对DataTester用到的所有查询类型和算子做GroupBy的改造，实现细节这里不做过多展开。

测试数据规模为日均一亿，7天，3个实验版本

查询引擎接口响应时长（取10次平均）：

方案四：au类指标优化，减少重复查询次数

指标查询引擎对DataTester的au类型算子都做了定制，一个指标查询会产生两条sql，一条正常指标的查询sql，另一条是对any_event的au的查询，在最后结果处理的时候对两条sql的查询结果做了一个合并，一起返回到DataTester的科学计算模块。但是，每次打开报告页都必定会查进组人数，它和any_event的au是同一个值，au类型算子查询的时候无法复用进组人数的结果，而au查询又可以算是最慢的查询之一，降低了报告页打开的速度。

对有进组指标的算子做了缓存优化，减少重复查询。

方案五：异步查询优化，解决页面超时问题

DataTester报告页等一些查询数据的接口本身确实比较耗时，需要实时计算，而大部分网关都有超时限制，这个问题在私有化中尤为明显，所以对报告页的整体交互做了优化改造。

前后端交互

服务端架构设计

1. 大幅缩短请求延时，避免出现页面请求失败的情况
2. 通过增加redis缓存，同页面的多次刷新响应时间可以控制在100ms左右

其他优化方案

1. 业务逻辑优化，报告概览核心指标显著性和进组共用查询结果，去除实验版本按照核心指标显著性的排序，14个SQL降至10个，降低28.5%⬇️

2. 多维度并发控制，限制资源使用
3. 默认使用备查询，充分利用备节点的算力
4. 灵活开关多种报告的缓存，保证核心链路正常运行

总结

作为一站式A/B测试平台，火山引擎DataTester最核心的功能之一就是指标查询部分，它关系到产品体验和资源占用情况。而作为TOB领域的数据产品，DataTester能在有限的资源下发挥最极致的产品数据体验，也是产品最为重要的竞争力之一。

本次分享了DataTester在报告页查询优化过程中的5个技术方案落地。预聚合和ablog是从数据构建角度减少查询数据量的角度的优化，groupby和au类指标的优化是从减少并发的角度，异步查询是从产品体验角度。

查询和数据构建密不可分，DataTester未来的产品优化也会按照“去肥”和“增瘦”两个方向进行，“去肥”是优化科学计算模块和查询引擎的整体架构，优化业务逻辑，使得报告页查询逻辑更加清晰和简洁；另一方面“增瘦”就是通过合理的数据构建和数据模型优化加速查询，同时定向对部分难点问题重点优化，比如留存、盒须快照、同期群等等。

点击阅读原文，立即跳转火山引擎A/B测试DataTester官网了解详情