Yahoo开源实时大数据处理服务系统Vespa

作者：Jon Bratseth， 来源：InfoQ

从2006年开源Hadoop开始，Yahoo（也就是现在的Oath）为广大开发者社区的大数据基础设施做出了不可磨灭的贡献。现在，我们又卖出了坚实的一步，Yahoo的大数据处理和服务引擎Vespa正式在GitHub上开源了（https://github.com/vespa-engine）。

越来越多的应用程序需要处理大量的数据，尽管开发者可以使用Hadoop来存储和批处理数据，也可以使用Storm来处理流式数据，但这些技术无法直接服务于最终用户。提供大规模服务是一项巨大的挑战，当用户需要等待基于大量数据集的计算结果时，比如特征搜索、推荐系统、定制化，这种挑战就会变得尤为明显。

有了Vespa，开发者可以轻松地构建基于大数据集实时计算结果的应用，而到目前为止，只有少数几个大公司具备这样的能力。

提供服务不是简单地根据ID查询项目或应用模型计算出几个数字，很多提供服务的应用需要基于大数据集运行计算，比如搜索和推荐。为了给用户返回精确的搜索结果或推荐清单，应用程序需要找出所有符合查询条件的项目，根据相关度或推荐模型决定每一个项目的匹配程度，移除重复项目，增加浏览辅助项，最后把结果返回给用户。因为这些计算依赖用户的具体请求，所以无法预先计算。应用程序必须实时地处理用户请求，而且要快，因为用户在等待结果。在大数据集上快速执行上述操作需要很多基础设施的支持——分布式算法、数据分布和管理、高效的数据结构和内存管理等等。而这些正是Vespa要为开发者提供的——一个一站式的引擎，简洁易用。

我们已经在Oath的多个产品上使用了Vespa，包括Yahoo.com、Yahoo News、Yahoo Sports、Yahoo Finance、Yahoo Gemini、Flickr等。我们使用Vespa来处理每日数十亿个用户请求，为用户返回基于数十亿文档得出的搜索结果和推荐内容，并提供定制化内容和广告。事实上，Vespa每秒可以处理90,000次内容和广告请求，延迟通常只有几十毫秒。在Flickr上，Vespa每秒可以处理数百个基于数百亿张图片的关键字和图像搜索。另外，Vespa在Yahoo Gemini上每天处理30亿个请求，高峰时段每秒钟140,000个请求，直接给公司带来可观的收益。

我们基于Vespa构建的应用具备如下特性：

• 使用SQL风格的查询和文本搜索来过滤内容
• 基于匹配项生成数据驱动的页面
• 根据人工或机器学习相关度模型对匹配进行排名
• 毫秒级的处理响应时间
• 实时写入数据，每个节点每秒钟写入数千次
• 在运行服务的同时进行伸缩和重配置

为了保证速度和伸缩性，Vespa在多台机器上分布数据和计算任务，避免了单点master的瓶颈。传统的应用将数据拉取到一个无状态的层上进行处理，而Vespa是将计算任务推送给数据集。为此，Vespa需要做很多非常棘手的工作，比如当机器发生故障或增加新机器时在后台重新分布数据、实现分布式的低延迟和处理算法、处理分布式数据一致性等。

我们在构建alltheweb.com（后被Yahoo收购）时就开始开发我们的搜索和服务。在过去几年中，我们不断使用新技术重写了我们的引擎。Vespa是我们发布过的项目当中涉及范围最广、代码量最大的一个项目。Vespa已经在Yahoo的大部分关键系统上得到了实地验证，所以我们很高兴能够把Vespa推向世界。

Vespa赋予了开发者将任意大小数据集和模型填充进服务系统的能力，而且可以实时地得到计算结果，带来更好的用户体验，而且成本更低，比预计算方式具有更低的复杂度。而且，开发者可以与复杂的计算展开实时的交互，不需要启动离线作业或反复回过头来检查结果。

Vespa可以运行在自有数据中心或云端。我们提供了Vespa的Docker镜像和rpm安装包，也提供了运行指南，可以让Vespa运行在本地机器或AWS集群上。

这个（http://docs.vespa.ai/）是我们的文档，里面包含了一个入门指南。

管理分布式系统不是件简单的事情。我们投入了大量精力开发Vespa，其他开发者就可以专注在创建功能上，他们可以实现基于大数据集的实时计算，而不是把时间花在集群和数据的管理上。根据我们的文档所给出的指南，你可以在不到十分钟的时间内让一个应用跑起来。