Facebook的分布式图查询引擎：Dragon
当每次访问Facebook时，你会看到从社交图中获得的成百上千的关系信息：不仅仅可以收到你朋友的发帖、图片和私信，也能收到“赞”、评论等。并且，这些信息是不断的变化的、不能事先计算好的，每秒钟都有百万次的写入和亿万次的读取。对于每个人来说，他／她们的交互信息都是实时的。
社交图谱是由顶点和边或者对象和关系组成（这里对象和关系是Facebook公司的叫法，其实对象就代表顶点，关系就代表边），带有一系列的属性。典型的图关系查询始于一个顶点，并给出某类限定条件查询出所有的边信息。例如，把你自己作为一个点，查询你所有的朋友信息，并按成为朋友的时间来排序。
Facebook查询社交图谱最早是基于memcached和MySQL，后面自己开发了一个 分布式数据库TAO （TAO适合单跳（single hop）大批量查询）。自从Facebook采用TAO后，Facebook的用户量显著的提升，而且许多内容的 交互度 （engagement）也非常高。Facebook的发帖有的收到亿万次的点赞，尽管几分钟的直播视频也获得成百上千的评论，评论有各种语言的，这让显示跟每个人的相关信息有了很大的难度。大部分情况TAO可以解决，但需要新增加对大批量多跳（multi hop）的优化，这时候Dragon应运而生。
Dragon，一个分布式图谱查询引擎，是支撑Facebook巨规模社交图谱的坚固基础，擅长对复杂图的查询。Dragon可以实时监控社交图谱模型（对象和关系）的更新，并创建索引来提高攫取、过滤和重排序数据的效率。使用Dragon可以减少网络数据的传输，低延迟和不抢占其它机器的CPU。
索引技术
假设Alice有上千个Facebook好友，她说英语和西班牙语，在Facebook上关注夏奇拉（Shakira，著名歌手）。当Alice访问夏奇拉的Facebook主页，会显示一句话“您的朋友Bob和Charlie，以及其他1.04亿人关注这个页面”。如果有一个页面有成百上千的评论，会在顶部显示Alice所会语言的评论。
分布式数据库TAO能一次攫取成千的关系数据，这对大部分情况下的查询都可以，但对大数据量的查询时会产生延迟。当Alice浏览夏奇拉的主页，Facebook的并发系统会在RAM中缓存评论的子集，并以时间戳（ts）排序，过滤上千的评论区找到相关语言的评论并重排序
图1：使用Dragon前的评论存储和使用Dragon的索引存储
使用Dragon，会指定索引并通过感兴趣的属性进行过滤。当一个图谱第一次查询命中，Dragon会回调TAO数据库设置初始值到 RocksDB (一个高效的嵌入式Key／Value持久数据库)持久化存储。Dragon会存储最近查询的数据或者频繁查询的数据，下推程序到存储层，这样查询到效率会更高。举例，当Alice浏览夏奇拉的主页，Facebook会计算一个key：并直接寻找感兴趣的发帖；也可以做更复杂的排序并持久化到RocksDB，以减少查询到时间。
而另外一些Facebook上的人并不会出现一篇发帖有大数据量的评论，他/她们许多人会上传大量的图片。一个常规的图片上传到Facebook会存储20条边到MySQL里并通过TAO缓存到RAM中。这些边可能包含一些属性（比如，上传图片的人、上传图片的地点以及图片是否打标签等）信息，大部分情况是读取数据，因此可以在写入的同时进行读操作。边的数据需要持久化存储，并且数据大小六年增长了20x倍；大约有一大半的数据是存储边的属性数据，只有一小部分是描述两个实体之间的关系（比如，Alice -> [uploaded] -> PhotoID和PhotoID -> [uploaded by] -> Alice）的。
使用Dragon，只需要写入主要的边关系，然后创建基于方向的索引。索引加速读取，但同时会减缓写入数据，因为在写入数据的同时得创建对应的索引数据，所以Dragon只创建有意义的索引。比如，一个只有10个评论的发帖不需要创建索引，因为其用分布式数据库TAO就很方便的扫描所有数据。结合部分索引技术和丰富的支持过滤、排序操作的查询语言可以索引一个150x倍数据量但90%的查询会在缓存中命中。
社会化倒排索引
人们一般经常查询朋友的基本信息（比如，姓名和生日）；这些数据读的频率远大于写入。复制Alice的基本信息到所有主机，当查询朋友的名字时仅仅需要访问一台主机即可，这也得平衡数据的一致性和可用性。索引加速读取，同时也减慢写入。每次写入都得复制到所有的主机上，并且有可能写入失败。
倒排索引在信息检索方面是一个主流的技术。当Alice关注Shakira，Facebook存储在代表Alice的主机有两条边（Alice -> [likes] -> Shakira和 Shakira -> [liked by] Alice）。我们得到的是一个分布式倒排索引，因为Shakira的关注者不限于一台主机。查询一个索引需要访问集群上所有的主机，这显然增加了延迟和查询的代价。
Dragon的独特实现在于这些索引存储是基于查询模式的深度解析，而不是随机共享
图2 ：朋友关系和主页关注存储在分布式数据库TAO。每个框代表一台主机
图3：搜索引擎里常用的倒排索引。每台主机存储一部分对象IDs，比如［n＊100，n ＋ 1 ＊ 100］
如果你看你好友的关系图谱以及他／她们自己的好友的图谱，你会发现一些清晰的规律。对大部分人来说，社交图谱包含对社交圈子包括家庭、合作者或者高中同学。并且那些有相同朋友圈的朋友高度的相似性。如果Alice、Bob和Charlie在一个公司工作，Bob和Charlie也是朋友，并且有许多成年人朋友，Facebook公司的算法会试图把他们归到一台主机上。
图4:社交化倒排索引。Alice朋友圈在同一台主机上。
Facebook完成这些算法是针对人，但也同样对图谱中其他类型的对象适用。早期的索引减少读取30%的设备块和约7%的CPU使用，早期版本的Dragon未使用倒排索引。
Dragon主要有两个优点：图谱中一个对象有唯一的索引，并共享存储在类似MySQL和TAO的数据库；第二个优点是朋友关系边的查询，这步有一个聚合层和更新服务来处理数据重新分布，同时依赖于分布式日志和至少处理一次的语法。
朋友关系、关注和评论是Facebook社交图谱中最常见的边。通过离线图谱分解技术来提升数据的本地性，最初的做法主要是通过“ balanced partitioning of the social graph ”基于好友关系边来做离线计算，并且随着扇出优化技术的发展，可以达到低于3x的扇出，相对于随机共享服务技术减少了平均延迟，见图5。
图5: 延迟和扇出关系图
这个算法机遇和挑战并存，查询时间和好友数并不是线性关系，所以可以高效的查询大批量数据，但查询的总时间遵循“最短木桶”效应，取决于最慢的查询操作，所以如果有某一台机器查询时间超过100ms，尽管其他机器的查询时间大约10ms，那也被视为高延迟。通过采用多核机器，尽可能的让CPU并行处理查询，这样对大数据量的查询也可以限制在一个合理的延迟范围内。
原生的函数式编程。
Dragon支持函数式编程，在图谱上过滤／排序某个边。
(->> (friends) (assoc $friends) (filter (> age 20)) (count))
列1:计算Alice朋友的好友年龄大于20岁的数量
(->> (groups) (->> (assoc count $offset))
列2:计算所有我的关注的组，并按组成员数排序，显示指定的条数。
Dragon支持使用Lua／JavaScript语言编写用户自定义函数（UDF），可实现对复杂的字符串操作和正则的支持。
总结
Dragon是高吞吐量、Key／Value存储、实时更新和持久化的社交图谱查询引擎，支持数据一致性和高可用性。它采用多项优化技术存储，提高数据本地性，执行查询时间在1ms或者2ms左右。
Dragon可以让你的应用更多的去关注业务逻辑、信息安全、数据质量校验和有深度的数据排序优化，而不是耗费太多的时间在迭代计算图谱数据。
感谢杜小芳对本文的审校。
给InfoQ中文站投稿或者参与内容翻译工作，请邮件至editors@cn.infoq.com。也欢迎大家通过新浪微博（@InfoQ，@丁晓昀），微信（微信号： InfoQChina ）关注我们。
正文到此结束
热门推荐
相关文章
Loading...
![[HBLOG]公众号](http://www.liuhaihua.cn/img/qrcode_gzh.jpg)
