计算压力倍增，携程度假起价引擎架构演变

携程度假每个旅游线路在每期、每天的价格均有变化，而价格变化又受到多个因素影响。为尽快捕捉到价格变化，需要不断优化调整架构，使得价格调整灵敏度更高更准。这对被调服务及硬件产生了极大的压力，也带来了新的瓶颈。那么，携程是如何解决这一难题的呢？本文是携程高级研发经理陈少伟在「腾讯云开发者社区沙龙online」的分享整理，着重介绍了携程度假起价引擎架构不断演进的过程。

一、背景介绍

1. 什么是度假起价引擎？

首先，解释一下什么是度假起价引擎。度假每个旅游线路涉及到不同的出发地，不同的出发地下有不同可出发班期，每个班期都有对应的这一天的价格。旅游产品的价格由多个资源组成的，任何一个资源价格发生变化，都会影响到产品的价格。 为了尽快捕捉到价格变化，需要有一个专门的价格系统去监测不同资源的价格变化，这就是起价引擎。

2. 旅游电商和普通电商的区别是什么？

普通电商的商品基本都是标品，价格和库存都针对的是单个SKU（StockKeeping Unit 库存单元），而旅游打包类商品都是由多个SKU组成（静态和实时匹配），任意一个SKU的价格、库存发生变化，都会直接影响到它所关联的所有产品。正是由于变量太多，这也给定价带来了极大的挑战。

上图展示的是京东上一个商品截图，我们可以看到它涉及到两个SKU，基本上像这种情况，每个SKU的价格都是比较确定的。

3. 度假起价面临的挑战有哪些？

旅游产品由于它的关联复杂性，给我们的度假起价造成了很大的挑战，总结如下：

（1）价格组成复杂

旅游产品不像单品售卖，产品价格是由多种资源组成（机、酒、火、X等）,任意一项资源价格、库存发生变化，都会导致整包价改变，变量太多。

（2）计算规则复杂

资源除了可以和产品行程绑定，同时，可以设置规则，由产品行程配置去动态匹配。资源和资源间存在关联关系。

（3）计算量较大

总任务单元（产品ID+出发地+出发班期）8亿+，并且在不断增加，其中国际机票任务量8700W+，国际航线路由（出发+到达+日期）1500W。总任务峰值QPS10W，Redis QPS 65W。

（4）可控性差

除了部门采购的资源外，活包产品大量依赖外部的资源。外部资源的变化对系统是黑盒，只能依赖API离线计算，API的调用量也会有限制等。

（5）售卖风险高

任意一个资源价格设置错误，直接影响到一批产品，对于异常价格需要实时预警，通知相应的业务介入处理。

（6）活包的概念

这里需要解释一下活包的概念，活包的意思是就是说，整个的价格库存不是控制在自己部门内的，主要依赖外部资源，只能是通过API去调用，包含这类型资源的产品，就叫活包。

4. 业务范围及指标

引擎计算的价格，包含“产品起价”和“班期起价”，这一部分是离线计算的衡量。

起价一致性的核心指标，是产品起价准确率。表示产品从搜索到详情页，某个出发班期与用户实时查询时产生价格的差异到底有多大。

为了更好衡量差异性，我们将准确率分为三个区间：比例区间、价格区间和完全相等。

二、引擎1.0简介

下面介绍一下第1个版本，引擎1.0存在的几个问题。

1. 任务队列

在最早的引擎1.0版本，用MySQL做任务队列，并且针对每个任务队列做了一个同步处理。比如说，在算完机票资源之后，再算酒店，算完酒店后进行单选项资源处理，最终汇总出价格。这里同时还涉及到数据库的同步问题，比如说从MySQL同步到SqlServer。

其实这个版本存在为数不少的问题，后来，我们为了加速一些任务上的流转，把MySQL的队列拆成了多个队列，并且使用Redis的队列去替换MySQL队列，整体的处理的速度快了一些，但是它同样也存在一些问题。

2. 任务队列

使用Redis list做为优先队列处理，随着数据量的增长，将来可能成为风险点，因为Redis list在队列数据量越来越多的时候，包括qps等整体各方面都达不到我们的性能要求。

3. 任务生成

当数据量越来越大时，任务生成会比较慢。并且在之前的模式下，任务生成由某一台机器去承载这个功能，也就是说这台机器承担着一个比较重的任务。如果数据量不增长，可能还可以承受，但是当数据量急剧增长的时候，就会出现瓶颈。

另外这样还容易产生单点故障。比如说，这台机器挂了该怎么办？或者当前只生成了一半结果出现问题，整个结果又得推倒重来？这样一来，失败的成本会很高。

三、引擎2.0简介

针对引擎1.0的问题，我们在引擎2.0中采取了相应的改善措施。

首先，我们用消息队列中间件去替换Redis list，这样一来，系统的整体抗堆积能力就会强很多，并且可以达到非常高的水平扩展性能。

当然，对于选哪一种消息中间件，我们自己也做过一些衡量。比如说像是RabbitMQ或者是携程内部的消息中间件的产品，最终我们选择了一个内部的基于Kafka的消息队列，因为有专门的团队去维护它，使用风险也降低了很多。

在任务生成方面，我们引入了分布式计算框架Spark，可以调用较多的计算资源进行数据的聚合计算处理，并且有很好的容错性，即便有个别机器失败，会有重试机制，对整体影响有限，没有单点故障风险，生成的效率较高。

当时如果要采用Spark的话，会涉及到之前没有遇到过的问题。比如，在整个公司从原有的.net代码体系切换到Java、团队中从来没有使用Spark，现学现用如何控制风险等。

当然我们也做了非常多的调研，包括全流程的环境搭建。比如，从本地环境的搭建，再到测试环境的搭建，每一步的搭建，每个环节都要去进行测试，甚至涉及到Spark的调用时，还需要很多安全认证。比如，在Windows下面就很难去处理安全验证问题，需要切换到Linux。整个过程当中，都需要一步一步去学，然后去解决问题，最终也学到了不少东西。

1. 线路聚合

在引入了分布式计算框架之后，我们又做过一些优化工作。比如航线聚合。

例如，北京->上海，这算是一条航线。不同的产品可能都会配这个航线，比如说产品1配置了上海->北京->上海，然后产品5也配置了上海->北京->上海。按原来的调用方式，这是两个请求。但是，将这个航线作为一个聚合的话，北京->上海这一个请求可以复用到产品1跟产品5。

这样一来，一个机票的调用量就减少了很多。拿之前的国际机票来举例，总的用量有8700万架，但其实只有1500万的航线。这样一来，调用的请求量就只有原来的几分之一。

类似的，例如目的地酒店\VBK资源产品计算也可以做这样的聚合。这样的话，基本上每一种类型资源都有可能得到几倍，甚至上百倍的性能优化。

2. 任务并行计算优化

下图是任务并行计算优化演化的一个过程。

第一，使用MySQL做为任务队列，接下来同步计算机票、酒店、单选项资源价格，然后汇总出最终价格，写入MySQL同时把数据同步到SqlServer；

第二，使用Redis队列替换MySQL队列，把Redis按资源拆成不同的队列，去除SqlServer数据同步；

第三、把Redis队列替换成消息队列中间件，把分发节点去除，加快任务流转的过程；

第四、把计算结构打平，不同的产品可以并行任务生成并计算，不同产品的计算频率可以不一样，原来各个资源队列处理完成之后都会放到汇总队列处理，这里汇总队列容易成为瓶颈，因此把汇总队列去除，把它放到各个资源队列里直接计算，加快整个的计算效率。

3. 优化结果

最终的优化结果是，任务生成的速度从5个小时降低到了1.5小时，任务的整个技术周期从两周缩短到1.5天。

但是，这个版本依旧存在一些问题。随着任务量增加，班期数从6000万增加到8亿家，系统面临着新的瓶颈：

（1）MySQL数据库存在IO瓶颈

（2）任务生成后消息分发不及时

（3）消息发送慢

（4）发布会中断消息的发送

四、引擎3.0简介

针对引擎2.0的两个主要问题，我们启动了3.0的改造计划。

主要做了以下三点改善措施：

• 减少消息分发的节点
• 使用HBase替换MySQL
• 热门任务策略优化

1. 减少消息分发的节点

我们怎么减少消息分发节点的呢？

整个任务生成的过程，首先是消息对产品进行解析，拿到产品的出发地、出发日期，再结合其他的信息，把这些相关的信息写到分布式文件系统里面，再通过Spark进行不同资源的聚合排序，然后再把它写回到分布式文件系统里面，接着通过某一个job去把这些信息取出来，然后把消息发送出去。

这种处理方式当然是可以的，但是整体处理的步骤稍微有点多。之所以这样做，是因为之前所用的不同环境下的不同组件，它们的结合容易有各种各样的冲突以及环境本身还不足够完备，我们一开始也没时间去做这块的优化等等，所以暂定的这样的临时处理方式。

后来我们把通过HDFS分布式文件系统把任务信息分发到下一步的这一个步骤简化了，在消息发送的时候，直接通过Spark进行消息发送，比如它里面可能有几百个节点，我们这几百个节点同时发送这个消息，所以整体发消息的效率就提升了特别多，同时消息发送同业务计算逻辑分发，业务上的调整发布不会影响消息发送的进程。

2. 使用HBase替换MySQL

随着计算量的增加，MySQL数据写入存在IO瓶颈，更换SSD、分库分表后依然未彻底解决问题，考虑到引擎使用DB如下场景：写入多、查询少，查询条件简单，再加上我们是离线计算方式计算价格，比较适合NOSQL数据库的适用场景，在综合评估HBase的各项指标、开发成本、运维成熟度之后，基本符合我们的预期。

3. 热门任务策略优化

然后同时我们也做了一个热门任务的策略优化。热门任务整个的价格，需要访问的资源很多。如果能够针对这部分的产品做一些优化，对于整个准确率的提升是有帮助的。

什么是热门任务呢？我们对热门任务的定义是针对过去3天内有访问过的班期，且该班期起价准确率区间超过10%的产品ID+出发城市下90天内的任务单元。

同时，我们还做了异常预警。根据班期价格组成的资源分布，通过模型找出异常价格，并实时通知业务介入。

五、优化结果

各版本及现在优化效果如下图所示，其中价格完全一致60%。

在最开始的版本，整体准确率只能达到60%，到了引擎1.0达到了71%，引擎2.0准确率达到了是81%，引擎3.0突破了87%，事实上现在的平均准确率能达到90%多。

其中价格完全一致差不多占了60%，基本上比例区间数值都要比价格区间要高一点，但是景酒类型会比较特殊，因为它的单价比较低，景酒单价平均在450元左右，所以如果景酒按价格区间来计算的话，可能正负差价在45元，而我们定的价格区间大概是±100了，所以它的比例区间的的范围明显比价格区间更窄，因此它的价格区间值其实是要比比例期间是要好的，但其他产品因为单价都比较高，所以通常来讲是比例区间会更好一点，然后有些场景下例如像自由行，因为它主要包含了活包资源，因此准确率还不是特别高，我们后面可能也会针对这类的场景做一些优化。

六、总结

最后做一下总结：以上的很多优化并不是孤立的，有很多优化都是并行着进行的，一个优化做完之后，计算效率、准确率提升的同时，也带来了计算速度的增加，计算速度的增加同样会增加被调服务的调用次数，不管是对自身系统还是对被调服务各方面压力都在增加，整个架构是在不断优化调整中演化出来的，而并不是事先设计好的。架构是为业务服务的，业务上的需求决定了架构演化的方向。

另外分享一下离线计算的解决思路或者经验：通过数据的沉淀，以提供一种启发式、自驱动的方式去寻找问题，可以对数据做深入分析，查看数据的分布，深入分析产生此种分布的深层原因，找到原因并思考可能的侯选解决方案，通过相关公开的benchmark/试验/demo等论证方案的可行性，确定方案后制定合理的切换方案，在保证线上业务正常运行的同时进行灰度切换，验证无问题后切换到新方案，下线旧方案。

七、Q&A

Q：为什么原有的.Net体系要换成Java？

A：这是公司整体的架构方向，属于公司层面的一个切换，我个人觉得Java的生态环境要好很多。

Q：发送任务的MQ出问题了怎么办？

A：通常来讲，基本不太会有这种情况出现。因为我们的发送有n个节点，并且就算发送失败了，也会检查失败的原因到底是什么？因为MQ有专门的团队去维护，所以通常不太会有这种问题，其实可能性更大的是发送的JOB失败了，像这种情况我们是可以重试的。

Q：这个系统是分区域，高可用部署方案怎么实施的？

A：我们主要是离线计算任务，计算结果我们也会分发到不同的数据中心去进行处理，如果某个数据中心有问题，我们完全可以切换到另外一个数据中心去。

Q：替换MySQL时是怎么进行的？是双写吗？如果是双写的话，如何保证数据一致性？

A：是双写的，要么同时成功，要么同时失败。

Q：MySQL是直接安装在物理机上么 还是虚拟机上？

A：我们的MySQL是安装在物理机上的。

Q：双写性能能保证吗？

A：双线的性能会差一点，但是在灰度的过程中，双写其实是必要的，等到后面新的方案成熟之后，就可以把双写下掉。然后我们是有分库分表的。

Q：怎么保证HBase和MySQL同时写入成功？

A：我们会有一些处理，比如说如果写失败的话，我们的整个过程都会失败。

Q：MySQL 大概分了多少库，遇到性能瓶颈了吗？

A：我们分了大概有64张表，但其实在我们在分了两个库之后，基本上就不再考虑MySQL的方案了，因为当我们分库的时候，基本没有撑到很长的时间，也就是说我们的系统瓶颈基本是在DB上，在这种情况下，我们希望能够找到一个方案能够一步到位能够提升特别多，虽然我们还是可以通过分库再让MySQL再支撑一段时间，但其实后续的维护成本，包括性能的提升，对我们来说都是相对比较有限的。所以我们最终考察下来，选择了HBase。

Q：离线计算进行数据统计测试，有没有什么比较好的方向和体系？

A：关于离线计算，其实当时使用Spark，会有一些数据统计方面的考虑，因为Spark可以进行一些大数据的计算，它有很多数据分析的包，通过这些包我们能够分析出整个数据的分布情况，并且整个Spark体系跟Python生态结合得比较好，整体的数据分析体系会比较好，结合这些数据进行分析，我们可以挖掘出很多数据本身的价值。

Q：HBase数据量大的话，节点故障恢复会比较慢吧，线上有出过问题吗？

A：我们有出现HBase响应越来越慢的情况，在这种情况下，我们基本上会去找HBase运维团队去帮我们做分析。比如之前碰到像访问句柄过多导致处理较慢，我们会对HBase做一些针对性的优化，把对HBase的写入打得更加平稳，以及减少了很多不必要的查询，同时也对整个查询做了一些优化，使得查询也也更加的一个平稳，改造完后现在整体运行都相当的平稳。

Q：业务中选冷热分离，还是及时建好数据中心?

A：其实我们这种场景不太会有冷热数据这种情况，我们的离线计算基本上是全量计算的，也就是说7×24小时不间断的一直在计算，当然对于外网的价格日历访问是存在热点的，但是我们的整个查询结合了缓存等去做，查询性能还可以。

Q：有用到缓存吗？缓存预热是怎么做的？

A：我们对外的价格日历班期查询是有用到缓存的，整个缓存我们相当于是7×24小时不间断一直在写入，所以其实也不怎么存在预热的问题。

Q：引擎3.0的价格调整灵敏度多高？实现实时了吗？

A：其实还达不到实时，其实我们最开始做这个引擎的时候，想的是如果有一个消息通知机制，整个计算会简单很多，但因为当时并不足够了解旅游相关产品特性，它的价格复杂度比普通商品高很多，因为它的价格涉及到很多其他库存资源，而且这些资源不在本部门控制中，所以很难做到实时的消息更新，所以我们现在基本上都还是通过轮询的方式去调用别部门的接口，而对外调用接口，他们会对你限流，包括机票自身去查询相关的一些接口，也是要付费的，在这种情况下，我们只能去充分利用好每一个流量资源。

死包我们基本上能做到准实时的情况，因为我们有消息通知机制，当我们收到这个消息之后，会立马进行计算。基本上酒店的价格更新，我们可以做到一天一次，但是像机票的话，因为机票的任务量太多，外面对我们的限流也比较厉害，所以现在基本上只能做到两天跑一次。

Q：你们目前系统的瓶颈是什么？

A：其实我们目前的系统瓶颈还是受限于外部接口的限流，因为接口的限流导致我们计算受限较大，并且这部分资源价格库存不是控制在我们自己手中，假如是抓在自己手里的话，这些其实都不是问题，我们自己可以控制的资源，我们都可以做得很好。

讲师简介

陈少伟，携程高级研发经理。携程度假起价引擎研发负责人，主要负责度假起价引擎、搜索的研发工作，拥有11年研发经验的资深技术控，携程公司级杰出技术贡献者，对新技术有浓厚的兴趣。