机器学习在基于 URL 的客户端监控分析中的优化和实践

本文首发于微信公众号“Shopee技术团队”

摘要

传统的客户端监控分析场景中，采用按照具体的 URL 进行统计分析的方法，在面对一个应用可能会访问成千上万条 URL 时，结果就差强人意，不能明显地标识出应用访问的哪些 URL 存在潜在问题。

MDAP 平台在进行客户端监控分析时，通过使用概率统计和机器学习的方案，将若干条相似的 URL 归一化成同一条规则模型，然后基于该规则模型进行相关统计分析，从而提高了基于 URL 的客户端监控分析的可用性及准确性，进而提高了 MDAP 用户对自己应用质量的监控分析。

这是 MDAP 系列的第二篇文章，前文回顾：《MDAP：可观测性数据分析平台设计与实践》

1. 引言

URL 作为客户端监控分析的一个重要元素，传统的基于 URL 的统计分析方式直接使用原始 URL 值进行统计分析，比如：

    SELECT `url`, count(1) as `cnt` 
    FROM `web_analysis_tab`
    WHERE `app_name` = 'app_1'
    GROUP BY `url`;

使用上述查询语句进行统计分析的结果是非常糟糕的，主要表现在以下几个方面：

• 应用开发者无法快速地、准确地通过分析结果定位、发现潜在的应用问题、风险；
• 统计结果过于分散，用户可能会失去查看统计分析结果的兴趣；
• 平台处理过滤离散数据的统计分析，可能存在较大的系统开销，包括：查询效率、网络传输、页面展示等。

比如，假设 app_1 访问过 1,000,000 个不同值的 URL，而其 URL 规则模型不足 100 个。

初版的 MDAP（Multi-Dimension Analysis Platform，多维度分析平台）用户和开发者同样面对此类问题的困扰。为了更好地服务 MDAP 用户，协助 MDAP 用户快速、有效地分析自己的应用质量。MDAP 平台基于概率统计理论和机器学习技术，根据应用上报的 URL，自动学习出相应的 URL 模型，利用衍生字段 url_pattern 而非原始 url 进行统计分析，从而大幅度减少了基于 URL 统计分析过于散列的情况，使得统计分析结果更加收敛，进而更方便用户使用 MDAP 对自己的应用质量进行分析查看。

本文剩余部分的结构安排如下：在第 2 节中，结合具体例子讲解 MDAP 对解决 URL 归一化问题的思考。第 3 节，介绍 MDAP 是如何对 URL 进行归一化处理的总体框架，并在第 4 节中进行详细的算法描述。优化效果的测试与评估在第 5 节中进行阐述。最后，在第 6 节中，进行总结并对未来进行展望。

2. 问题思考

本章节将解释这项工作的详细动机和思考。针对三种不同方案进行分析，阐述配置/上传 URL 模型规则的不可行性；通过一个具体的例子，展示自底向上的成对策略如何工作以及何时失败；并解释模式树为何有效。

2.1 用户配置方案

配置/上传 URL 模型规则

为了将 URL 转换成对应的 URL 模型规则，最先考虑的方案是在平台中，允许用户配置/上传应用相关的 URL 模型规则，但随即我们发现该方案存在几点问题：

• 繁琐的用户配置。MDAP 平台的宗旨是为了协助平台用户监控、统计、分析自己的应用质量。为了进行 URL 模型匹配而需要平台用户配置/上传 URL 模型规则，无疑增加了平台用户的负担。同时，平台用户极有可能遗忘进行新的 URL 模型规则变更，从而严重影响 URL 模型匹配效果，进而回退到传统的基于 URL 统计分析模型。

• 差异化的 URL 模型规则。不同语言、框架的 URL 路由规则差异大，巨大的风格差异不利于平台进行 URL 规则模型的统一管理，比如下面三种获取某一具体用户详情信息的 URL 模型规则：

  • golang/gin: GET http://example.com/users/:user_name；
  • golang/grpc-gateway: GET http://example.com/{name=users/*}，遵守 Google API 设计规范；
  • java/spring: GET http://example.com/users/{user_name}。
• 数据巨大的外部 URL。根据 MDAP 平台统计分析，单应用访问非本应用服务的外部 URL 地址数量平均占比约为 10%-30%。这些外部 URL 多为 Google、Facebook 等网站的路由地址，使用 MDAP 平台的用户在开发自己应用的时候，并不完全了解外部 URL 的模型规则，因此无法在 MDAP 平台进行相关的配置。

综上所述，基于用户自主配置 URL 模型规则的方案是不可行的。因此，MDAP 平台需要基于应用上报的 URL 自动学习对应的 URL 规则模型。

2.2 机器学习方案

2.2.1 URL 协议语法介绍

为了帮助读者更好地理解后续算法设计以及 MDAP 思考解决问题的思路，本文需要对 URL 的语法结构进行简单介绍，如下图所示：

根据上图所示，我们可以将 URL 分解为一些通用的 URL 组件：schema、authority、path、query 及 fragment，其通过 :、/、? 及 # 进行分割。例如，URL http://example.com/books/search?name=go&isbn=1234 可以分解成如下几部分组件：

    schema: http
    authority: example.com
    path: {"path0": "books", "path1": "search"}
    query: {"name": "go", "isbn": "1234"}

在稍后的算法设计中，本文重点关注 path 和 query 两部分数据，将上述 URL 转换成 Tuple(authority, Array[Tuple(K, V)])的结构，具体如下：

    (
        "example.com",
        [
            ("path0", "books"),
            ("path1", "search"),
            ("name", "go"),
            ("isbn", "1234")
        ]
    )

2.2.2 自底向上结对策略思考

如上图所示，其中存在 8 条不同的 URL，MDAP 采用 2.2.1 将每条 URL 转换成 KV 结构，比如：U1 -> {"K1": "a", "K2": "b", "K3": "y", "K4": "c", "K5": "*"}。使用自底向上策略生成 URL 规则模型的方式，可以清楚地看到 K3 和 K5 应该被归一化为 *。其归一化过程如下：

• U5 + U6 -> P1：({"K1": "a", "K2": "b", "K3": "y", "K4": "c", "K5": "*"})
• U7 + U8 -> P2：({"K1": "a", "K2": "b", "K3": "z", "K4": "c", "K5": "*"})
• P1 + P2 -> P3：({"K1": "a", "K2": "b", "K3": "*", "K4": "c", "K5": "*"})

上述步骤首先基于 U5、U6 和 U7、 U8 分别生成 P1 和 P2，然后基于 P1、P2 生成理想的 URL 模型规则 P3。但如果 U6 不存在的话，就会导致 P1 无法生成，进一步 P3 也无法生成。此外，在上述示例中 U1 - U4 同样不适合用来结对生成规则模型。

2.2.3 URL 模式树

相对于自底向上策略，模式树可以充分利用整个训练集的统计信息。这样，学习过程变得更加可靠和稳健，不再受到随机噪声的影响。对于 2.2.2 中的示例，即使某些 URL 不存在，仍然可以通过考虑所有其他 URL（包括 U1 ∼ U4）。

其次，使用模式树，可以通过直接基于树节点总结规则来显着提高学习效率。例如，不再需要 P1 和 P2，可以根据上述模式直接生成 P3。详细的算法描述将在第 4 节中进行阐述。

3. 框架总览

本章节将阐述 MDAP 进行 URL 模型规则学习和匹配的方法和架构。

如上图所示：

• 首先，MDAP 使用 URL 模型学习器，基于应用上报的 URL 数据，自动学习出 URL 规则模型，并将其进行存储；
• 然后，在 URL 模型匹配器中，MDAP 将 URL 规则模型作用于应用上报的 URL 数据，生成元组 Tuple(url, url_pattern) 后，将其存入数据仓库之中。

考虑到各应用上报到 MDAP 的 URL 数据量巨大，MDAP 平台使用 Flink 进行 URL 模型规则学习，具体如下：

1. 从数据源中读取 URL 数据；
2. 按照 2.2.1 将各 URL 转化成 Tuple(authority, Array[Tuple(K, V)])的结构；
3. 按照 authority + salt 将步骤 2 生成的结果分组，其中 authority 定义参考 2.2.1，salt 用来解决大数据计算时的数据倾斜问题，可根据实际情况选择不同的数据作为 salt，比如：length(Array[Tuple(K, V)])；
4. 对同一分组下的 URL，使用模式树算法生成 URL 规则模型；
5. 再按照 authority 将步骤 4 生成的结果分组；
6. 合并相同 authority 下的模型；
7. 保存 URL 规则模型。

关于 URL 模型匹配器，MDAP 使用了 Trie 的衍生变种结构，来提升 URL 模型匹配的效率，在本文中不再赘述，感兴趣的读者可以去了解学习 Trie 这种数据结构。

4. 算法描述

本章节将阐述如何基于模式树生成 URL 规则模型，重点阐述基于熵进行节点分裂及基于高斯分布、马尔可夫链进行显著值、离散值区分。

如上图所示，生成 URL 规则模型的算法包括以下 6 步：

1. 初始化模式树根节点，其包含全部 URL；
2. 找出值元素最适合分裂的 URL 键（path_index 或 query_key）；
3. 区分出第 2 步找出的 URL 键对应的显著值（Salient Value）和离散值（Trivial Value）；
4. 将显著值保留，并将离散值归一化为 *，并基于显著值和 * 分裂模式树；
5. 重复 2-4 步，直至所有的 URL 键都已处理；
6. 遍历模式树的叶子节点，收集各 URL 节点的模型规则。

在本算法中，最关键的两个步骤为第 2 步和第 3 步。

4.1 找出值元素最适合分裂的 URL 键

信息熵的概念用来解决如何找出最适合分裂的 URL 键。根据值越随机的 URL 键，其熵越大。尽可能聚合键值变化少的部分，把变化多的部分后置计算或进行通配处理，因此，需要找到可以最小化熵的 URL 键。计算 URL 键对应的熵的公式如下：

其中，V 为该 URL 键对应的值元素的个数，N 为全部元素出现的总次数，vi 为第 i 个元素出现的频次。

根据上述公式，查找出熵最小的 URL 键，并结合 4.2 区分出显著值和离散值，即可进行模型树节点分裂。

4.2 区分显著值和离散值

4.2.1 基于高斯分布区分显著值和离散值

根据对 MDAP 收集的 URL 历史数据的分析结果，假设 URL 中每个键对应的值列表服从高斯分布：

因此，将熵最小的键的值按照其频次进行倒序排序，并对计算相邻的两个值之间的频次下降速度，以下降速度最大的两个节点为界，即可区分出显著值和离散值，其中分界点之左为显著值，之右为离散值，比如：

在上图中，频次速度下降最大两个节点为 videos 和 0，因此，显著值包括：

    ["index", "users", "books", "videos"]

离散值包括：

    ["0", "12323", "a3df56", "bher43"]

4.2.2 基于马尔可夫链和密度函数进行剪枝

虽然按照 4.2.1 可以区分显著值和离散值，但其效果并非总是有效，比如：

在上图中，如 URL 键对应的值服从蓝色线条的高斯分布，则通过 4.2.1 可区分出显著值和离散值；但如果 URL 键对应的值服从橙色线条甚至是比橙色线条更扁平的高斯分布，则极容易将离散值误判为显著值，因此需要辅助算法进行剪枝操作。

根据 MDAP 平台对 URL 数据的分析，发现离散的 URL 符合以下几个特征：

• 数字，比如：/users/123 中的 123；
• 哈希值，比如：/files/12af8712 中的 12af8712;
• base64，比如：/something/aGVsbG8K 中的 aGVsbG8K 等其他非人类语言。

满足以上特征的（除数字外）字符串统称为乱语（Gibberish）。为了对乱语和数字类型的 URL 键值进行剪枝，MDAP 引入马尔可夫链和密度函数进行乱语、数字识别，但由于缩略词（Abbreviate）不属于人类标准的语言，有极大概率被误判成乱语，因此需要配置缩略词表进行先验判断。具体算法步骤如下：

1. 判断给定字符串是否在缩略词表，如果是，保留其为显著值并结束，否则继续后续步骤；
2. 判断给定字符串是否为乱语，如果是，将其归为离散值并结束，否则继续后续步骤；
3. 判断给定字符串是否含有大量数字，如果是，将其归为离散值，否则保留其为显著值。

基于马尔可夫链进行乱语判别

马尔可夫链在 NLP（自然语言处理）中广泛使用，MDAP 平台使用马尔可夫链的方式比较简单，通过 2-gram 的方式进行字符串分词，从而计算连续字符串出现的概率，比如：

使用马尔可夫链，将大文本作为训练集，生成相应的概率矩阵：

然后，将该矩阵作用于好文本和坏文本，计算出判断字符串是否为乱语的阈值：

最后，通过下面的公式判断给定的字符串是否为乱语：

基于密度函数进行数字含量判别

考虑到主要版本号之类的字符串，比如 v1，需要保留为显著值，而像用户 ID 之类的字符串，比如 1234，需要被归类成离散值，因此需要采用如下的公式，进行字符串数组含量判断。

5. 算法优化测试与效果展示

本章节将展示使用模式树生成 URL 规则模型的去重效果、URL 匹配度，并展示在 MDAP 平台中的实际效果。

5.1 算法优化测试

5.1.1 压缩率测试

首先，MDAP 收集一部分来自生产环境的数据作为训练集来生成 URL 规则模型，其中各域名包含 100,000 - 2,000,000 原始 URL 数据，具体如下图所示：

然后，将原始 URL 进行 distinct 去重后得到 10 - 16,000 条 URL，具体如下图所示：

最后，将原始 URL 经过第 4 节的算法处理后，生成的 URL 规则模型条数为 1 - 85 条，具体如下图所示：

通过对比去重 URL 和 URL 规则模型的统计效果图，可以明显发现，通过模式树生成的 URL 模型规则的数量远小于简单 distinct 去重的结果。

5.1.2 匹配度测试

将 5.1.1 生成的 URL 规则模型在两个不同的测试集之间进行验证，其中测试集 1（Test-1）为与训练集同日但不同时间段的数据，测试集 2（Test-2）为距离测试集 1 一周之后的数据。如上图所示，测试集 1 的数据匹配规则模型的命中率很高（大于等于 99.99%），测试集 2 的命中率相对较差（80.89% - 100%）。

5.1.3 测试结论

通过 5.1.1 和 5.1.2 的测试结果，可以得出以下结论：

• 基于模式树生成的 URL 规则模型进行统计分析，可以极大地统计分析结果的收敛度；
• URL 与模型规则的匹配度随训练时间与匹配时间的范围变化而变化，相差时间越近，匹配度越好。

5.2 效果展示

MDAP 平台目前使用 T + 1 的方式进行 URL 规则模型匹配，基于平台数据监测统计结果，模型规则的平均匹配失败率约为 0.3%。
使用模型下规则基于 URL 统计分析的页面展示效果如下，其中第一张图为基于 distinct 去重后的 URL 进行统计分析（约 8110 条），第二张图为基于 URL 规则模型进行统计分析（约 60 条）。

6. 总结与展望

MDAP 平台基于模型树构建实现了 URL 归一化处理，并基于归一化的结果提高了基于 URL 进行统计分析的能力和准确性。

但目前仍然存在一定缺陷，主要包括两方面：

• 规则学习周期相对较长，对于准实时数据处理能力较差；
• 模型迭代功能尚未完善，存在一定缺陷。

因此，后续 MDAP 平台将在此两方面进行进一步优化，从而提高 MDAP 在基于 URL 进行统计分析时的数据质量。

参考资料

• A pattern tree-based approach to learning URL normalization rules
• https://github.com/rrenaud/Gibberish-Detector
• https://en.wikipedia.org/wiki/URL

本文作者

Daniel，后端工程师，来自 Shopee Engineering Infrastructure 团队。