京东广告算法架构体系建设--在线模型系统分布式异构计算演变 | 京东零售广告技术团队

一、现状介绍

算法策略在广告行业中起着重要的作用，它可以帮助广告主和广告平台更好地理解用户行为和兴趣，从而优化广告投放策略，提高广告点击率和转化率。模型系统作为承载算法策略的载体，目前承载搜索、推荐、首焦、站外等众多广告业务和全链路的深度学习建模，是广告算法算法创新和业务迭代发展的重要基石。

架构全景图：

1.平台能力：

1.高吞吐高并发：百亿PV，百万QPS

2.低延迟，高可靠：万亿次预估计算/秒，毫秒级延迟，99.99%

3.集群规模：1W+节点

4.迭代周期：3次/天

2.系统能力

1.模型规模：TB级模型预估

2.异构计算：CPU/GPU异构计算

3.在线学习：分钟级模型更新

4.实时图计算：亿级节点、百亿级边；分钟级图数据更新

5.层次化算力：实时计算、离线计算、近线计算

二、发展历程

广告在线模型系统发展大致分为三个主要阶段：

1、深度学习时代：通过组件化、平台化、配置化完成架构的统一和流程机制的规范化，解决迭代效率问题。

2、大模型时代：通过分布式分图计算架构解决模型规模和实效性的问题。

3、算力时代：通过层次化算力建设解决全链路算力协同的问题。

1、深度学习时代——架构统一/迭代效率

广告在线模型系统初期缺乏统一的系统架构和流程机制，随着Tensorflow开源，算法的离线调研能力大幅提升，对应的在线模型架构算法迭代效率问题日益凸显。主要面临的问题如下：

◦业务接入成本高：广告业务涉及的业务较多，包括搜索、推荐、首焦、站外，模型涉及到CTR模型、CVR模型、CPA模型。每个业务都要面临新加广告场景、新加/修改模型，都需要添加额外的开发支持，接入效率低成本高。

◦特征繁多，数据不统一，算法实验低效：1）特征来源较多，有商品特征、用户特征、请求特征，没有统一的数据使用规范。2）特征种类也比较多，每个业务用的特征也比较独立，不利于复用。

◦算法和工程耦合：算法模型强依赖算法服务，模型结构修改都要带来服务修改，影响模型迭代。缺乏配置化导致算法扩展困难。

为了解决以上问题，我们将整体框架进行模块化升级，抽象出三个核心模块：

◦模型接入服务：负责流量管控，统一流量接入规则，与业务逻辑解耦。

◦特征计算服务：负责数据管理和特征提取，统一数据接入规则。

◦模型推理服务：负责模型推理、更新和落日志，统一模型接入规则。

1.1 模型接入

模型接入包含三大功能：

◦流量路由：流量路由的核心是进行动态流量识别，根据配置动态构建语法树，将流量映射到语法树中，从而做到识别流量全路径，包括流量从哪里来、到哪里去。当有新的流量进入或着加入新的模型，可在语法树中添加或修改叶节点，实现动态路由。同时在分层实验中，使用语法树，也可实现流量分层，增加小流量试验的并发度，提升流量使用效率。

◦流量分发：根据流量路由结果进行分发，针对广告队列较多的情况，会将请求进行拆分，并行请求特征和模型推理，实现并行加速。

◦流量防护：对上游来说，通过流量路由拦截异常流量。对下游来说，通过实时监控下游负载，实现动态负载均衡，拦截超负载流量，保护下游服务的安全。

1.2 特征计算

特征计算包含两大功能：

◦数据管理：1、支持多类型数据源，包括三类：1）解析请求获取请求中的原始特征。2）本地数据支持特征词表获取离线特征。3）远程数据请求用户、商品等服务获取用户商品的实时特征。2、数据统一：通过特征转换统一特征格式，方便模型进行特征解析。

◦特征计算：将特征计算算子化，通过注册类的方式实现配置化，提升特征开发效率和复用效率。

1.3 模型推理

为了方便算法迭代，将架构拆分成两层，通过分层的设计，将模型和服务解耦，解决架构和模型迭代冲突的问题，提升模型迭代效率。

◦推理引擎层：推理引擎支持模型推理加速，目前支持多种推理引擎（TensorFlow、TensorRT、FasterTransformer等）

◦服务层：负责消息处理、特征日志、模型管理。

▪特征日志：支持落实时请求级的特征日志，通过离线拼接生成训练样本。

▪模型管理：通过NormGuard机制对训练模型进行校验，防止将不合规模型推到线上。

1.4 总结

架构上，通过以上服务化、单元化、配置化的升级，实现更高层级的抽象，实现一套架构支持所有算法业务。规范上，实现流量、数据、模型统一标准化。降低算法实验难度，整体迭代周期从周级别提升到天级别，极大提升了算法的迭代效率。

第一阶段的在线模型系统升级，将业务开发由无序到有序，架构从散乱到统一，奠定在线模型系统的基础，也为后续的架构发展提供更多可能。

2、大模型时代——模型规模/时效

平台化加速了模型迭代的同时，业界和广告内部也进入大模型的探索阶段，落地期间遇到模型复杂、参数规模大、时效性低等问题，大模型对算力的需求变得迫切。

◦模型复杂：深度模型的引入极大加速模型的发展，同时也带来模型复杂度的指数提升，以Transfomer为代表的全新神经网络框架，奠定了大模型的算法架构基础，复杂度的提升对模型计算提出更高的要求。

◦参数规模大：用户的增长，商品数量的扩展，带来数据量的爆炸，模型为了更好的模拟现实，参数量也成爆炸性增长。从广告场景内看，算法模型的参数规模也从十亿向着百亿、千亿发展，参数规模的增长对模型存储、IO提出了更高的要求。

◦时效性低：这个阶段模型的更新周期普遍在天级别，实效性较低，尤其在大促人货场发生快速变化的时候，模型更新跟不上用户、商品的变化，会带来搜索/推荐效果折损。

针对以上问题，我们基于离在线一体化设计研发分布式分图计算架构提升算力水平，支持更大参数规模的模型，同时支持OnlineLearning进一步提升时效性，同时在引入图计算提升模型表达能力。

2.1 分布式分图计算架构

1.计算分层：分析复杂的模型网络拓扑结构，基于计算密集逻辑&数据I/O密集进行计算分层

2.存储分层：稀疏&稠密参数分层，充分利用CPU/GPU存储特点

3.离在线一体算力协同：提升模型规模和实效性，做到业界先进水平

效果：

1.在线算力提升10倍+，离线训练性能提升1倍+

2.搜索排序模型参数规模扩大8倍，点消+3%。推荐排序模型升级百G大模型助力算法收益点消+8%。

2.2 OnlineLearning

1.支持增量更新：提供参数增量更新解决方案，更新间隔由天级别缩短为分钟级别。

2.架构高可用，支持快速回滚

效果：

1.系统支持实时流式训练，分钟级别的线上模型增量更新。

2.广告搜索业务双十一大促期间点消共增长+10.47%。

2.3 图计算

模型为了挖掘用户和商品之间的关系，引入实时图关系数据，提升模型表达能力。

1.采用计算和存储分离架构，结构清晰，利于扩展

2.分布式集群存储，毫秒级延迟计算

3.支撑大规模动态图存储，分钟级更新

效果：

1.支撑十亿级节点百亿级边异构图存储的落地

2.多应用场景：推荐我的京东图建模全量上线，点消+3%；推荐首页召回小流量上线，点消+2%。

2.4 总结

分布式分图计算在模型系统平台化的基础上拓展模型计算能力，通过将内存、IO、CPU、GPU等计算资源协同处理实现异构计算能力，通过软硬件协同的方式极大提升GPU的利用率（具体参见“京东广告算法架构体系建设–高性能计算方案最佳实践”），释放模型预估的算力的同时提升模型时效性。

3、算力时代——算力协同

分布式分图计算和GPU硬件的引入横向加速了单模块模型计算，但是随着模型数据和复杂度进一步提升，暴露了更大的算力不足问题，单模块的算力释放已无法满足模型需求。在纵向的全链路算力协同和应用上也面临新的问题：

◦硬件资源不一致，木桶效应：线上机器硬件不一样，比如不同的机器CPU型号不一致导致算力不平衡

◦系统耦合，算力无法充分释放：目前模型计算集中在粗排、精排阶段，在整体耗时的约束下，无法充分发挥算力。

为了解决算力协同的问题，我们的区别前面的优化手段，从算法算力架构一体化融合设计优化角度出发，提出新一代工业化深度学习算法架构体系。整个体系包括两部分，分布式分图计算是基座，通过离在线一体和软硬结合的方式实现算力分层，在此算力架构基础上，结合核心算法场景，对系统算力进行了进一步层次划分，算法算力深度结合，落地广告营销多个场景。

3.1 前置计算

精排用户实时行为建模问题，是业界通用的难点问题，行为序列规模的天花板在百级别， 存在严重的算力瓶颈。针对这一问题，我们的做法是算法和架构深度融合，在算法层面，扩充实时建模规模至千级别，架构层面，通过分图架构拆分精排链路增加前置计算层的方法，进一步实现了算法算力的分配，效果非常显著，在耗时0增长的同时，用户实时建模达到千级别，搜索点消+6%。

3.2 近线计算

在召回场景业界通用的难题是在大规模候选集上实现全库策略检索，从算法层面上解决召回链路和后链路建模不一致问题，我们的方法是通过增加近线计算层，协同特征融合、深度模型端到端建模，实现了离线和在线的进一步算力再分配，实现基于深度模型的全库检索能力，与业界先进水平持平，推荐点消+3%。

3.3 算力动态分配

为了降低机器不同带来的算力不平衡，我们引入多目标分级反馈负载均衡策略：

效果：

共计优化机器资源9000C+。

3.4 总结

面对单模块算力再次不足的问题，从纵向全链路算力协同方面，将算力进行精细化分层，通过实时计算、近线计算、离线计算打通，优化算力分配，拓展算力空间。

三、总结展望

广告在线模型系统经过三个阶段的发展和实践，有力的支撑了多条业务线的快速迭代。为了进一步优化算力，提升算力协同，计划强化动态算力分配机制，根据流量价值和用户分层进行算力动态分配，实现有限资源的收益最大化。

动态算力分配策略包括三类：

◦召回控制：通过控制召回分支及召回个数调控算力

◦队列控制：通过控制物料排序个数调控算力

◦模型控制：通过使用算法消耗不同的模型进行打分调控算力

未来，我们会继续围绕算法、算力、架构一体化的思维去不断优化和提升架构计算性能，提升业务迭代效率。

作者：京东零售 齐浩

来源：京东云开发者社区 转载请注明来源