<p>腾讯QQ有着国内最大的关系链，而共同好友数，属于社交网络分析的基本指标之一，是其它复杂指标的基础。借助Spark GraphX，我们用寥寥100行核心代码，在高配置的TDW-Spark集群上，只花了2个半小时，便完成了原来需要2天的全量共同好友计算。这标志着QQ千亿级别的关系链计算进入了小时级别时代，并具备复杂图模型的快速计算能力。</p>    <h2>问题描述</h2>    <p>共同好友数可以用于刻画用户与用户间的关系紧密程度，包括 陌生人／熟人分析，好友亲密度，好友推荐，社团划分等各个方面，是社交网络分析的最基础指标。其计算逻辑非常简单明了。为了简化模型和降低计算量，这里加了几个约束：</p>    <p>只有好友之间才进行计算</p>    <p>好友关系是有向的</p>    <p>不关注具体的好友</p>    <p><img src="https://simg.open-open.com/show/d5609c818ebd2dd64f9761b6b7f0ec61.jpg"></p>    <p>显而易见，用户5和6的共同好友数为4。这个计算貌似非常简单，但是当图的规模扩展到腾讯的级别：用户数（点）为十亿级别，关系数（边）为千亿级别时，那这个问题就一点都不简单了。</p>    <p>大致估算一下，假设每个节点平均的好友数是100，每个点id为Long型，占用8个字节，如果用普通Join计算的话，那么中间的数据量大概是1 billion* 800*800B=640TB，需要通过网络传输640TB的数据，这个量非常的恐怖了，想在一个SQL中完成，几乎是不可能的。原来旧的计算方式，只能通过分而治之的方法实现。通过把关系链表，按号段拆分60份，分别连接用户好友全量表，分成多个SQL任务运行。这样做每个SQL任务都需要载入一次全量关系链，磁盘 I/O 时间严重拖慢计算进度，整个过程需要耗费超过两天的计算时间。</p>    <p>其实共同好友数是典型的图问题之一，因此很自然的，我们想到了引入新的图计算框架和模型，来优化计算过程，让这个过程更加高效和科学。</p>    <h2>框架选择</h2>    <p>目前的分布式图计算框架，并没有太多好的选择，在过去一年半中，业界的分布式图计算框架，进展基本停滞。经过反复选择，我们还是选择了GraphX，主要原因有如下3个：</p>    <p><strong>进展</strong></p>    <p>虽然GraphX本身没什么进展，但是Spark本身的发展很快，从1.4到1.6版本，Spark Core在性能和稳定性上有了不少的提升。GraphX某种程度上，多多少少还是得到了好处</p>    <p><strong>语义</strong></p>    <p>GraphX的语义和运算符相对丰富，可以进行比较好的图算法描述，适合变化多样的图需求</p>    <p><strong>门槛</strong></p>    <p>GraphX的最大消耗是内存，某种程度上，这是个比较低门槛的投入，可以在预期内得到解决</p>    <p>基于这样的考虑，我们选择了GraphX作为共同好友算法的底层框架，并从软件和硬件两方面入手，进行了一系列的优化。</p>    <h2>模型简化</h2>    <p>基于GraphX的图模型思想，我们进行数好友模型的简化。整个过程分为两个阶段：</p>    <h3>Phrase1——找邻居</h3>    <p>这个阶段，其实就是一放一收，和Map-Reduce模型有异曲同工之妙，分3步</p>    <p>1. 每个顶点，将自己的id，发送给自己所有的邻居</p>    <p>2. 每个顶点，将收到的所有邻居id，合并为一个List</p>    <p>3. 对新List进行排序，并和原来的图进行关联，附到顶点之上</p>    <p><img src="https://simg.open-open.com/show/e99aa24cd4e810941e9ba36c2a877997.jpg"></p>    <p>这个阶段，使用GraphX的aggregateMessages，定义好sendMsg和mergeMsg的方法，就可轻松实现。</p>    <h3>Phrase2——数好友</h3>    <p>这个阶段，只要一步，但是非常的关键，而且计算量也非常大，需要充分的利用了Triplet的特性</p>    <p>1. 遍历所有的Triplet，对2个好友的有序好友List进行扫描匹配，数出共同好友数，并将其更新到edge之上</p>    <p><img src="https://simg.open-open.com/show/27eca92a3e9fd2bf03a6f151270709f1.jpg"></p>    <p>这个阶段，需要充分利用GraphX的Triplet特性。需要为了实现Triplet功能，GraphX在设计上消耗了很多的内存，无论我们是否使用，它都在那里，静静的占用着内存，所以我们要充分利用好它，将数好友的过程，简化为一次Triplet的遍历。</p>    <p>如果没有这个特性，为了数好友之间的共同好友，就要把一个好友的所有一度好友，发送到它所有的邻居之上，这样的消息广播量，是非常巨大的，会形成消息风暴，相当于计算二跳邻居。根据我们在腾讯数据量上的测试，这个在现有的硬件下，是无法实现的。</p>    <p>这2个阶段经过最终优化之后，代码非常的简洁，只要聊聊的数十行代码，便完成了20亿级别的点，千亿级别的边的共同好友计算，可谓于无声处听惊雷。将众多的技术难点，都通过GraphX的优化，化解消弭于无形之中。由于产品的需求，这个计算需要是精确数，而不能是近似值，在数好友的过程中，很多的优化方法，不能被用上，否则的话，可以进一步的提升速度。</p>    <h2>硬件选择</h2>    <p>在分布式系统中，往往会倾向于用大量的小低配机器，来完成巨大的计算任务。其思想是即便再复杂的计算，只要将大数据，分解为足够小的数据片，总能在足够多的机器上，通过性能的降低和时间的拖延，来完成计算任务。但是很遗憾，在图计算这样的场景下，尤其是GraphX的设计框架，这个是行不通的。</p>    <p>要发挥GraphX的最佳性能，最少要有128G以上的内存</p>    <p>主要原因有两个是：</p>    <p>1、节点复制——越小越浪费</p>    <p>GraphX使用了点切割的方式，这是一种用空间换时间的方法，通过将浪费一定的内存，将点和它的邻居放到一起，减少Executor之间的通信。</p>    <p>如果用小内存的Executor来运行图算法，假设1个节点，需要10个Executor才能放下它的邻居，那么它就需要被复制10份，才能进行计算。如果用大内存的Executor，1个Executor就能放下它的所有邻居，理论上它就只需要被复制一次，大大减少空间占用。</p>    <p>2、节点膨胀——越小越慢</p>    <p>图计算中，常常会进行消息的扩散和收集，并把最终的结果，汇总到单个节点之上。</p>    <p>以共同好友数模型为例，第一步需要将节点的一跳好友都收集到该节点上。即便根据邓巴的“150定律”，将一跳好友的个数，限制在150之内。那么图的占用空间，还是很可能会膨胀150倍。</p>    <p>这个时候，如果内存空间不够的话，GraphX为了容下所有的数据，会需要在节点之间，进行大量的Shuffle和Spill操作，使得后续的计算，变得非常慢。</p>    <p>其实这两个问题，在Spark的其它机器学习算法中，或多或少都会有，也是分布式计算系统中，经常面临的问题。但是在图计算中，它们是无法被忽略的问题，而且非常的严重。所以，这决定了GraphX需要大的内存，才能有良好的性能。</p>    <p>在正常情况下，128G内存，减掉8G的系统占用，剩下120G。这时配置每个Executor 60G内存，2个Core，每个Core分到30G的内存。这时不需要申请太多的Executor，经过合理的性能优化，全量关系链计算，可以运行成功。</p>    <h2>性能优化</h2>    <p>即便有了良好的模型和硬件保障，在面对QQ如此巨型的关系链时，依然需要熟练运用GraphX的技巧，并避开各种雷区，才能最终到达终点。简单总结两点：</p>    <h3>1、图缓存：To Cache or not to Cache? That is a question</h3>    <p>Spark和GraphX原本设计的精妙之处，亮点之一，便在于Cache，也就Persist(MEMORY_ONLY)，或者Persist(MEMORY_AND_DISK)。可以把RDD和Graph，Cache到内存中，方便多次调用而无需重新计算。那么是否对所有的RDD，或者图，都Cache一下，是最佳的选择呢？答案是未必。</p>    <p>判断是否要Cache一个Graph或RDD，最简单和重要的标准，就是</p>    <p>该Graph，是否会在后续的过程中，被直接使用多次，包括迭代。</p>    <p>如果会，那么这个Graph就要被Persist，然后通过action触发</p>    <p>如果不会，那么反过来，最好把这个Graph直接unpersist掉</p>    <p>一个Graph被Cache的话，一般最终体现为2个RDD的Cache，一个是Edge，一个是Vertex，其占用量是非常巨大的。在整体空间有限的情况下，cache会导致内存的使用量大大加剧，引发多次GC和重算，反而会拖慢速度。在QQ全量的关系链计算，一个全量图是非常大的，因此如果在一个图没被多次使用，那么先unpersist，再返回给下一个计算步骤，反而成了最佳实践。</p>    <p>示例代码如下：</p>    <pre>  <code class="language-python">val oneNbrGraph = computeOneNbr(originalGraph)    oneNbrGraph.unpersist()    val resultRdd = oneNbrGraph.triplets.map {     …………    }</code></pre>    <p>当然，既然unpersist了，切记 它只能被再用一次了。</p>    <h3>2、分区策略：EdgePartition2D</h3>    <p>对GraphX有所了解的人，应该都知道，有4种分区的策略，而其中性能最好的，莫过于EdgePartition2D这种边分区策略。但是由于QQ全量的关系链非常的大，所以，如果先用默认策略，构造了图，再调用partitionBy的方法来改变分区策略，那么会多一步代价非常高的计算。</p>    <p>因此，为了减少不必要的计算步骤，我们建议在构造图之前，先对Edge使用该策略进行划分，再用划分好的Edge RDD，进行图构建。 示例代码如下：</p>    <p>``` val edgesRepartitionRdd = edgeRdd.map { case (src, dst) => val pid = PartitionStrategy.EdgePartition2D.getPartition(src, dst, partitionNum) (pid, (src, dst)) }.partitionBy(new HashPartitioner(partitionNum)).map { case (pid, (src, dst)) => Edge(src, dst, 1) }</p>    <pre>  <code>val g = Graph.fromEdges(    edgesRepartitionRdd,    ...    )</code></pre>    <p>```</p>    <p>当然，有个非常重要的Hint别忘记：partitionNum必须是平方数，才能达到最佳的性能。</p>    <h2>最终效果</h2>    <p>经过反复多次优化之后，在高配置集群的资源充足情况下，使用如下配置项：</p>    <p>|配置项|配置值| |---|---| |executors | 360 | |executor-cores | 2 | |executor-memory | 50g | |并行度 | 10000 |</p>    <p>总共消耗18T的内存，可以在2个半小时左右，完成整个QQ关系链的计算。BTW：</p>    <p>这个配置其实只是可运行配置，并非最佳配置。如果内存有512G，每个Executor配到80G，每个机器6个Executor，每个Executor 4个Core，应该能有更好的表现。可以进一步减少Executor的数目。</p>    <p>集群硬盘是SATA盘，而非SSD硬盘。在整个计算过程中，由于QQ的关系链实在庞大，中间的过程也比较复杂，所以不推荐用MEMORYONLY的选项，一旦内存充不下，重算的代价非常高，所以建议用MEMORYAND_DISK。而但是用这种方式意味着和硬盘的通信是必不可少的，因此如果硬盘能换成SSD的高性能盘，对整体性能会有很大提升。</p>    <p>在集群处于正常负荷的情况下，资源充足时，GraphX的任务不发生重跑时，作业可以在2小时10分之内，完成全量计算。但这是在运气最佳，没有任何Task发生重跑的情况下的表现。一旦有任务Task失败，Spark会自动重跑，但是整个计算过程会变得非常长，即便是很少的2-3个Task失败，也会将计算过程，延长到3个多小时甚至更多，这是因为GraphX的Failover没做好，而且在有多次迭代的时候，这个现象会更加严重。</p>    <h2>总结和展望</h2>    <p>整个的优化过程，貌似风轻云淡，但是中间经过了反复调优，多次在0.1的抽样数据和1.0的全量数据之间切换，优化每一步的操作，将硬件和GraphX的性能压榨到极致，才最终得到这个结果。</p>    <p>在这个过程中，我们发现无论应用层再怎么优化，核心层的软肋，始终制约着上层算法的性能。包括 Graph中最大限度的预创建和 RDD Cache的激进使用等问题，都会导致性能和稳定性不足，使得很多算法在腾讯级别的图数据下，显得捉襟见肘。其实这也难怪，GraphX的代码，从1.3版本开始，便已经一直没有变动，基本是在吃Core优化的红利，沾光提高性能，没有任何实质性的改进，如果要继续使用，在核心上必须有所提升才行。</p>    <p>腾讯作为拥有国内最大的关系链，在图计算的领域，无论是处于框架，模型，还是存储，都大有可为，可以做很多的事情。腾讯的数据平台部，作为公司的大数据支撑平台，欢迎在这方面有兴趣的业界同仁，和我们进行更多的合作和交流，共同在腾讯关系链上，玩出更多社交智能的火花。</p>    <p>来自：https://mp.weixin.qq.com/s?__biz=MzA3MDQ4MzQzMg==&mid=2665690414&idx=1&sn=edec2958aa1fcdcf890ff9a109969702</p>    <p> </p>