火山引擎 DataTester：5 个优化思路，构建高性能 A/B 实验平台

导读：DataTester 是由火山引擎推出的 A/B 测试平台，覆盖推荐、广告、搜索、UI、产品功能等业务应用场景，提供从 A/B 实验设计、实验创建、指标计算、统计分析到最终评估上线等贯穿整个 A/B 实验生命周期的服务。DataTester 经过了字节跳动业务的多年打磨，在字节内部已累计完成 150 万次 A/B 实验，在外部也应用到了多个行业领域。

指标查询的产品高性能是 DataTester 的一大优势。作为产品最复杂的功能模块之一，DataTester 的指标查询能够在有限资源的前提下，发挥出最极致的 A/B 实验数据查询体验，而在这背后是多次的技术方案的打磨与迭代。

本文将分享 DataTester 在查询性能提升过程中的 5 个优化思路。

01

现状及问题

1. 挑战 1：版本管理

实验指标报告页是 DataTester 系统最核心的功能之一，报告页的使用体验直接决定了 DataTester 作为数据增长和实验评估引擎在业界的竞争力。该功能具有以下特点：

① 牵连系统多、链路长：报告页涉及到控制台（Console）、科学计算模块、查询引擎、OLAP 存储引擎。整个链路包括了：DSL 到 sql 转化、后端查询结果缓存处理、查询结果的加工计算、前端查询接口的组装和数据渲染。

② 实现复杂：实验指标有多种算子，在查询引擎侧中都有一套定制 SQL，通过 DSL 将算子转换成 SQL。这是 DataTester 中最复杂的功能模块之一。

02

优化思路

从一条 SQL 说起。

举一个例子，在 DataTester 中一次 AB 测试的查询分三部分逻辑。

① 实时扫描事件表，做过滤

② 根据用户首次进组时间过滤出用户

③ 做聚合运算

需要查询详细的 SQL 代码，也可以点击展开查看详情。

printf("hello world!");SELECT event_date,
       count(DISTINCT uc1) AS uv,
       sum(value) AS sum_value,
       sum(pow(value, 2)) AS sum_value_square
FROM
  (SELECT uc1,
          event_date,
          count(s) AS value
   FROM
     (SELECT hash_uid AS uc1,
             TIME,
             server_time,
             event,
             event_date,
             TIME AS s
      FROM rangers.tob_apps_all et
      WHERE tea_app_id = 249532
        AND ((event = 'purchase'))
        AND (event_date >= '2021-05-10'
             AND event_date <= '2021-05-19'
             AND multiIf(server_time < 1609948800, server_time, TIME > 2000000000, toUInt32(TIME / 1000), TIME) >= 1620576000
             AND multiIf(server_time < 1609948800, server_time, TIME > 2000000000, toUInt32(TIME / 1000), TIME) <= 1621439999)
        AND (event in ('rangers_push_send',
                       'rangers_push_workflow')
             OR ifNull(string_params{'$inactive'},'null')!='true') ) et GLOBAL ANY
   INNER JOIN
     (SELECT min(multiIf(server_time < 1609948800, server_time, TIME > 2000000000, toUInt32(TIME / 1000), TIME)) AS first_time,
             hash_uid AS uc2
      FROM rangers.tob_apps_all et
      WHERE tea_app_id = 249532
        AND arraySetCheck(ab_version, (29282))
        AND event_date >= '2021-05-10'
        AND event_date <= '2021-05-19'
        AND multiIf(server_time < 1609948800, server_time, TIME > 2000000000, toUInt32(TIME / 1000), TIME) >= 1620651351
        AND multiIf(server_time < 1609948800, server_time, TIME > 2000000000, toUInt32(TIME / 1000), TIME) <= 1621439999
        AND (event in ('rangers_push_send',
                       'rangers_push_workflow')
             OR ifNull(string_params{'$inactive'},'null')!='true')
      GROUP BY uc2) tab ON et.uc1=tab.uc2
   WHERE multiIf(server_time < 1609948800, server_time, TIME > 2000000000, toUInt32(TIME / 1000), TIME)>=first_time
     AND first_time>0
   GROUP BY uc1,
            event_date)
GROUP BY event_date

DataTester 底层 OLAP 引擎采用的是 clickhouse，根据 clickhouse 引擎的特点，主要有两个优化方向：

① 减少 clickhouse 的 join，因为 clickhouse 最擅长的是单表查询和多维度分析，如果做一些轻量级聚合把结果做到单表上，性能可以极大提升。也就是把 join 提前到数据构建阶段，构建好的数据就是 join 好的数据。

② 需要 join 的场景，则通过减小右表大小来加速查询。因为 join 的时候会把右表拉到本地构建 hash 表，所以必然会占用大量内存，影响性能。

1. 重点优化方案

2. 方案一：预聚合，压缩查询事件量

虽然指标很灵活，但是大多数场景用户进入报告页只会查看进组信息，实验结论，指标天级统计数据等，很少实时带条件去查询。因此，天级查询是我们主要使用场景。天级查询可以通过「预计算」加速。为了支持置信度的计算，「预计算」可以从人的粒度着手，即每天保存一条人的聚合后结果，记录下这个人在所有实验下进组之后各指标下的累积值。这样每天数据量与日活量相当，可以大大压缩总体查询量。

（1）方案详情

总体流程图：

分为如下几个关键步骤：Dump、Parse、Build、Query

• Dump

即把事件 dump 到离线存储中。私有化采用 flume 来实现：

a. 自定义 timestamp interceptor 防止数据漂移

b. 使用 file channel 文件缓冲保证数据不丢失

• Parse

从指标 DSL 中解析出聚合字段、聚合类型，事件名、过滤条件指标四要素，再根据这些信息生成 md5 作为 clickhouse 存储的 key。考虑到不同指标配置可能会配置相同的聚合字段、聚合类型，事件名、过滤条件，生成 md5 的目的是保证唯一防止多次聚合。聚合类型包括 count，sum，max，min，latest，distinct（暂不支持），任何算子都可以用这几个基础聚合结果计算出来。如 avg 可以通过 sum/count 来计算。

• Build

离线构建最核心的部分在于自定义聚合函数(UDAF)，自带的聚合函数无法满足我们的要求。

• Query

即数据如何查询，通过对查询引擎增加参数控制是否走预聚合逻辑，同时针对预聚合定制了查询实现。

（2）资源使用限制

私有化场景用户机器资源是非常宝贵的，夜间也有很多定时任务在执行会争抢资源。为了保证不占用太多资源，提交任务时会对 spark 参数做控制。

以如下参数为基准，对 spark.dynamicAllocation.maxExecutors 进行控制：

driver-memory：4g

executor-memory：2g

executor-cores：2

配置梯度表：

（3）性能提升表现

4 亿事件量，100w 用户量，查询提升超过 4 倍。

3. 方案二：ab_log，减小 join 时右表的大小

（1）背景

（2）方案概览

① 从实时流中过滤出曝光事件，把用户和进组时间写进实时 clickhouse 表。

② 从 clickhouse 实时表中构建出天粒度的离线用户进组信息表，每天每个用户仅有 1 条进组记录，记录了该用户该天最早的进组时间。

③ 查询的时候，为了获得用户首次进组时间，取 min（「实时表中该用户当天的进组时间」，「离线表实验开始到 T-1 天数据中该用户进组时间」）。

（3）提升效果

① 通过天级进组表大大加速服务端实验进组人群的圈选。

② 彻底解决私有化进组用户属性的隐患。

③ 在私有化环境可以一定程度上减少曝光事件量。在某些客户下，可减少 30%以上事件量。

4. 方案三：GroupBy 查询优化

（1）背景

DataTester 的数据查询和其他数据应用产品不同，DataTester 在数据查询时，所有的查询都会针对每一个实验版本都查一遍，而过程中中唯一的区别就在于实验版本 ID，所以和 SQL 中 GroupBy 的应用场景特别契合，通过 GroupBy 查询不仅可以极大的减少查询的数量，也可以降低多次查询造成的重复扫表，提高查询效率。

（2）优化方案

DataTester 对每个实验版本的查询语句都是类似的，只是版本 id 不同。对 DataTester 用到的所有查询类型和算子做 GroupBy 的改造，实现细节这里不做过多展开。

（3）提升效果

测试数据规模为日均一亿，7 天，3 个实验版本

查询引擎接口响应时长（取 10 次平均）：

5. 方案四：au 类指标优化，减少重复查询次数

（1）背景

指标查询引擎对 DataTester 的 au 类型算子都做了定制，一个指标查询会产生两条 sql，一条正常指标的查询 sql，另一条是对 any_event 的 au 的查询，在最后结果处理的时候对两条 sql 的查询结果做了一个合并，一起返回到 DataTester 的科学计算模块。但是，每次打开报告页都必定会查进组人数，它和 any_event 的 au 是同一个值，au 类型算子查询的时候无法复用进组人数的结果，而 au 查询又可以算是最慢的查询之一，降低了报告页打开的速度。

对有进组指标的算子做了缓存优化，减少重复查询。

（2）优化方案

6. 方案五：异步查询优化，解决页面超时问题

（1）背景

DataTester 报告页等一些查询数据的接口本身确实比较耗时，需要实时计算，而大部分网关都有超时限制，这个问题在私有化中尤为明显，所以对报告页的整体交互做了优化改造。

（2）方案介绍

• 前后端交互

• 服务端架构设计

（3）用户体验改进效果

① 大幅缩短请求延时，避免出现页面请求失败的情况

② 通过增加 redis 缓存，同页面的多次刷新响应时间可以控制在 100ms 左右

7. 其他优化方案

① 业务逻辑优化，报告概览核心指标显著性和进组共用查询结果，去除实验版本按照核心指标显著性的排序，14 个 SQL 降至 10 个，降低 28.5%️

② 多维度并发控制，限制资源使用

③ 默认使用备查询，充分利用备节点的算力

④ 灵活开关多种报告的缓存，保证核心链路正常运行

03

总结

作为一站式 A/B 测试平台，火山引擎 DataTester 最核心的功能之一就是指标查询部分，它关系到产品体验和资源占用情况。而作为 TOB 领域的数据产品，DataTester 能在有限的资源下发挥最极致的产品数据体验，也是产品最为重要的竞争力之一。

本次分享了 DataTester 在报告页查询优化过程中的 5 个技术方案落地。预聚合和 ablog 是从数据构建角度减少查询数据量的角度的优化，groupby 和 au 类指标的优化是从减少并发的角度，异步查询是从产品体验角度。

查询和数据构建密不可分，DataTester 未来的产品优化也会按照“去肥”和“增瘦”两个方向进行，“去肥”是优化科学计算模块和查询引擎的整体架构，优化业务逻辑，使得报告页查询逻辑更加清晰和简洁；另一方面“增瘦”就是通过合理的数据构建和数据模型优化加速查询，同时定向对部分难点问题重点优化，比如留存、盒须快照、同期群等等。

点击跳转火山引擎A/B测试DataTester官网了解详情！

扫码进入「字节跳动数据平台」官方交流群，领取更多 A/B 测试学习资料。