Recomendados
Recomendados
Mais conteúdo relacionado
Mais procurados
Mais procurados (20)
Semelhante a [235]루빅스개발이야기 황지수
Semelhante a [235]루빅스개발이야기 황지수 (20)
Mais de NAVER D2
Mais de NAVER D2 (20)
Último
Último (7)
[235]루빅스개발이야기 황지수
- 1. RUBICS 개발 이야기 황지수, KAKAO 2016.10.24
- 2. Profile • Software Engineer @ KAKAO • BigData • ADTech • RecommenderSystem • a.k.a. Mario
- 5. 코드네임 Tangram 유한한 조각으로 다양한 모양을 만들 수 있는 퍼즐
- 6. 콘텐츠 추천 시스템
- 7. Agenda • 어떻게 콘텐츠를 추천하고 있는지? • 추천 시스템을 만들면서 어떤 문제를 해결했는지?
- 8. Model
- 9. 추천 테크닉 • Collaborative Filtering, Content-based Filtering • Cold start problem “이 상품을 본 사람들이 많이 본 상품들입니다”
- 10. Cold Start User • Non-Click User: 60% HEAVY USER
- 11. Multi-Armed Bandit • Bar가 여러 개인 슬롯머신 • 각 Bar의 승리 확률은 일정 • 최고의 수익을 얻을 수 있는 방법은?
- 12. Multi-Armed Bandit 전략 • Explore & Exploit • 알려진 전략 • 𝜀 − 𝑓𝑖𝑟𝑠𝑡 • Upper Confidence Bound • 활용 • 점심 먹을 장소 고르기
- 13. MAB 콘텐츠맛집 추천에 활용 • 변수 • “맛이 예전 같지 않아” • “위치에 비해 사람이 많은 것 같아” • “어르신들이 좋아할만 한 집인 듯”
- 14. 콘텐츠, 변화하는 CTR 0 0.2 0.4 0.6 0.8 1 1.2 10 20 30 40 50 60 70 80 90 100 110 120 130 140 150 160 170 180 190 200 210 220 230 NormalizedCTR 뉴스가 송고된 후 지난 시간 (분)
- 15. 콘텐츠, Positional Bias 0 0.2 0.4 0.6 0.8 1 1.2 10 30 50 70 90 110 130 150 170 190 210 230 250 NormalizedCTR 시간 (분) 첫번째 세번쨰 열세번째
- 16. 루빅스 MAB • Moving Average • 변화하는 CTR 반영 • 다중 Explore • Position, User Cluster 등의 편향 보정 • 피드백을 실시간으로 수집해서 추천에 활용
- 17. System #5B
- 19. Data Pipeline streaming BatchMini batch ( < minutes ) App App App
- 20. 목표 • 데이터에 기반해 진화하는 시스템 • 고성능 • 확장성 • 장애 내구성
- 22. 루빅스 성과 Daily CLICK 219% Daily UV 143% Before RUBICS(2015 4월) vs. After RUBICS(2015 7월)
- 23. 모델 개선 과정 A A’ A’’ B B’’B’ C’’ C C’ A’ A’’ B C’’ C C’ C’’ Offline Test Online Bucket Test
- 24. Offline Test • 과거 Log를 이용해서 모델 성능 검증 • Online의 환경을 완벽하게 재현하기는 어렵다
- 25. Online Bucket Test • 실환경에서 유저들을 대상으로 테스트 • 사용자를 Bucket으로 나누고, 성과 비교 • 실시간으로 테스트 & 분석 RUBICS APP Bucket A Bucket A Bucket B
- 27. Data Flow Response Feedback ReqID à Context Recommender Bucket Mgr RUBICS Front Memory Grid ReqID ReqID JOIN • ReqID • 추천 context를 추적할 수 있는 unique key
- 28. Data Flow v1 review Pros • Simple • Response size Cons • Memory grid limit • < 1H, 99% • Abusing • Synthetic data • Click attack
- 29. Data Flow v2 Response Feedback RecInfo Recommender Bucket Mgr RUBICS Front Memory Grid RecInfo RecInfo • RecInfo • Bucket Setting • Explore info • Error detection code
- 31. Data Center DC1 DC3 DC2 RUBICS • Latency SLA : 50ms • 3ms ( 99%)
- 32. Serving Layer • Nginx • Reverse proxy • Play-scala • Non blocking • Couchbase • Low latency, scalability • 단순한 operation • Zookeeper • System config
- 33. Serving Layer Recommender History Profile Content Bucket Reverse Proxy • Latency를 줄이기 위한, 데이터 형태와 접근 방식 개선
- 34. 서빙에 최적화된 데이터 형태 • Content • Meta data • Precalculated scores • History • 유효한 데이터
- 35. 서빙에 최적화된 데이터 준비 DB QueueConsumer Pool BuilderApp KV Lookup ZK Config
- 36. Data update Get(Key) à Data, CAS Set(Key, Data, CAS, TTL) Mutate • Couchbase in-place update 지원하지 않음 • CAS를 이용한 atomic update DB
- 37. Network I/O 줄이기 Local Cache Recommender History Profile Content Bucket ZK Watch Updater • Local cache 최대한 활용 • ZK watch를 이용해서 데이터 갱신
- 38. 수평적 확장 • 요청량 60배 증가 • 노드 추가만으로 확장 App LB App App AppApp
- 40. 가용성 Total down time : 10여 분 Availability : 99.998 %
- 43. Micro Service Queue Impression Validation Item Score User history HDFS archive Hive Loader Distinct
- 44. Micro Service • 일부 Task의 장애가 전체 장애로 전파되지 않음 • 독립적으로 개발 가능 • 그렇지만 관리의 복잡도 증가 Validation Item Score User history HDFS archive Hive Loader Distinct
- 45. Service Orchestration Tools Task Task Task Task • Task가 죽지 않도록 관리 • 일관된 배포&롤백 방법 • Task를 구현할 때, Restartable & Idempotent 한지 고려 Marathon Task Example
- 46. Test Automation Task Metrics System Tests Check State Check Metrics • 지속적으로 전체 데이터 파이프라인 테스트 • Task는 자신의 state를 외부에 공개
- 47. Summary
- 48. 요약 • 루빅스: 카카오톡, 다음 콘텐츠 추천 • MAB 기반으로 시작 • 추천 성능 개선과 진화를 위해서 • Offline/Online Bucket Test • 시스템 성능 • data 형태와 접근방식 개선 • 수평적 확장이 가능 구조 • 안정적인 데이터 파이프 라인 • Micro Service • Service Orchestration • System Tests
- 49. Q&A