逍遥公子旅游网>>旅游交通资讯>>日均20亿流量【携程机票查询】系统的架构升级

日均20亿流量【携程机票查询】系统的架构升级

关键词:携程机票查询 来源:逍遥公子旅游网
【导读】一、 机票搜索服务简述1. 携程机票搜索的业务特征2. 携程基础设备(Infrastructure)建立情形3. 携程搜索服务的构造缓存的详细细节下文会讲到。我们聚合服务的结果,可..

一、 机票搜索服务简述

1. 携程机票搜索的业务特征

2. 携程基础设备(Infrastructure)建立情形

3. 携程搜索服务的构造

缓存的详细细节下文会讲到。我们聚合服务的结果,可以经过Kafka推荐到我们的AI数据平台,会做一些大数据的剖析、流量回放,还有其它的一些数据有关的控制。在图中trip.com框的右边,我们还特意在云上布置了数据的过滤服务,让传回的数据缩小了90%,这是我们的data Center的介绍。

二、缓存构造的演进

1. 缓存的挑战和计划

(1)为何大量运用缓存应对流量高峰?

(2)当地缓存 VS 散布式缓存

(3)TTL设置

2. 缓存构造演进

(1)多级缓存

(2)引擎缓存

(3)根据Redis的一级缓存

(4)二级缓存

二级缓存一开始是选取了MongoDB,主要想到几个要素:首先,它的读写功能相对要好,另外有个比较重要要素是,它支持二级缓存。大家知道Redis实际上就是个KV这种一个存储了。而在设计二级缓存的时侯,为了支持多一点的效果,例如为了可以很方便地做数据整理,就须要用到二级索引的效果。我们会计算出来一个相较优的TTL,确保特殊的数据有的可以缓存时间长一点,有的可以快速更新换代。

对MongoDB,我们也做了一个提高,最终把它切成Redis,经过我们的设计计划,尽管增多了一部分繁杂性,不过替换了二级索引,如此一个改良的结果,成本下降了90%,读写功能提高了30%。

三、负载平衡的演进

系统的主要目标是要满足高可用,之后是高流量支持。我们可以经过多层的平衡路由完成把这些流量平均分派到多个数据中心的多个集群中。

1. 目标

2. 负载平衡构造

3. Pooling

4. 过载保护

四、AI的应用

这里我列出了运用效果相对要好的几个AI应用场景。

1. 应用场景

2. ML技术栈和流程

3. 详细场景

五、归纳

六、Q&A

讲师简介

宋涛

携程集团机票业务技术总监

猜您感兴趣的资讯: