Meesho/BharatMLStack在线特征存储数据格式深度解析
2025-06-19 02:22:59作者:董斯意
引言
在机器学习系统中,特征存储是连接离线训练和在线推理的关键组件。Meesho/BharatMLStack项目设计了一套高效的数据存储格式体系,专门针对在线特征存储场景进行了优化。本文将深入解析其核心数据格式设计,包括永久存储格式PSDB和缓存存储格式CSDB。
PSDB格式详解
PSDB(Permanent Storage Data Block)是专为ScyllaDB等永久存储系统设计的二进制数据格式,具有紧凑、版本化和模式感知的特点。
核心设计理念
- 存储效率优先:采用紧凑的二进制布局,最小化存储空间占用
- 版本兼容性:内置版本控制机制,支持模式演进
- 类型丰富:支持从标量到高维向量的多种数据类型
- 性能优化:针对高频读取场景进行特殊优化
二进制结构解剖
PSDB采用分层头部设计,各字段精心排布以实现最佳空间利用率:
┌─────────────────┬─────────────────┬───────────────┬───────────────┐
│ 特征模式版本(2B)│ 过期时间戳(5B) │ 布局版本(4b) │ 压缩类型(3b) │
├─────────────────┴─────────────────┴───────────────┴───────────────┤
│ 数据类型(5b) │ 布尔最后有效位(4b) │ 数据区(变长) │
└───────────────────────────────────────────────────────────────────┘
数据类型支持矩阵
PSDB支持的数据类型可分为两大类:
标量类型
类型分类 | 具体类型 | 存储大小 | 典型应用场景 |
---|---|---|---|
浮点数 | FP32/FP16/FP8 | 4B/2B/1B | 常规特征值 |
整数 | Int32/Int16/Int8 | 4B/2B/1B | ID类特征 |
布尔 | Bool | 位压缩 | 标志位特征 |
字符串 | String | 变长(Pascal式) | 文本类特征 |
向量类型
类型分类 | 容器格式 | 特点 |
---|---|---|
浮点向量 | [][]float32 | 二维浮点数组 |
整型向量 | [][]int32 | 二维整型数组 |
字符串向量 | [][]string | 二维字符串数组 |
编码技术深度解析
字符串编码
采用Pascal式长度前缀编码:
- 先存储2字节长度标识
- 随后紧跟实际字符串内容
- 最大支持65536字节长度
优势:相比C风格字符串,可以快速定位字符串边界,避免扫描整个缓冲区。
布尔值编码
创新性使用位打包技术:
- 传统方式:1布尔值=1字节
- PSDB方式:1布尔值=1位
- 额外维护"最后有效位"索引,加速解码
向量编码策略
- 维度校验:写入前验证向量长度是否符合模式定义
- 行优先展平:将多维数组连续存储,消除维度分隔符
- 隐式重构:利用元数据中的向量长度信息重建维度
压缩方案
采用智能压缩策略:
- 仅压缩数据区,保持头部可快速访问
- 自动选择ZSTD压缩或原始存储(基于压缩率)
- TTL有效时才执行解压,减少无效计算
CSDB格式设计
CSDB(Cache Storage Data Block)是为缓存层(如DragonflyDB/Redis)优化的数据容器格式。
架构设计哲学
- 读写分离:序列化与反序列化路径解耦
- 惰性加载:按需反序列化特定特征组
- 空间效率:支持负缓存和紧凑存储
内存布局优化
type CacheStorageDataBlock struct {
FGIdToDDB map[int]*DeserializedPSDB // 8B对齐
serializedCSDB []byte // 24B(ptr+len+cap)
TTL uint32 // 4B
layoutVersion uint8 // 1B
cacheType CacheType // 1B
_ [2]byte // 填充对齐
}
关键优化点:
- 8字节边界对齐指针
- 合并小字段减少内存碎片
- 显式填充保证CPU缓存友好
二进制序列化格式
[版本(1B)][FGID(2B)][数据长度(2B)][数据...]*
特征组数据连续存储,支持:
- 快速跳过不需要的FGID
- 零长度表示负缓存
- 随机访问特定特征组
缓存类型对比
维度 | 内存缓存 | 分布式缓存 |
---|---|---|
存储形式 | Go原生对象 | 序列化字节流 |
反序列化 | 按需部分加载 | 全量或部分加载 |
压缩 | 可选 | 通常启用 |
最佳场景 | 单进程高频访问 | 多节点共享 |
性能优化实践
部分反序列化技术
- 仅解压请求的特征组
- 跳过无关数据块
- 避免不必要的解压缩计算
实际应用建议
- 特征分组策略:将相关特征放在同一FGID,提高局部性
- 版本管理:合理规划特征模式版本,平衡灵活性和兼容性
- 缓存策略:根据访问模式选择合适缓存类型
- 监控指标:关注压缩率、反序列化耗时等关键指标
总结
Meesho/BharatMLStack的在线特征存储数据格式设计体现了多项精妙权衡:
- 在存储效率与访问速度间取得平衡
- 在灵活性类型支持与紧凑存储间找到最优解
- 在通用性与场景定制化间保持适当张力
这种专业级的数据格式设计,为高并发机器学习推理场景提供了坚实的数据基础设施支撑。
登录后查看全文
热门项目推荐
Hunyuan3D-Part
腾讯混元3D-Part00Hunyuan3D-Omni
腾讯混元3D-Omni:3D版ControlNet突破多模态控制,实现高精度3D资产生成00GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~0274community
本项目是CANN开源社区的核心管理仓库,包含社区的治理章程、治理组织、通用操作指引及流程规范等基础信息011Hunyuan3D-2
Hunyuan3D 2.0:高分辨率三维生成系统,支持精准形状建模与生动纹理合成,简化资产再创作流程。Python00Spark-Chemistry-X1-13B
科大讯飞星火化学-X1-13B (iFLYTEK Spark Chemistry-X1-13B) 是一款专为化学领域优化的大语言模型。它由星火-X1 (Spark-X1) 基础模型微调而来,在化学知识问答、分子性质预测、化学名称转换和科学推理方面展现出强大的能力,同时保持了强大的通用语言理解与生成能力。Python00GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile09
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
热门内容推荐
1 freeCodeCamp猫照片应用教程中的HTML注释测试问题分析2 freeCodeCamp全栈开发课程中React实验项目的分类修正3 freeCodeCamp课程视频测验中的Tab键导航问题解析4 freeCodeCamp音乐播放器项目中的函数调用问题解析5 freeCodeCamp论坛排行榜项目中的错误日志规范要求6 freeCodeCamp JavaScript高阶函数中的对象引用陷阱解析7 freeCodeCamp全栈开发课程中React组件导出方式的衔接问题分析8 freeCodeCamp英语课程视频测验选项与提示不匹配问题分析9 freeCodeCamp课程页面空白问题的技术分析与解决方案10 freeCodeCamp博客页面工作坊中的断言方法优化建议
最新内容推荐
Windows Server 2016 .NET Framework 3.5 SXS文件下载与安装完整指南 小米Mini R1C MT7620爱快固件下载指南:解锁企业级网络管理功能 XMODEM协议C语言实现:嵌入式系统串口文件传输的经典解决方案 SAP S4HANA物料管理资源全面解析:从入门到精通的完整指南 VSdebugChkMatch.exe:专业PDB签名匹配工具全面解析与使用指南 瀚高迁移工具migration-4.1.4:企业级数据库迁移的智能解决方案 OMNeT++中文使用手册:网络仿真的终极指南与实用教程 SteamVR 1.2.3 Unity插件:兼容Unity 2019及更低版本的VR开发终极解决方案 全球36个生物多样性热点地区KML矢量图资源详解与应用指南 Windows版Redis 5.0.14下载资源:高效内存数据库的完美Windows解决方案
项目优选
收起

deepin linux kernel
C
22
6

OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
153
1.98 K

本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
505
42

Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0

React Native鸿蒙化仓库
C++
194
279

旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
992
395

🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
938
554

本项目是CANN开源社区的核心管理仓库,包含社区的治理章程、治理组织、通用操作指引及流程规范等基础信息
332
11

openGauss kernel ~ openGauss is an open source relational database management system
C++
146
191

为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Python
75
70