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
- DDeepSeek-V3.1-BaseDeepSeek-V3.1 是一款支持思考模式与非思考模式的混合模型Python00
- QQwen-Image-Edit基于200亿参数Qwen-Image构建,Qwen-Image-Edit实现精准文本渲染与图像编辑,融合语义与外观控制能力Jinja00
GitCode-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~044CommonUtilLibrary
快速开发工具类收集,史上最全的开发工具类,欢迎Follow、Fork、StarJava04GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。06GOT-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。00openHiTLS
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!C0300- WWan2.2-S2V-14B【Wan2.2 全新发布|更强画质,更快生成】新一代视频生成模型 Wan2.2,创新采用MoE架构,实现电影级美学与复杂运动控制,支持720P高清文本/图像生成视频,消费级显卡即可流畅运行,性能达业界领先水平Python00
- GGLM-4.5-AirGLM-4.5 系列模型是专为智能体设计的基础模型。GLM-4.5拥有 3550 亿总参数量,其中 320 亿活跃参数;GLM-4.5-Air采用更紧凑的设计,拥有 1060 亿总参数量,其中 120 亿活跃参数。GLM-4.5模型统一了推理、编码和智能体能力,以满足智能体应用的复杂需求Jinja00
Yi-Coder
Yi Coder 编程模型,小而强大的编程助手HTML013
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全栈开发课程中测验游戏项目的参数顺序问题解析3 freeCodeCamp英语课程填空题提示缺失问题分析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 课程中关于角色与职责描述的语法优化建议 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 Cafe Menu项目中link元素的void特性解析9 freeCodeCamp全栈开发课程中React实验项目的分类修正10 freeCodeCamp英语课程视频测验选项与提示不匹配问题分析
最新内容推荐
OMNeT++中文使用手册:网络仿真的终极指南与实用教程 基于Matlab的等几何分析IGA软件包:工程计算与几何建模的完美融合 PADS元器件位号居中脚本:提升PCB设计效率的自动化利器 电脑PC网易云音乐免安装皮肤插件使用指南:个性化音乐播放体验 Python Django图书借阅管理系统:高效智能的图书馆管理解决方案 Python开发者的macOS终极指南:VSCode安装配置全攻略 WebVideoDownloader:高效网页视频抓取工具全面使用指南 ReportMachine.v7.0D5-XE10:Delphi报表生成利器深度解析与实战指南 PhysioNet医学研究数据库:临床数据分析与生物信号处理的权威资源指南 海康威视DS-7800N-K1固件升级包全面解析:提升安防设备性能的关键资源
项目优选
收起

React Native鸿蒙化仓库
C++
176
261

🎉 (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
861
511

🔥🔥🔥ShopXO企业级免费开源商城系统,可视化DIY拖拽装修、包含PC、H5、多端小程序(微信+支付宝+百度+头条&抖音+QQ+快手)、APP、多仓库、多商户、多门店、IM客服、进销存,遵循MIT开源协议发布、基于ThinkPHP8框架研发
JavaScript
93
15

openGauss kernel ~ openGauss is an open source relational database management system
C++
129
182

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
259
300

deepin linux kernel
C
22
5

🍒 Cherry Studio 是一款支持多个 LLM 提供商的桌面客户端
TypeScript
596
57

为仓颉编程语言开发者打造活跃、开放、高质量的社区环境
Markdown
1.07 K
0

本仓将收集和展示仓颉鸿蒙应用示例代码,欢迎大家投稿,在仓颉鸿蒙社区展现你的妙趣设计!
Cangjie
398
371

本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
332
1.08 K