B 站基于大模型的大数据智能诊断助手实践

显示全部楼层

ingFang SC", system-ui, -apple-system, BlinkMacSystemFont, "Helvetica Neue", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: 17px;font-style: normal;font-variant-ligatures: normal;font-variant-caps: normal;font-weight: 400;letter-spacing: 0.544px;orphans: 2;text-indent: 0px;text-transform: none;widows: 2;word-spacing: 0px;-webkit-text-stroke-width: 0px;white-space: normal;background-color: rgb(255, 255, 255);text-decoration-thickness: initial;text-decoration-style: initial;text-decoration-color: initial;text-align: center;line-height: 2em;">01

背景介绍

ingFang SC", system-ui, -apple-system, BlinkMacSystemFont, "Helvetica Neue", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: 17px;font-style: normal;font-variant-ligatures: normal;font-variant-caps: normal;font-weight: 400;letter-spacing: 0.544px;orphans: 2;text-align: justify;text-indent: 0px;text-transform: none;widows: 2;word-spacing: 0px;-webkit-text-stroke-width: 0px;white-space: normal;text-decoration-thickness: initial;text-decoration-style: initial;text-decoration-color: initial;background: white;line-height: 2em;">1.整体架构和规模

B 站是一个视频分享平台，拥有海量数据。大数据平台要支撑公司的众多业务，包括 AI、商业等重要应用。

大数据平台整体是一个“五层一体”+“存算分离”的架构，底层是分布式文件系统；中间有智能调度层，以及不同的计算引擎如 Spark、Flink 等，还包括各种客户端，以及实时数据流 Kafka、OLAP 引擎 ClickHouse 等，还有一些自建的工具和 CI/CD 平台。

平台任务量非常大，每天有 27 万个离线任务计算，2 万左右的 Ad-hoc 查询，7000 个左右重要的实时业务。团队的咨询量也非常大，每周有上千条咨询，每个小团队每周要处理 3 人天的咨询量，需要安排一个人专门处理业务上的咨询，回答用户关于任务失败、任务变慢等问题。

ingFang SC", system-ui, -apple-system, BlinkMacSystemFont, "Helvetica Neue", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: 17px;font-style: normal;font-variant-ligatures: normal;font-variant-caps: normal;font-weight: 400;letter-spacing: 0.544px;orphans: 2;text-align: justify;text-indent: 0px;text-transform: none;widows: 2;word-spacing: 0px;-webkit-text-stroke-width: 0px;white-space: normal;text-decoration-thickness: initial;text-decoration-style: initial;text-decoration-color: initial;background: white;line-height: 2em;">2.用户的问题

关于离线计算，用户主要有两个问题，一个是为什么任务失败，另一个是为什么任务变慢。

（1）任务为什么会失败

系统内核的缺陷。有些时候系统内核升级了，但任务并没有做充分的测试，导致大规模的任务失败。
依赖组件的问题。平台数据量大，资源组件也很多，有很多任务彼此之间存在依赖，依赖的组件升级或者有 bug 就会导致任务的失败。
数据质量问题。本身有些数据有问题，也会造成任务失败。

当然，可能还会有其它一些原因造成任务失败，比如内存相关的问题等等。

（2）任务为什么会变慢

硬件老化引起。如果计存达到一定规模就会发现这个问题，我们的视频网站，硬盘的数量非常大，数据磁盘是有寿命的，过一段时间读写速度容易变得很慢。
资源调度问题。用户量非常大之后，资源调度压力会非常大的，加上公司的混合部署机制，资源会在不同的部门之间进行调转，在一些潮汐时可能有任务会受到影响。
数据分布问题。数据倾斜或数据本身存在问题也会造成任务变慢。

任务失败或变慢的原因非常繁杂，需要逐一排查，耗时耗力，因此我们需要探索利用智能手段来协助解决问题。

用户的提问通常是比较工程化的，没有很多描述，往往就是一个问题+一个链接，或者比较友好一点的会再加上一个截图。