转载

基于大数据的全球电商系统性能优化

摘要：本文根据郭东白在首届阿里巴巴在线技术峰会上的分享整理而成。他首先介绍了AliExpress电商系统的理论基础，通过页面间跳出率的计算引出了全栈优化的思路。然后，他介绍了AliExpress平台的设计思路和性能优化过程。紧接着，他分享了AliExpress使用过的几个有效的优化策略：动态加速、静态化+ESI、元素合并请求、CDN调度优化等。最后，他用实例展示了性能优化带来的结果，并对架构设计的过程提出了几点思考和总结。

整个系统的理论基础

基于大数据的全球电商系统性能优化

这张图代表流量分布和跳出率的关系。一个用户放弃使用一个网站或者APP的行为叫做跳出。上图中，横轴代表延迟区间，纵轴代表流量分布。绿色的曲线代表顾客来网站或者APP的流量分布，可以发现大部分流量分布在几百到一千毫秒，随着时间延迟的增加，跳出率变高。

整个系统计算时，使用转化率公式：转化率=1-跳出率。在发生性能故障的时候，比如有少部分机器出现延迟大大增加的情况，我们会发现高速性能的流量会变少，有很长延时的流量会增加，跳去率也很快地爬升上去。

这个过程表明，如果延迟越大，那么延迟跳出率会变得越来越高，即转化率变得越来越低。我们可以把虚线看作是优化前，实现看作是优化后，其中的部分就是优化得到的新的转化率。

基于大数据的全球电商系统性能优化

我们做更深一步的讨论。上图中，红色代表转化率，蓝色代表性能区间的分布。假设我们把性能从a秒压缩到3秒时，转化率的回报是图中绿色的部分。这些回报是怎么得到的？随着延迟越大，转化率越低，由于回报是单调减的函数，所以压缩之后得到的回报就是图中绿色的部分。如果我们知道压缩的时间，我们就可以预测出单个页面上得到的回报，这个回报称为Performance Loss。

基于大数据的全球电商系统性能优化

接下来，我们进行从A页面到B页面的理论跳出率的计算。如上图所示，A是一个页面，0、1、2、3是它的前序页面，end代表跳出页面。我们发现，出口的跳出率=经过补偿后的所有跳出率-自然跳出率。其中，自然跳出率是指自己因为对商品内容不满意、评价不满意而产生的自然跳出。

基于大数据的全球电商系统性能优化

在此基础上，我们可以将其推广到所有页面。一个大的网站可能有数百个页面，比如上图中的两条链路： 搜索——详情——订单 ； 商铺——商铺详情——订单 。

在这种关系下，如果我们把每条链路的跳出率算出来，其实我们就得到了每条链路的理论最大流量，这样我们就知道了最终页面的最大流量。这其实就是一个全栈性能损耗的过程，我们可以知道每个细小的过程对全局的贡献。这对于优化方案的制定非常重要。在做优化方案的时候，我们可以选择一个页面做尝试，准确度量一个页面的回报，这样就可以明确知道一种优化方案对整个系统的贡献，即本次优化对电商系统的订单回报量。

平台设计

基于大数据的全球电商系统性能优化

平台是独立于业务领域的。针对不同的业务领域，有不同的优化方案，显示在图中左下部分。

平台的功能是：

把当前的性能变得可视化；
实时度量目前的性能水平；
对全链路做一个性能的监控；
所有的领域都可以接到这个平台上；
做一个全量的度量。

平台其实就是将性能优化的回报变成一个可度量的、非常容易看到的结果。在整个试验的过程中，数据是不断积累的，数据会带来准确的度量结果，度量结果则决定是否将优化在全栈进行推广。

性能优化过程

基于大数据的全球电商系统性能优化

首先，应该有很多业务模块来收集用户的行为数据（请求时间、建联时间等），然后数据经过采集系统进行处理。处理完的数据有两种分析方式：离线分析、实时分析，区别在于离线的处理量比较大一些。分析的结果都会存在一个业务数据库中，最终会送到cache layer中做追溯和同比。后端会支持很多不同的应用场景，比如报警、监控、报表。