共计 10138 个字符，预计需要花费 26 分钟才能阅读完成。
| 导语 10 亿级，是微信用户的数量级。这个庞大数字的背后，是“看一看”、“微信广告”、“微信支付”、“小程序”等业务对数据库 10 亿级的读写需求。那么，在此场景下诞生的 FeatureKV，究竟是怎样强悍的一个存储系统呢？
背景：两个十亿级的挑战
PaxosStore 是微信内广泛应用的强一致性的分布式存储系统，它广泛支撑了微信的在线应用，峰值过亿 TPS，运行在数千台服务器上，在线服务场景下性能强悍。但在软件开发中没有银弹，在面对离线产出、在线只读的数据场景，PaxosStore 面临了两个新的十亿挑战：
10 亿 / 秒 的挑战：
“看一看”团队需要一个存储系统来存放 CTR 过程需要用到的模型，实现存储和计算分离，使得推荐模型的大小不会受限于单机内存。
每次对文章的排序打分，ctrsvr 会从这个存储系统中拉取成千上万个特征，这些特征需要是相同版本的，PaxosStore 的 BatchGet 不保证相同版本。
业务方预估，这个存储系统需要支持 10 亿 / 秒的 QPS，PaxosStore 的副本数是固定的，无法增加只读副本。
这个存储系统需要有版本管理和模型管理的功能，支持历史版本回退。
10 亿 / 小时 的挑战：
微信内部不少团队反馈，他们需要把 10 亿级（也就是微信用户的数量级）信息，每天定期写到 PaxosStore 中，但 PaxosStore 的写入速度无法满足要求，有时候甚至一天都写不完，写太快还会影响现网的其他业务。
PaxosStore 是一个保证强一致性的存储系统，为在线业务设计，其性能也能满足在线业务的需求。但面对这种离线灌库、在线只读、不要求强一致性保证的场景，就需要很高的成本才能满足业务的需求了。
基于数据的应用越来越多，这类的数据存储需求也越来越多，我们需要解决这个问题，把 10 亿级 key 量的数据写入时间控制在 1 个小时左右。
上述场景具有定时批量写、在线只读的特点，为了解决这些场景的痛点问题，我们基于性能强大的 WFS（微信自研分布式文件系统）和稳如磐石的 Chubby（微信自研元数据存储），设计并实现了 FeatureKV，它是一个高性能 Key-Value 存储系统，具有以下特点：
高性能且易于扩展
优秀的读性能: 在 B70 机型上，全内存的表可以有千万级的 QPS；在 TS80A 机型上，数据存放于 SSD 的表可以有百万级的 QPS。
优秀的写性能: 在远程文件系统性能足够的情况下，可以在 1 小时内完成十亿个 key、平均 ValueSize 是 400Byte 的数据的写入。
易于扩展: 水平扩容（读性能）和纵向扩容（容量）可以在数小时内完成，写性能扩容只是扩容一个无状态的模块 (DataSvr)，可以在分钟级完成。
对批量写支持友好
任务式的写接口: 支持以 WFS/HDFS 上的文件作为输入，业务方无需编写、执行灌数据工具，支持失败重试、告警。
支持增量更新 / 全量更新: 增量更新是在上一个版本的基础上，对一批新输入的 Key-Value 进行覆盖写，输入中没有的 key 则保持不变。而全量更新则是丢弃上一个版本的数据，灌入一批新的 Key-Value。
支持 TTL: 支持过期自动删除功能。
具有版本管理功能
事务的 BatchGet 接口: 保证一次 BatchGet 得到的数据都是同一个版本的。
支持历史版本回退: 一次更新会产生一个递增的版本，支持历史版本回退，包括增量更新生成的版本。
当然，在软件开发中没有银弹，FeatureKV 在设计上它做了取舍：
不支持在线写入数据，当数据量较小时（GB 级），FeatureKV 可以做到十分钟级的更新频率。
不保证强一致性，保证最终一致性，并且在大部分时间里可以保证顺序一致性。
FeatureKV 现在在微信内部已经广泛应用，包括看一看、微信广告、微信支付、小程序等业务，接下来会阐述 FeatureKV 的设计，并具体说明如何解决上述两个十亿挑战。
总体设计
- 系统架构
FeatureKV 涉及的外部依赖有三个：
Chubby：用来保存系统中的元数据。FeatureKV 内很多地方是通过对 Chubby 内的元数据轮询来实现分布式协同、通信。
USER_FS：业务侧的分布式文件系统，可以是 WFS/HDFS，因为 FeatureKV 的写接口是任务式的，输入是一个分布式文件系统上的路径。
FKV_WFS：FeatureKV 使用的分布式文件系统，用来存放 DataSvr 产出的、可以被 KVSvr 使用的数据文件。可以保存多个历史版本，用于支持历史版本回退。
这三个外部依赖都可以和其他业务共用。FKV_WFS 和 USER_FS 可以是同一个模块。FKV_WFS 可以使用 HDFS 替代。Chubby 可以使用 etcd 替代。
DataSvr：
主要负责写数据，把 USER_FS 的输入，经过数据格式重整、路由分片、建索引等流程，生成 KVSvr 可用的数据文件，写到 FKV_WFS 中。
它是一个无状态的服务，写任务的状态信息保存在 Chubby 中，扩容 DataSvr，可以增加系统的写性能。
一般部署 2 台就好，部分场景写任务较多可以适当扩容。
KVSvr：
对外提供读服务，通过轮询 Chubby 来感知数据更新，再从 WFS 拉取数据到本地，加载数据并提供只读服务。
它是一个有状态服务，一个 KVSvr 模块会由 K 个 Sect 和 N 个 Role 组成，共 K * N 台机器。
每个 Sect 都有全量的数据，每次 BatchGet 只需要发往某一个 Sect，增加 Sect 可以扩容读性能，而并不会增加 BatchGet 的 rpc 次数。
相同的 Role 负责的数据切片都是一样的，单机故障时 Batch 请求直接换机重试就好。
K 最少是 2，用以保证系统的容灾能力，包括在变更时候的可用性。
N 不能是任意一个数字，可以看下面第二部分。
写入流程：
FeatureKV 只支持批量写入数据，每次写任务可以是增量更新 / 全量更新的，每次写入的数据量大小无限制。离线的批量写接口设计，我们踩过一些坑：
一开始我们打算封一些类 / 工具，打算让业务端直接用我们的类 / 工具，打包 Key-Value 数据，直接写到 FKV_WFS 的目录上。该方案最省带宽，但是这样做让我们后续的数据格式升级变得很麻烦，需要让所有业务方配合，所以这个方案就废弃了。
然后，我们起了一个新模块 DataSvr，在 DataSvr 上面开了一个 tcp svr，业务侧输出 Key-Value，写入工具会把 Key-Value 数据发过来这个 tcp svr 完成打包，但是还是有下面这些问题：
写入的速度与业务方的代码质量、机器资源有关，曾经碰到过的情况是，业务方的代码里面用 std::stringstreams 解析浮点数输入，这个函数占用了 90%+ 的 CPU（用 std::strtof 会快很多），或者业务方跑写入工具的机器，被别的进程用了 90%+ 的 CPU，最后反馈 FeatureKV 写得很慢。
DataSvr 的日常变更或机器故障，会导致任务失败。前端工具发包的方法无法对任务进行重试，因为 Key-Value 的输入流无法重放。
最终，我们设计了一个任务式的接口，以 USER_FS 上的路径作为输入：
业务侧把数据按照约定好的格式，放在 USER_FS 中，向 DataSvr 提交一个写任务。
DataSvr 流式读取 USER_FS 中的数据，对数据进行格式重整、路由分片、建索引，然后把数据写入 FKV_WFS 中，并更新 Chubby 中的元数据。其中写任务的分布式执行、失败重试等，也需要通过 Chubby 来同步任务状态。
KVSvr 通过轮询 Chubby 感知数据更新，把数据拉取到本地，完成加载并提供服务。
- 数据路由
考虑扩缩容，FeatureKV 会把一个版本的数据切分为 N 份，N 现在是 2400，通过哈希 HashFun(key) % N 来决定 key 属于那份文件。
KVSvr 加载哪些文件是由一致性哈希决定的，角色相同的 KVSvr 会加载相同一批在扩缩容的时候，数据腾挪的单位是文件。
由于这个一致性哈希只有 2400 个节点，当 2400 不能被 sect 内机器数量整除时，会出现比较明显的负载不均衡的情况。所以 FeatureKV 的 sect 内机器数得能够整除 2400。还好 2400 是一个幸运数，它 30 以内的因数包括 1,2,3,4,5,6,8,10,12,15,16,20,24,25,30，已经可以满足大部分场景了。
上图是 N=6 时候的例子，Part_00[0-5] 表示 6 份数据文件。从 RoleNum=2 扩容成 RoleNum=3 的时候，只需要对 Part_003 和 Part_005 这两份文件进行腾挪，Part_005 从 Role_0 迁出至 Role_2，Part_003 从 Role_1 迁出至 Role_2。
由于现网所用的 N=2400，节点数较少，为了减少每次路由的耗时，我们枚举了 RoleNum<100 && 2400%RoleNum==0 的所有情况，打了一个一致性哈希表。
- 系统扩展性
FeatureKV 的 FKV_WFS 上存有当前可用版本的所有数据，所以扩容导致的文件腾挪，只需要新角色的机器从 FKV_WFS 拉取相应编号的文件，旧角色机器的丢弃相应编号的文件即可。
当 BatchSize 足够大的时候，一次 BatchGet 的 rpc 数量等价于 Role 数量，这些 rpc 都是并行的。当 Role 数量较大时，这些 rpc 出现最少一个长尾请求的概率就越高，而 BatchGet 的耗时是取决于最慢一个 rpc 的。上图展示了单次 rpc 是长尾请求的概率是 0.01% 的情况下，不同 Role 数量情况下的 BatchGet 长尾概率，通过公式 1 – (0.999^N) 计算。
增加 Sect（读性能扩容）：
每个 Sect 都有全量的数据，增加一个 Sect 意味着增加一个只读副本，可以达到读性能扩容的效果。
由于一个 BatchGet 只需要发往一个 Sect，RPC 数量是收敛的，不会因为底下的 KVSvr 有 200 台而发起 200 次 RPC。这种设计可以降低 BatchGet 操作的平均耗时，减少长尾请求出现的概率。
增加 Role（存储容量 + 读性能扩容）：
假设每台机的存储能力是相等的，增加 Role 的数量便可以增加存储容量。
由于整个模块的机器都多了，所以读性能也会增加，整个模块在读吞吐量上的扩容效果等价于增加 Sect。
但当 Role 数量较大时，一次 BatchGet 涉及的机器会变多，出现长尾请求概率会增大，所以一般建议 Role 的数量不要超过 30。
增加 DataSvr（写性能扩容）：
DataSvr 是一个无状态服务，可以做到分钟级的扩容速度。
底下的写任务是分布式的跑，一次写会切分为多个并行的 job，增加 DataSvr 的实例数，可以增加整个模块的写性能。
数据迁移都是以文件为级别，没有复杂的迁移逻辑，不考虑灰度流程的话，可以在小时级完成，考虑灰度流程一般是一天内。
- 系统容灾
KVSvr 侧：
每个 Sect 的机器是部署在同一个园区的，只需要部署 2 个 Sect 就可以容忍一个园区的机器故障。
具体案例：2019 年 3 月 23 号，上海南汇园区光缆被挖断，某个 featurekv 有 1/3 的机器在上面，故障期间服务稳定。
故障期间部分 RPC 超时，导致长尾请求增加。但是换机重试之后大部分请求都成功了，最终失败出现次数很低。后续全局屏蔽了南汇园区的机器之后，长尾请求和最终失败完全消失。
DataSvr/WFS 侧：
即便这两部分整个挂掉，FeatureKV 的 KVSvr 还是可以提供只读服务，对于大部分 定时批量写、在线只读 的场景，这样已经足够了。
具体案例：2019 年 6 月 3 号，某个分布式文件系统集群故障，不可用 9 小时。某个 featurekv 的 USER_FS 和 FKV_WFS 都是这个集群。故障期间业务方的输出产出流程也停止了，没有产生写任务。整个故障期间，featurekv 的读服务稳定。
十亿每秒的挑战 - 在线读服务的具体设计
- KVSvr 读性能优化
为了提高 KVSvr 的性能，我们采取了下面一些优化手段：
高性能哈希表：针对部分数据量较少、读请求很高的数据，FeatureKV 可以用 MemTable 这一个全内存的表结构来提供服务。Memtable 底层实现是一个我们自己实现的只读哈希表，在 16 线程并发访问的时候可以达到 2800w 的 QPS，已经超过了 rpc 框架的性能，不会成为整个系统瓶颈。
libco aio：针对部分数据量较大、读请求要求较低的数据，FeatureKV 可以用 BlkTable 或 IdxTable 这两种表结构来提供服务，这两表结构会把数据存放在 SSD 中。而 SSD 的读性能需要通过多路并发访问才能完全发挥。在线服务不可能开太多的线程，操作系统的调度是有开销的。这里我们利用了 libco 中对 linux aio 的封装，实现了协程级的多路并发读盘，经过压测在 value_size 是 100Byte 的情况下，TS80A 上 4 块 SSD 盘可以达到 150w+/s 的 QPS。
数据包序列化：在 perf 调优的过程中，我们发现 batch_size 较大的情况下（ctrfeaturekv 的平均 batch_size 是 4k+），rpc 数据包的序列化时耗时会较大，所以这里我们自己做了一层序列化 / 反序列化，rpc 层的参数是一段二进制 buffer。
数据压缩：不同业务对数据压缩的需求是不一样的，在存储模型的场景，value 会是一段浮点数 / 浮点数数组，表示一些非 0. 特征。这时候如果用 snappy 这类明文压缩算法，效果就不太好了，压缩比不高而且浪费 cpu。针对这类场景，我们引入了半精度浮点数（由 kimmyzhang 的 sage 库提供）来做传输阶段的数据压缩，降低带宽成本。
- 分布式事务 BatchGet 的实现
需求背景：更新分为全量更新和增量更新两种，一次更新包括多条数据，每次更新都会让版本号递增，BatchGet 也会返回 多条数据。业务方希望这些更新都是事务的，BatchGet 的时候如果一个更新没有全部执行完，那就返回上一个版本的数据，不能返回半新半旧的数据。
RoleNum=1 的情况：
数据没有分片，都落在同一台机器上，我们调研后发现有这么两种做法：
MVCC: 多版本并发控制，具体实现就是 LevelDB 这样的存储引擎，保存多版本的数据，可以通过 snapshot 控制数据的生命周期，以及访问指定版本的数据。这种方案的数据结构需要同时支持读写操作，后台也得有线程通过清理过期的数据，要支持全量更新也是比较复杂。
COW: 写时复制，具体的实现就是双 Buffer 切换，具体到 FeatureKV 的场景，增量更新还需要把上一个版本的数据拷贝一份，再加上增量的数据。这种方案的好处是可以设计一个生成后只读的数据结构，只读的数据结构可以有更高的性能，缺点是需要双倍的空间开销。
为了保证在线服务的性能，我们采用了 COW 的方式，设计了 第一部分 中提到了只读哈希表，来做到单机的事务 BatchGet。
RoleNum>1 的情况：
数据分布在不同机器，而不同机器完成数据加载的时间点不一样，从分布式的角度去看，可能没有一个统一的版本。
一个直观的想法，就是保存最近 N 份版本，然后选出每个 Role 都有的、最新的一份版本。
N 的取值会影响存储资源（内存、磁盘）的开销，最少是 2。为了达到这个目的，我们在 DataSvr 侧加入了这么两个限制：
单个表的更新是串行的。
写任务开始结束之前，加多一步版本对齐的逻辑，即等待所有的 kvsvr 都加载完最新的版本。
这样我们就可以在只保留最近 2 个版本的情况下，保证分布式上拥有一个统一的版本。在 COW 的场景下，只要把另外一个 Buffer 的数据延期删除（直到下次更新才删），就可以了保留最近 2 个版本了，内存开销也不会变大。
拥有全局统一的版本之后，事务 BatchGet 应该怎么实现呢？
先发一轮 rpc 询问各 role 的版本情况？这样做会让 QPS 翻倍，并且下一时刻那台机可能就发生数据更新了。
数据更新、版本变动其实是很低频的，大部分时刻都是返回最新一个版本就行了，并且可以在回包的时候带上 B-Version（即另外一个 Buffer 的版本），让 client 端在出现版本不一致的时候，可以选出一个全局统一的版本 SyncVersion，再对不是 SyncVersion 的数据进行重试。
在数据更新的时候，数据不一致的持续时间可能是分钟级的，这种做法会带来一波波的重试请求，影响系统的稳定性。所以我们还做了一个优化就是缓存下这个 SyncVersion，每次 BatchGet 的时候，如果有 SyncVersion 缓存，则直接拉取 SyncVersion 这个版本的数据。
- 版本回退
每个表的元数据中有一个回退版本字段，默认是 0 表示不处于回退状态，当这个字段非 0，则表示回退至某个版本。
先考虑如何实现版本回退：
考虑简单的情况，一个表每次都是全量更新。那么每次让都是让 KVSvr 从 FKV_WFS 拉取指定版本的数据到本地，走正常的全量更新流程就好了。
然后，需要考虑增量的情况。如果一个表每次更新都是增量更新，那么回退某个版本 Vi，就需要把 V1 到 Vi 这一段都拉到 KVSvr 本地，进行更新重放，类似于数据库的 binlog，当累计了成千上万的增量版本之后，这是不可能完成的事。
我们需要有一个异步的 worker，来把一段连续的增量，以及其前面的全量版本，合并为一个新的全量版本，类似 checkpoint 的概念，这样就可以保证一次回退不会涉及太多的增量版本。这个异步的 worker 的实现在 DataSvr 中。
更进一步，这里有一个优化就是如果回退的版本在本地双 Buffer 中，那么只是简单的切换一下双 Buffer 的指针就好，可以做到秒级回退效果。实际上很多回退操作都是回退到最后一个正常版本，很可能是上一个版本，在本地的双 Buffer 中。
处于回退状态的表禁止写入数据，防止再次写入错误的数据。
再考虑如何解除回退：
解除回退就是让某个表，以回退版本的数据继续提供服务，并且以回退版本的数据为基础执行后续的增量更新。
直接解除回退状态，现网会先更新为回退前的版本，如果还有流量的话则会读到回退前的异常数据，这里存在一个时间窗口。
数据的版本号要保证连续递增，这一点在数据更新的流程中会依赖，所以不能简单粗暴的删除最后一段数据。
为了避免这个问题，我们借用了 COW 的思想，先复制一遍。具体的实现就是把当前回退的版本，写出一个全量的版本，作为最新的数据版本。
这一步需要点时间，但在回退的场景下，我们对解除回退的耗时要求并不高。只要回退够快，解除回退是安全的，就可以了。
十亿每小时的挑战 - 离线写流程的具体设计
- 背景
DataSvr 主要的工作是把数据从 USER_FS 写入 FKV_WFS，在写入过程需要做路由切分、数据格式重建等工作，是一个流式处理的过程。
FeatureKV 中目前有三种表结构，不同的表结构在写流程中有不一样的处理逻辑：
MemTable: 数据全内存，索引是无序的哈希结构，容量受限于内存，离线写逻辑简单。
IdxTable: 索引全内存，索引是有序的数组，Key 量受限于内存，离线写逻辑较为简单，需要写多一份索引。
BlkTable: 块索引全内存，索引是有序的数据，记录着磁盘中一个 4KB 数据块的 begin_key 和 end_key，容量没限制，离线写流程复杂，需要对数据文件进行排序。
- 单机的 DataSvr
一开始，我们只有 MemTable，数据都是全内存的。MemTable 的数据最大也就 200+GB，这个数据量并不大，单机处理可以节省分布式协同、结果合并等步骤的开销，所以我们有了上面的架构：
一次写任务只由一个 DataSvr 执行。
Parser 每次处理一个输入文件，解析出 Key-Value 数据，计算路由并把数据投递到对应的 Que。
一个 Sender 负责处理一个 Que 的数据，底下会对应多份 FKV_FS 的文件。FKV_FS 上的一个文件只能由一个 Sender 写入。
总的设计思想是，让可以并行跑的流程都并行起来，榨干硬件资源。
具体的实现，加入了很多批量化的优化，比如对 FS 的 IO 都是带 buffer 的，队列数据的入队 / 出队都是 batch 的等，尽量提高整个系统的吞吐能力。
最终，在台 24 核机器上的写入速度可以达到 100MB/s，写入 100GB 的数据只需要 20 分钟左右。
- 分布式的 DataSvr
再往后，FeatureKV 需要处理十亿级 Key 量、TB 级的数据写入，因此我们加入了 IdxTable 和 BlkTable 这两种表结构，这对于写流程的挑战有以下两点：
生成的数据需要有序，只有有序的数据才能做到范围索引的效果，让单机的 key 量不受内存限制。
TB 级的写速度，100MB/s 是不够用的，写入 1TB 需要接近 3 小时的时间，并且这里是不可扩展的，即便有很多很多机器，也是 3 小时，这里需要变得可以扩展。
先考虑数据排序的问题：
我们得先把数据切片跑完，才能把一个 Part 的数据都拿出来，对数据进行排序，前面的数据切片类似于 MapReduce 的 Map，后续的排序就是 Reduce，Reduce 中存在着较大的计算资源开销，需要做成分布式的。
Map 阶段复用上述的单机 DataSvr 逻辑，数据切分后会得到一份临时的全量结果，然后实现一个分布式的 Reduce 逻辑，每个 Reduce 的输入是一份无序的数据，输出一份有序的数据及其索引。
这种做法有一次全量写和一次全量读的额外开销。
具体的流程如下图所示，DATASVR SORTING 阶段由多台 DataSvr 参与，每个浅蓝色的方框表示一个 DataSvr 实例。
再考虑大数据量情况下的扩展性：
参考上图，现在 DataSvr 的排序阶段其实已经是分布式的了，唯一一个单点的、无法扩容的是数据切片阶段。
实现分布式的数据切片，有两种做法：
一是每个 DataSvr 处理部分输入的 User_Part 文件，每个 DataSvr 都会输出 2400 个切片后的文件，那么当一次分布式切片有 K 个 DataSvr 实例参与，就会生成 2400 * K 个切片后的文件，后续需要把相同编号的文件合并，或者直接作为排序阶段的输入。
二是每个 DataSvr 负责生成部分编号的 FKV 文件，每次都读入全量的用户输入，批处理生成一批编号的 FKV 文件。
第一种做法如果是处理 MemTable 或者 IdxTable，就需要后接一个 Merging 过程，来把 TMP_i_0, TMP_i_1, TMP_i_2 … 合并为一个 FKV_i。而处理 BlkTable 的时候，由于其后续是有一个 Sorting 的逻辑的，只需要把 Sorting 的逻辑改为接受多个文件的输入即可。故这种做法的坏处是在数据量较少的时候，MemTable 或者 IdxTable 采用分布式数据切片可能会更慢，Merging 阶段的耗时会比分布式切片减少的耗时更多；
第二种做法生成的直接就是 2400 个文件，没有后续 Merging 流程。但它会带来读放大的问题，假设数据被切分成为 T 批，就会有 T-1 次额外的全量读开销。在数据量大的情况下，批数会越多，因为排序的数据需要全部都进内存，只能切得更小；
在小数据场景，单机的数据分片已经足够了，所以我们选用了第一种方案。
是否分布式切分，是一个可选项，在数据量较小的情况下，可以不走这条路径，回到单机 DataSvr 的处理流程。
最终，我们得到了一个可以线性扩展的离线处理流程，面对 10 亿、1TB 数据的数据：
在实现 BlkTable 之前，这是一个不可能完成的任务。
在实现分布式数据切片之前，这份数据需要 120min 才能完成写入。
现在，我们只需要 71min 便可以完成这份数据的写入。
上面这一套流程，其实很像 MapReduce，是多个 Map, Reduce 过程拼接在一起的结果。我们自己实现了一遍，主要是基于性能上的考虑，可以把系统优化到极致。
现网运营状况
FeatureKV 在现在已经部署了 10+ 个模块，共 270+ 台机，业务涉及看一看，搜一搜，微信广告，小程序，微信支付，数据中心用户画像，附近的生活，好物圈等各类数业务，解决了离线生成的数据应用于在线服务的痛点问题，支撑着各类数据驱动业务的发展。
最大的一个模型存储模块有 210 台机：
11 亿特征 /s: 日均峰值 BatchGet 次数是 29w/s，平均 BatchSize 是 3900，模块压测时达到过 30 亿特征 /s。
15ms: 96.3% 的 BatchGet 请求在 15ms 内完成，99.6% 的 BatchGet 请求在 30ms 内完成。
99.999999%：99.999999% 的事务 BatchGet 执行成功。
微信广告基于 FeatureKV 实现个性化拉取 + 个性化广告位置，推荐策略能够及时更新。相比于旧的方案，拉取量和收入都取得了较大的增长，拉取 +21.8%，收入 +14.3%。
微信支付在面对面发券以及支付风控中都有用 FeatureKV，存储了多份十亿级的特征，之前一天无法更新完的数据可以在数小时内完成更新。
总结
一开始，这类定时批量写、在线只读的需求不太普遍，一般业务会用 PaxosStore 或者文件分发来解决。
但随着越来越多的应用 / 需求都与数据有关，这些数据需要定期大规模输入到在线服务当中，并需要很强的版本管理能力，比如用户画像、机器学习的模型 (DNN、LR、FM)、规则字典，甚至正排 / 倒排索引等，因此我们开发了 FeatureKV 来解决这类痛点问题，并取得了良好的效果。
本文转载自“云加社区”公众号：QcloudCommunity
关注“云加社区”公众号，获取更多技术干货！
