近日，英特爾與第四范式聯合實驗室以及新加坡國立大學的最新聯合研究成果——基于英特爾? 傲騰?持久內存的超高維特征工程內存數據庫，被國際頂級數據庫學術會議VLDB（Very Large Data Base）作為常規研究論文錄取。該成果以解決在線預估系統的業務需求和痛點為目的，針對如何設計底層數據庫組件來高效支撐超高維（萬億維）特征在線預估系統，以及如何基于英特爾?傲騰?持久內存進一步解決業務和系統設計的痛點等兩方面進行創新性設計和全面優化。
如今，越來越多的企業意識到了AI在企業經營、決策中的重要作用，AI迎來了落地應用爆發期。作為AI落地的關鍵組件，超高維在線預估系統基于實時提取的超高維特征和預先訓練的模型對業務數據進行實時評估，因而被廣泛應用在欺詐交易識別、個性化推薦等在線實時推理業務場景中。為了支撐高性能的超高維實時特征存取需求，第四范式自主研發了超高維實時特征工程內存數據庫FEDB（Feature Engineering Database）。作為面向AI硬實時場景的分布式特征數據庫，FEDB所具備的高效計算、讀寫分離、高并發、高性能查詢等特性，使得特征工程的效率和性能達到最大化。然而，伴隨著業務的持續擴張和數據量的指數級增長，FEDB所消耗的硬件資源呈幾何倍數增加，并且無法規避服務中斷后恢復周期長、高延遲等潛在弊端與風險，難以高效、低成本的滿足不斷增長的業務硬實時需求：
-高性能超高維特征存取對計算資源消耗巨大：為了保障線上服務的性能，特征工程內存數據庫對內存的容量要求極高，企業通常需要配備20-30臺機器以滿足高性能計算需求所需的內存容量，總體擁有成本（TCO）居高不下。
-服務中斷恢復所需長周期嚴重影響企業線上服務質量：企業線上服務對服務質量的要求極高，然而通常情況下服務中斷（軟硬件錯誤宕機，例行維護等）往往需要幾個小時的恢復時間，業務長時間掉線嚴重影響線上服務質量。
-長尾延遲：使用基于內存的特征工程數據庫保障了線上服務的高性能，但是數據備份依然會落盤到性能較差的外存儲設備上，其導致某些場景下的長尾延遲會嚴重影響服務質量。
為解決以上問題，第四范式在充分發揮超高維實時特征工程數據庫FEDB價值的基礎上，引入英特爾? 傲騰?持久內存技術，以及創新性的持久化數據結構，全面支撐AI硬實時、低成本、高計算性能等需求的實現。
雙方基于英特爾? 傲騰?持久內存，使用App Direct Mode，開發優化持久化數據結構，完全摒棄了FEDB原有的基于外存儲設備的數據持久化架構，不僅充分利用了持久內存大容量、持久性的特性，而且將持久化操作帶來的性能損耗降至最小。
該工作主要的創新性優化技術包括“持久化智能指針”以及利用原子操作“持久化比較并交換”（Atomic Persistent Compare-And-Swap"）的解決方案。一方面，持久化智能指針巧妙地利用了64位操作系統中64位寬指針不被使用的低4位來標記目標地址的數據是否已持久化；另一方面，針對“比較并交換操作”（CAS），傳統指令缺少持久化語義，因而無法在持久內存中直接作為帶有持久化特性的原子操作來使用的難點，雙方引入了新的“讀前持久化”（flush-before-read）概念，利用持久化智能指針，保證“持久化比較并交換” （Persistent CAS）正確性的同時，最大化減少持久化帶來的性能損耗。
此項工作的研究成果表明，基于持久內存的FEDB可有效滿足企業超高維特征在線預估場景的需求，在保證線上推理服務超高性能的同時，大幅降低了企業AI整體投入成本，提升了線上服務的質量，進一步掃清了企業AI規模化應用的障礙。
-傲騰?持久內存的加持滿足超高維特征工程數據庫對大內存的需求。下圖顯示了在論文實驗中使用的機器配置，在8 TB數據的業務場景中，基于持久內存的FEDB的硬件成本僅為基于純內存版本的41.6%。
硬件成本比較
-在服務中斷情況下實現數據快速恢復，服務恢復時間減少99.7%，全面降低對線上服務質量的影響。如在論文中描述的結果（見下圖，D-FEDB為原來內存版本的FEDB，PA-FEDB為基于持久內存優化的FEDB版本），在實際業務場景中，其數據恢復時間大幅度的從原來的六個小時縮短到只有一分鐘左右。
基于持久化內存的數據恢復時間比較 （PA-FEDB vs. D-FEDB）
-基于持久內存進行持久化數據結構設計的FEDB舍棄了原有純內存方案以及基于外存儲設備的備份機制，實現了長尾延遲（TP-9999）接近20%的改善（見下圖，D-FEDB為原來的基于內存的FEDB ，PA-FEDB為基于持久內存優化的FEDB）。
基于持久化內存的長尾延遲比較（PA-FEDB vs. D-FEDB）
未來，英特爾與第四范式聯合實驗室還將在軟硬一體技術、面向AI的高性能計算等方面展開深入合作，結合英特爾領先的軟硬件產品以及第四范式在AI領域的深厚積累以及研發優勢，推動AI技術的創新和落地，加速企業規模化AI應用進程，共同引領AI產業化發展。
